-
Notifications
You must be signed in to change notification settings - Fork 6
Expand file tree
/
Copy path09_EDA.html
More file actions
1052 lines (975 loc) · 82.8 KB
/
09_EDA.html
File metadata and controls
1052 lines (975 loc) · 82.8 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
871
872
873
874
875
876
877
878
879
880
881
882
883
884
885
886
887
888
889
890
891
892
893
894
895
896
897
898
899
900
901
902
903
904
905
906
907
908
909
910
911
912
913
914
915
916
917
918
919
920
921
922
923
924
925
926
927
928
929
930
931
932
933
934
935
936
937
938
939
940
941
942
943
944
945
946
947
948
949
950
951
952
953
954
955
956
957
958
959
960
961
962
963
964
965
966
967
968
969
970
971
972
973
974
975
976
977
978
979
980
981
982
983
984
985
986
987
988
989
990
991
992
993
994
995
996
997
998
999
1000
<!DOCTYPE html>
<html xmlns="http://www.w3.org/1999/xhtml" lang="en" xml:lang="en">
<head>
<meta charset="utf-8">
<meta name="generator" content="quarto-1.3.450">
<meta name="viewport" content="width=device-width, initial-scale=1.0, user-scalable=yes">
<meta name="author" content="Andrés Quintero-Zea">
<meta name="dcterms.date" content="2024-09-09">
<title>Análisis exploratorio de datos</title>
<style>
code {
white-space: pre-wrap;
}
span.smallcaps {
font-variant: small-caps;
}
div.columns {
display: flex;
gap: min(4vw, 1.5em);
}
div.column {
flex: auto;
overflow-x: auto;
}
div.hanging-indent {
margin-left: 1.5em;
text-indent: -1.5em;
}
ul.task-list {
list-style: none;
}
ul.task-list li input[type="checkbox"] {
width: 0.8em;
margin: 0 0.8em 0.2em -1em;
/* quarto-specific, see https://github.com/quarto-dev/quarto-cli/issues/4556 */
vertical-align: middle;
}
/* CSS for syntax highlighting */
pre>code.sourceCode {
white-space: pre;
position: relative;
}
pre>code.sourceCode>span {
display: inline-block;
line-height: 1.25;
}
pre>code.sourceCode>span:empty {
height: 1.2em;
}
.sourceCode {
overflow: visible;
}
code.sourceCode>span {
color: inherit;
text-decoration: inherit;
}
div.sourceCode {
margin: 1em 0;
}
pre.sourceCode {
margin: 0;
}
@media screen {
div.sourceCode {
overflow: auto;
}
}
@media print {
pre>code.sourceCode {
white-space: pre-wrap;
}
pre>code.sourceCode>span {
text-indent: -5em;
padding-left: 5em;
}
}
pre.numberSource code {
counter-reset: source-line 0;
}
pre.numberSource code>span {
position: relative;
left: -4em;
counter-increment: source-line;
}
pre.numberSource code>span>a:first-child::before {
content: counter(source-line);
position: relative;
left: -1em;
text-align: right;
vertical-align: baseline;
border: none;
display: inline-block;
-webkit-touch-callout: none;
-webkit-user-select: none;
-khtml-user-select: none;
-moz-user-select: none;
-ms-user-select: none;
user-select: none;
padding: 0 4px;
width: 4em;
}
pre.numberSource {
margin-left: 3em;
padding-left: 4px;
}
@media screen {
pre>code.sourceCode>span>a:first-child::before {
text-decoration: underline;
}
}
</style>
<script src="assets/quarto-nav/quarto-nav.js"></script>
<script src="assets/quarto-nav/headroom.min.js"></script>
<script src="assets/clipboard/clipboard.min.js"></script>
<script src="assets/quarto-search/autocomplete.umd.js"></script>
<script src="assets/quarto-search/fuse.min.js"></script>
<script src="assets/quarto-search/quarto-search.js"></script>
<meta name="quarto:offset" content="./">
<link href="./08_Matplotlib.html" rel="next">
<link href="./10_Intro_DS.html" rel="prev">
<script src="assets/quarto-html/quarto.js"></script>
<script src="assets/quarto-html/popper.min.js"></script>
<script src="assets/quarto-html/tippy.umd.min.js"></script>
<script src="assets/quarto-html/anchor.min.js"></script>
