Lo que se sale de lo normal

tiempo = pedidos["tiempo_entrega_min"]
q1, q3 = tiempo.quantile(0.25), tiempo.quantile(0.75)
ric = q3 - q1
valla_inf = q1 - 1.5 * ric
valla_sup = q3 + 1.5 * ric
print(f"Vallas: {valla_inf:.2f} y {valla_sup:.2f} min")
# «Fuera» es estrictamente más allá: < y >, no <= ni >=
print("Por debajo:", (tiempo < valla_inf).sum(), "pedidos")
print("Por encima:", (tiempo > valla_sup).sum(), "pedidos")
#> Vallas: 9.15 y 59.15 min
#> Por debajo: 6 pedidos
#> Por encima: 240 pedidos

lentos = pedidos[tiempo > valla_sup].copy()
lentos["grupo"] = pd.cut(lentos["tiempo_entrega_min"],
                         bins=[valla_sup, valla_ext, 250],
                         labels=["moderado", "extremo"])
lentos["llueve"] = (lentos["lluvia"] == "Sí") * 100      # 100 o 0
lentos["bogota"] = (lentos["ciudad"] == "Bogotá") * 100
resumen = lentos.groupby("grupo", observed=True).agg(
    pedidos=("id_pedido", "count"),
    km_mediana=("distancia_km", "median"),
    pct_lluvia=("llueve", "mean"),
    pct_bogota=("bogota", "mean"))
resumen.round(2)
#>           pedidos  km_mediana  pct_lluvia  pct_bogota
#> grupo
#> moderado      174        9.60       52.30       77.01
#> extremo        66        3.35       16.67       40.91

extremos = pedidos[tiempo > valla_ext]
calificados = extremos["calificacion"].dropna()
print("Extremos calificados:", len(calificados),
      "· con 1 estrella:", (calificados == 1).sum())
columnas = ["id_pedido", "ciudad", "distancia_km", "lluvia",
            "tiempo_entrega_min", "calificacion"]
pedidos.loc[tiempo.idxmax(), columnas]
#> Extremos calificados: 48 · con 1 estrella: 47
#> id_pedido                  P08193
#> ciudad                Bucaramanga
#> distancia_km                  7.0
#> lluvia                         No
#> tiempo_entrega_min          200.9
#> calificacion                    1
#> Name: 8192, dtype: object

ciudad = pedidos["ciudad"]
grupos = tiempo.groupby(ciudad)
q1c, q3c = grupos.quantile(0.25), grupos.quantile(0.75)
valla_c = q3c + 1.5 * (q3c - q1c)
lento_global = tiempo > valla_sup
lento_propia = tiempo > ciudad.map(valla_c)
pd.DataFrame({
    "valla propia": valla_c,
    "lentos (global)": lento_global.groupby(ciudad).sum(),
    "lentos (propia)": lento_propia.groupby(ciudad).sum(),
}).round(2)
#>               valla propia  lentos (global)  lentos (propia)
#> ciudad
#> Barranquilla         49.45               10               34
#> Bogotá               63.40              161               86
#> Bucaramanga          49.46               14               27
#> Cali                 53.15               25               40
#> Medellín             55.55               30               59

tabla = pd.pivot_table(pedidos, values="tiempo_entrega_min",
                       index="ciudad", columns="lluvia",
                       aggfunc="median", observed=True,
                       margins=True, margins_name="Total")
tabla.round(1)
#> lluvia          No    Sí  Total
#> ciudad
#> Barranquilla  28.0  35.8   28.8
#> Bogotá        36.1  43.5   38.2
#> Bucaramanga   27.0  33.2   28.4
#> Cali          29.8  36.0   31.1
#> Medellín      31.9  38.4   33.6
#> Total         31.9  40.0   33.7

tramo = pd.cut(distancia, bins=[0, 4.4, 7.7, 14], right=True,
               labels=["hasta 4,4 km", "4,4 a 7,7 km", "más de 7,7 km"])
lento = (tiempo > valla_sup) * 100
pd.pivot_table(pedidos.assign(tramo=tramo, lento=lento),
               values="lento", index="tramo", columns="lluvia",
               aggfunc="mean", observed=True).round(1)
#> lluvia           No    Sí
#> tramo
#> hasta 4,4 km    0.6   0.6
#> 4,4 a 7,7 km    1.1   4.2
#> más de 7,7 km  20.7  59.3