Pandas y visualización: explorar un dataset real

Tema 4 · Fase 1, Programar con datos · Toda la ruta

Lo esencial

  1. 1Un DataFrame de pandas es una tabla con columnas de distinto tipo (numéricas, categóricas, fechas). Cada columna es una Series: un arreglo de NumPy con nombre y con un índice.
  2. 2Con una tabla nueva, lo primero es mirarla: shape, head, info, describe y value_counts. isna().sum() cuenta los faltantes, y la regla del 1,5·RIC señala los atípicos, que se investigan antes de borrar.
  3. 3loc elige por etiqueta, iloc por posición y una condición filtra filas. groupby separa la tabla en grupos, resume cada uno y junta los resultados; merge une dos tablas por una columna clave.
  4. 4Cada pregunta tiene su gráfico: histograma para repartos, dispersión para relaciones, caja para comparar grupos, mapa de calor para correlaciones, barras para categorías y línea para el tiempo. Matplotlib dibuja en una figura con ejes; Seaborn grafica directo desde un DataFrame.
  5. 5Hay que mirar los datos, no solo los resúmenes: los cuatro conjuntos de Anscombe tienen los mismos promedios y correlación, el número de intervalos cambia lo que muestra un histograma, y una correlación puede invertirse al separar por grupos.
  6. 6Correlación no es causalidad: dos medidas pueden ir juntas porque una tercera, una variable de confusión, mueve a las dos.
Seguir con la teoríaIr directo al código

En la teoría

  1. La pregunta
  2. Actividad: mismos números, distinta historia
  3. De arreglos a tablas: Series y DataFrame
  4. Cargar el dataset y mirarlo
  5. Elegir filas y columnas
  6. Valores faltantes
  7. Agrupar y resumir: groupby
  8. Unir tablas: merge
  9. Graficar: la figura y los ejes
  10. Dispersión: la relación entre dos medidas
  11. Diagrama de caja y valores atípicos
  12. Correlación y mapa de calor
  13. Barras y líneas
  14. El cuarteto de Anscombe
  15. Un análisis exploratorio en cinco preguntas
  16. Lo que aprendiste y lo que sigue