<link href="assets/quarto-html/tippy.css" rel="stylesheet">
<link href="assets/quarto-html/quarto-syntax-highlighting.css" rel="stylesheet"
id="quarto-text-highlighting-styles">
<script src="assets/bootstrap/bootstrap.min.js"></script>
<link href="assets/bootstrap/bootstrap-icons.css" rel="stylesheet">
<link href="assets/bootstrap/bootstrap.min.css" rel="stylesheet" id="quarto-bootstrap" data-mode="light">
<script id="quarto-search-options" type="application/json">{
"location": "sidebar",
"copy-button": false,
"collapse-after": 3,
"panel-placement": "start",
"type": "textbox",
"limit": 20,
"language": {
"search-no-results-text": "No results",
"search-matching-documents-text": "matching documents",
"search-copy-link-title": "Copy link to search",
"search-hide-matches-text": "Hide additional matches",
"search-more-match-text": "more match in this document",
"search-more-matches-text": "more matches in this document",
"search-clear-button-title": "Clear",
"search-detached-cancel-button-title": "Cancel",
"search-submit-button-title": "Submit",
"search-label": "Search"
}
}</script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/require.js/2.3.6/require.min.js"
integrity="sha512-c3Nl8+7g4LMSTdrm621y7kf9v3SDPnhxLNhcjFJbKECVnmZHTdo+IRO05sNLTH/D3vA6u1X32ehoLC7WFVdheg=="
crossorigin="anonymous"></script>
<script src="https://cdnjs.cloudflare.com/ajax/libs/jquery/3.5.1/jquery.min.js"
integrity="sha512-bLT0Qm9VnAYZDflyKcBaQ2gg0hSYNQrJ8RilYldYQ1FxQYoCLtUjuuRuZo+fjqhx/qtq/1itJ0C2ejDxltZVFg=="
crossorigin="anonymous"></script>
<script type="application/javascript">define('jquery', [], function () { return window.jQuery; })</script>
<script src='https://cdnjs.cloudflare.com/ajax/libs/mathjax/2.7.4/MathJax.js?config=default'></script>
</head>
<body class="nav-sidebar floating">
<!-- content -->
<div id="quarto-content" class="quarto-container page-columns page-rows-contents page-layout-article">
<!-- sidebar -->
<nav id="quarto-sidebar" class="sidebar collapse collapse-horizontal sidebar-navigation floating overflow-auto">
<div class="pt-lg-2 mt-2 text-left sidebar-header sidebar-header-stacked">
<img src="./LogoNuevo.png" alt="" class="sidebar-logo py-0 d-lg-inline d-none">
<div class="sidebar-title mb-0 py-0">
<a href="./index.html">Programación PRE2013A45</a>
</div>
</div>
<div class="sidebar-menu-container">
<ul class="list-unstyled mt-1">
<li class="sidebar-item sidebar-item-section">
<div class="sidebar-item-container">
<a class="sidebar-item-text sidebar-link text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-1" aria-expanded="true">
<span class="menu-text">Python</span></a>
<a class="sidebar-item-toggle text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-1" aria-expanded="true"
aria-label="Toggle section">
<i class="bi bi-chevron-right ms-2"></i>
</a>
</div>
<ul id="quarto-sidebar-section-1" class="collapse list-unstyled sidebar-section depth1 show">
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./01_Intro_Python.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">1</span> <span
class="chapter-title">Introducción a Python</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./02_Estructuras_control.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">2</span> <span
class="chapter-title">Estructuras de control</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./03_Funciones.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">3</span> <span
class="chapter-title">Funciones</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./04_Estructura_datos.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">4</span> <span
