Tema 4 · Fase 1, Programar con datos · Toda la ruta
Lo esencial
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.
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.
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.
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.
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.
6Correlación no es causalidad: dos medidas pueden ir juntas porque una tercera, una variable de confusión, mueve a las dos.