#Insights:
#1-Desempenho Vendas por Região
#2-Vendendor mais produtivo
#3-Itens mais vendidos
#4-Preço Médio por Item
#5-Correlação entre Unidade Vendida e Preço Unitário

import pandas as pd

df = pd.read_csv("data/Pedidos.csv")

#Convertendo para tipo numérico
df['Unidades'] = pd.to_numeric(df['Unidades'])
df['PrecoUnidade'] = pd.to_numeric(df['PrecoUnidade'])

#1-Desempenho por região
vendas_regiao = df.groupby('Regiao')['Unidades'].sum()
print(vendas_regiao)

#2-Vendedor mais produtivo
vendas_vendedor = df.groupby('Vendedor')['Unidades'].sum()
print(vendas_vendedor.idxmax())

#3-Total de Unidades vendidas por item
total_unidades_item = df.groupby('Item')['Unidades'].sum()
print(total_unidades_item)

#4-Média de Preço por Item
media_preco_item = df.groupby('Item')['PrecoUnidade'].mean()
print(media_preco_item)

#5-Correlação entre Unidades Vendidas e Preço Unitário
"""
A correlação pode variar entre -1 e 1, indicando a direção e a 
força da relação linear entre as variáveis.
Um valor próximo de 1 indica uma correlação positiva forte,
enquanto próximo de -1 indica correlação negativa forte.
Um valor próximo a 0 indica uma correlação fraca.
"""
correlacao = df['Unidades'].corr(df['PrecoUnidade'])
print(correlacao)

#6-Exportando para CSV
vendas_regiao = df.groupby('Regiao')['Unidades'].sum()
print(type(vendas_regiao))

#Converter Series em Dataframe
vendas_regiao_df = vendas_regiao.reset_index()
vendas_regiao_df.columns = ['Regiao', 'TotalUnidadesVendidas']

print(type(vendas_regiao_df))

vendas_regiao_df.to_csv('data/vendas_regiao.csv', index=False)