class="chapter-title">Estructuras de datos avanzadas</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./05_Archivos_excepciones.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">5</span> <span
class="chapter-title">Manejo de archivos y excepciones</span></span></a>
</div>
</li>
</ul>
</li>
<li class="sidebar-item sidebar-item-section">
<div class="sidebar-item-container">
<a class="sidebar-item-text sidebar-link text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-2" aria-expanded="true">
<span class="menu-text">Análisis de Datos</span></a>
<a class="sidebar-item-toggle text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-2" aria-expanded="true"
aria-label="Toggle section">
<i class="bi bi-chevron-right ms-2"></i>
</a>
</div>
<ul id="quarto-sidebar-section-2" class="collapse list-unstyled sidebar-section depth1 show">
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./06_Numpy.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">6</span> <span
class="chapter-title">Introducción a Numpy</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./07_Pandas.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">7</span> <span
class="chapter-title">Manipulación de datos con Pandas</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./08_Matplotlib.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">8</span> <span
class="chapter-title">Visualización de datos con
Matplotlib y Seaborn</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./09_EDA.html" class="sidebar-item-text sidebar-link active">
<span class="menu-text"><span class="chapter-number">9</span> <span
class="chapter-title">Análisis exploratorio de datos</span></span></a>
</div>
</li>
</ul>
</li>
<li class="sidebar-item sidebar-item-section">
<div class="sidebar-item-container">
<a class="sidebar-item-text sidebar-link text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-3" aria-expanded="true">
<span class="menu-text">Ciencia de Datos</span></a>
<a class="sidebar-item-toggle text-start" data-bs-toggle="collapse"
data-bs-target="#quarto-sidebar-section-3" aria-expanded="true"
aria-label="Toggle section">
<i class="bi bi-chevron-right ms-2"></i>
</a>
</div>
<ul id="quarto-sidebar-section-3" class="collapse list-unstyled sidebar-section depth1 show">
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./10_Intro_DS.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">10</span> <span
class="chapter-title">Introducción a la ciencia de
datos</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./11_Clasificacion.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">11</span> <span
class="chapter-title">Modelos de clasificación</span></span></a>
</div>
</li>
<li class="sidebar-item">
<div class="sidebar-item-container">
<a href="./12_Regresion.html" class="sidebar-item-text sidebar-link">
<span class="menu-text"><span class="chapter-number">12</span> <span
class="chapter-title">Modelos de regresión</span></span></a>
</div>
</li>
</ul>
</li>
</ul>
</div>
</nav>
<div id="quarto-sidebar-glass" data-bs-toggle="collapse" data-bs-target="#quarto-sidebar,#quarto-sidebar-glass">
</div>
<!-- margin-sidebar -->
<div id="quarto-margin-sidebar" class="sidebar margin-sidebar">
<nav id="TOC" role="doc-toc" class="toc-active">
<h2 id="toc-title">Tabla de contenidos</h2>
<ul>
<li><a href="#objetivo" id="toc-objetivo" class="nav-link active"
data-scroll-target="#objetivo">Objetivo</a></li>
<li><a href="#consejos-generales-sobre-matplotlib" id="toc-consejos-generales-sobre-matplotlib" class="nav-link"
data-scroll-target="#consejos-generales-sobre-matplotlib"><span class="header-section-number"> 8.1 </span> Consejos generales sobre Matplotlib </a></li>
<li><a href="#dos-interfaces-por-el-precio-de-una" id="toc-dos-interfaces-por-el-precio-de-una" class="nav-link"
data-scroll-target="#dos-interfaces-por-el-precio-de-una"><span class="header-section-number"> 8.2 </span> Dos interfaces por el precio de una </a>
</li>
<li><a href="#gráficos-de-líneas-simples" id="toc-gráficos-de-líneas-simples" class="nav-link"
data-scroll-target="#gráficos-de-líneas-simples"><span class="header-section-number"> 8.3 </span> Gráficos de líneas simples </a>
</li>
<li><a href="#diagramas-de-dispersión-simples" id="toc-diagramas-de-dispersión-simples" class="nav-link"
data-scroll-target="#diagramas-de-dispersión-simples"><span class="header-section-number"> 8.4 </span> Diagramas de dispersión simples </a>
</li>
<li><a href="#visualizando-errores" id="toc-visualizando-errores" class="nav-link"
data-scroll-target="#visualizando-errores"><span class="header-section-number"> 8.5 </span> Visualizando errores</a>
</li>
<li><a href="#gráficas-de-densidad-y-contorno" id="toc-gráficas-de-densidad-y-contorno" class="nav-link"
data-scroll-target="#gráficas-de-densidad-y-contorno"><span class="header-section-number"> 8.6 </span> Gráficas de densidad y contorno </a>
</li>
<li><a href="#histogramas-binnings-y-densidad" id="toc-histogramas-binnings-y-densidad" class="nav-link"
data-scroll-target="#histogramas-binnings-y-densidad"><span class="header-section-number"> 8.7 </span> Histogramas, binnings y densidad </a>
</li>
<li><a href="#personalización-de-leyendas" id="toc-personalización-de-leyendas" class="nav-link"
data-scroll-target="#personalización-de-leyendas"><span class="header-section-number"> 8.8 </span> Personalización de leyendas </a>
</li>
<li><a href="#varias-subgráficas" id="toc-varias-subgráficas" class="nav-link"
data-scroll-target="#varias-subgráficas"><span class="header-section-number"> 8.9 </span> Varias subgráficas </a>
</li>
<li><a href="#texto-y-anotaciones" id="toc-texto-y-anotaciones" class="nav-link"
data-scroll-target="#texto-y-anotaciones"><span class="header-section-number"> 8.10 </span> Texto y anotaciones </a>
</li>
<li><a href="#personalización-de-ticks" id="toc-personalización-de-ticks" class="nav-link"
data-scroll-target="#personalización-de-ticks"><span class="header-section-number"> 8.11 </span> Personalización de ticks </a>
</li>
<li><a href="#personalización-de-matplotlib" id="toc-personalización-de-matplotlib" class="nav-link"
data-scroll-target="#personalización-de-matplotlib"><span class="header-section-number"> 8.12 </span> Personalización de Matplotlib </a>
</li>
<li><a href="#visualización-con-seaborn" id="toc-visualización-con-seaborn" class="nav-link"
data-scroll-target="#visualización-con-seaborn"><span class="header-section-number"> 8.13 </span> Visualización con Seaborn </a>
</li>
<li><a href="#practice-exercises" id="toc-practice-exercises" class="nav-link"
data-scroll-target="#practice-exercises"><span class="header-section-number">8.14</span>
Ejercicios prácticos</a></li>
</ul>
</nav>
</div>
<!-- main -->
<main class="content" id="quarto-document-content">
<header id="title-block-header" class="quarto-title-block default">
<div class="quarto-title">
<h1 class="title"><span class="chapter-number">9</span> <span
class="chapter-title">Análisis exploratorio de datos</span></h1>
</div>
<div class="quarto-title-meta"> </div>
</header>
<section id="objetivo" class="level1">
<h1 class="anchored" data-anchor-id="objetivo">Objetivo</h1>
<p>
El objetivo de esta clase es que los estudiantes aprendan a aplicar técnicas de análisis exploratorio de datos en Python, utilizando herramientas como pandas, matplotlib y seaborn, para identificar patrones y relaciones clave en los datos.</p>
</section>
<p>El estudio previo de los datos o EDA (Exploratory Data Analysis) es una etapa crítica en la ciencia de datos y sin duda la que consume más tiempo.</p>
<p>Seguiremos los pasos expuestos en el capítulo ‘<em>Examining your data</em>’ de <a href="https://github.com/aquinteroz/Programacion/blob/main/Examining%20Your%20Data.pdf">Hair et al. (2019)</a>, para realizar un análisis del conjunto de datos <a href="https://www.kaggle.com/datasets/shashanknecrothapa/ames-housing-dataset">Ames Housing Dataset</a> de Kaggle.</p>
<p>Vamos a dividir el análisis en los siguientes apartados:</p>
<ol type="1">
<li>Comprender el problema</li>
<li>Estudio univariable</li>
<li>Estudio multivariable</li>
<li>Limpieza básica de los datos</li>
<li>Comprobación de suposiciones</li>
</ol>
<div class="sourceCode cell-code" id="cb1"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb1-1"><a href="#cb1-1" aria-hidden="true" tabindex="-1"></a><span class="im">import</span> pandas <span class="im">as</span> pd</span>
<span id="cb1-2"><a href="#cb1-2" aria-hidden="true" tabindex="-1"></a><span class="im">import</span> matplotlib.pyplot <span class="im">as</span> plt</span>
<span id="cb1-3"><a href="#cb1-3" aria-hidden="true" tabindex="-1"></a><span class="im">import</span> seaborn <span class="im">as</span> sns</span>
<span id="cb1-4"><a href="#cb1-4" aria-hidden="true" tabindex="-1"></a>sns.set_style(<span class="st">'whitegrid'</span>)</span>
<span id="cb1-5"><a href="#cb1-5" aria-hidden="true" tabindex="-1"></a>sns.set_palette(<span class="st">'Set2'</span>)</span>
<span id="cb1-6"><a href="#cb1-6" aria-hidden="true" tabindex="-1"></a><span class="im">import</span> numpy <span class="im">as</span> np</span>
<span id="cb1-7"><a href="#cb1-7" aria-hidden="true" tabindex="-1"></a><span class="im">from</span> scipy.stats <span class="im">import</span> norm</span>
<span id="cb1-8"><a href="#cb1-8" aria-hidden="true" tabindex="-1"></a><span class="im">from</span> sklearn.preprocessing <span class="im">import</span> StandardScaler</span>
<span id="cb1-9"><a href="#cb1-9" aria-hidden="true" tabindex="-1"></a><span class="im">from</span> scipy <span class="im">import</span> stats</span>
<span id="cb1-10"><a href="#cb1-10" aria-hidden="true" tabindex="-1"></a><span class="im">import</span> warnings</span>
<span id="cb1-11"><a href="#cb1-11" aria-hidden="true" tabindex="-1"></a>warnings.filterwarnings(<span class="st">'ignore'</span>)</span>
<span id="cb1-12"><a href="#cb1-12" aria-hidden="true" tabindex="-1"></a><span class="op">%</span>matplotlib inline</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb2"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb2-1"><a href="#cb2-1" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> pd.read_csv(<span class="st">'Datasets/AmesHousing.csv'</span>)</span>
<span id="cb2-2"><a href="#cb2-2" aria-hidden="true" tabindex="-1"></a>df_data.head(<span class="dv">10</span>)</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb3"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb3-1"><a href="#cb3-1" aria-hidden="true" tabindex="-1"></a>df_data.columns</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<section id="el-problema" class="level2">
<h2 class="anchored" data-anchor-id="el-problema">9.1 El problema</h2>
<p>Para entender realmente el conjunto de datos, veamos la descripción de cada variable:</p>
<ul>
<li><b>Order</b> y <b>PID</b>: identificadores de la instancia (los borraremos)</li>
<li><b>MSSubClass</b>: clase de construcción</li>
<li><b>MSZoning</b>: clasificación de la zona</li>
<li><b>LotFrontage</b>: pies lineales de calle de la parcela</li>
<li><b>LotArea</b>: tamaño de la parcela en pies cuadrados</li>
<li><b>Street</b>: tipo de acceso por carretera</li>
<li><b>Alley</b>: tipo de acceso al callejón</li>
<li><b>LotShape</b>: forma de la parcela</li>
<li><b>LandContour</b>: planitud de la parcela</li>
<li><b>Utilities</b>: servicios públicos disponibles</li>
<li><b>LotConfig</b>: Configuración de parcela</li>
<li><b>LandSlope</b>: pendiente de la parcela</li>
<li><b>Neighborhood</b>: ubicación física dentro de los límites de la ciudad de Ames</li>
<li><b>Condition1</b>: proximidad a la carretera principal o al ferrocarril</li>
<li><b>Condition2</b>: proximidad a la carretera principal o al ferrocarril (si hay un segundo)</li>
<li><b>BldgType</b>: tipo de vivienda</li>
<li><b>HouseStyle</b>: estilo de vivienda</li>
<li><b>OverallQual</b>: calidad general del material y del acabado</li>
<li><b>OverallCond</b>: condición general</li>
<li><b>YearBuilt</b>: fecha original de construcción</li>
<li><b>YearRemodAdd</b>: fecha de remodelación</li>
<li><b>RoofStyle</b>: tipo de cubierta</li>
<li><b>RoofMatl</b>: material del techo</li>
<li><b>Exterior1st</b>: revestimiento exterior de la casa</li>
<li><b>Exterior2nd</b>: revestimiento exterior de la casa (si hay más de un material)</li>
<li><b>MasVnrType</b>: tipo de revestimiento de mampostería</li>
<li><b>MasVnrArea</b>: área de revestimiento de mampostería en pies cuadrados</li>
<li><b>ExterQual</b>: calidad del material exterior</li>
<li><b>ExterCond</b>: estado del material en el exterior</li>
<li><b>Foundation</b>: tipo de cimentación</li>
<li><b>BsmtQual</b>: altura del sótano</li>
<li><b>BsmtCond</b>: estado general del sótano</li>
<li><b>BsmtExposure</b>: paredes del sótano a nivel de calle o de jardín</li>
<li><b>BsmtFinType1</b>: calidad del área acabada del sótano</li>
<li><b>BsmtFinSF1</b>: pies cuadrados de la superficie acabada tipo 1</li>
<li><b>BsmtFinType2</b>: calidad de la segunda superficie acabada (si existe)</li>
<li><b>BsmtFinSF2</b>: Pies cuadrados de la superficie acabada tipo 2</li>
<li><b>BsmtUnfSF</b>: pies cuadrados del área sin terminar del sótano</li>
<li><b>TotalBsmtSF</b>: pies cuadrados totales del sótano</li>
<li><b>Heating</b>: tipo de calefacción</li>
<li><b>HeatingQC</b>: calidad y estado de la calefacción</li>
<li><b>CentralAir</b>: aire acondicionado central</li>
<li><b>Electrical</b>: sistema eléctrico</li>
<li><b>1erFlrSF</b>: área en pies cuadrados de la primera planta (o planta baja)</li>
<li><b>2ndFlrSF</b>: área en pies cuadrados de la segunda planta</li>
<li><b>LowQualFinSF</b>: pies cuadrados acabados de baja calidad (todos los pisos)</li>
<li><b>GrLivArea</b>: superficie habitable por encima del nivel del suelo en pies cuadrados</li>
<li><b>BsmtFullBath</b>: cuartos de baño completos en el sótano</li>
<li><b>BsmtHalfBath</b>: medio baño del sótano</li>
<li><b>FullBath</b>: baños completos sobre el nivel del suelo</li>
<li><b>HalfBath</b>: medios baños sobre el nivel del suelo</li>
<li><b>Bedroom</b>: número de dormitorios por encima del nivel del sótano</li>
<li><b>Kitchen</b>: número de cocinas</li>
<li><b>KitchenQual</b>: calidad de la cocina</li>
<li><b>TotRmsAbvGrd</b>: total de habitaciones por encima del nivel del suelo (no incluye baños)</li>
<li><b>Functional</b>: valoración de la funcionalidad de la vivienda</li>
<li><b>Fireplaces</b>: número de chimeneas</li>
<li><b>FireplaceQu</b>: calidad de la chimenea</li>
<li><b>GarageType</b>: ubicación del garaje</li>
<li><b>GarageYrBlt</b>: año de construcción del garaje</li>
<li><b>GarageFinish</b>: acabado interior del garaje</li>
<li><b>GarageCars</b>: tamaño del garaje en capacidad de coches</li>
<li><b>GarageArea</b>: tamaño del garaje en pies cuadrados</li>
<li><b>GarageQual</b>: calidad de garaje</li>
<li><b>GarageCond</b>: condición de garaje</li>
<li><b>PavedDrive</b>: calzada asfaltada</li>
<li><b>WoodDeckSF</b>: area de plataforma de madera en pies cuadrados</li>
<li><b>OpenPorchSF</b>: área de porche abierto en pies cuadrados</li>
<li><b>EnclosedPorch</b>: área de porche cerrada en pies cuadrados</li>
<li><b>3SsnPorch</b>: área de porche de tres estaciones en pies cuadrados</li>
<li><b>ScreenPorch</b>: superficie acristalada del porche en pies cuadrados</li>
<li><b>PoolArea</b>: área de la piscina en pies cuadrados</li>
<li><b>PoolQC</b>: calidad de la piscina</li>
<li><b>Fence</b>: calidad de la valla</li>
<li><b>MiscFeature</b>: característica miscelánea no cubierta en otras categorías</li>
<li><b>MiscVal</b>: valor en dólares de la característica miscelánea</li>
<li><b>MoSold</b>: mes de venta</li>
<li><b>YrSold</b>: año de venta</li>
<li><b>SaleType</b>: tipo de venta</li>
<li><b>SaleCondition</b>: Condiciones de venta</li>
</ul>
</section>
<section id="análisis-univariable-saleprice" class="level2">
<h2 class="anchored" data-anchor-id="análisis-univariable-saleprice">9.2 Análisis univariable: <em>SalePrice</em></h2>
<p>La variable ‘SalePrice’ es la variable objetivo de este conjunto de datos. En pasos posteriores a este análisis exploratorio de datos se realizaría una predicción del valor de esta variable, por lo que vamos a estudiarla con mayor detenimiento:</p>
<div class="sourceCode cell-code" id="cb4"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb4-1"><a href="#cb4-1" aria-hidden="true" tabindex="-1"></a>df_data[<span class="st">'SalePrice'</span>].describe()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb5"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb5-1"><a href="#cb5-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'SalePrice'</span>])</span>
<span id="cb5-2"><a href="#cb5-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>A simple vista se pueden apreciar:</p>
<ul>
<li>Una desviación con respecto a la distribución normal.</li>
<li>Una asimetría positiva.</li>
<li>Algunos picos.</li>
</ul>
<div class="sourceCode cell-code" id="cb6"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb6-1"><a href="#cb6-1" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(<span class="st">'Skewness: </span><span class="sc">%f</span><span class="st">'</span> <span class="op">%</span> df_data[<span class="st">'SalePrice'</span>].skew())</span>
<span id="cb6-2"><a href="#cb6-2" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(<span class="st">'Kurtosis: </span><span class="sc">%f</span><span class="st">'</span> <span class="op">%</span> df_data[<span class="st">'SalePrice'</span>].kurt())</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<section id="relación-con-variables-numéricas" class="level3">
<h3 class="anchored" data-anchor-id="relación-con-variables-numéricas">9.2.1 Relación con variables numéricas</h3>
<div id="cell-14" class="cell">
<div class="sourceCode cell-code" id="cb7"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb7-1"><a href="#cb7-1" aria-hidden="true" tabindex="-1"></a>sns.scatterplot(df_data,x<span class="op">=</span><span class="st">'GrLivArea'</span>,y<span class="op">=</span><span class="st">'SalePrice'</span>,alpha<span class="op">=</span><span class="fl">0.5</span>)</span>
<span id="cb7-2"><a href="#cb7-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</div>
<div class="sourceCode cell-code" id="cb8"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb8-1"><a href="#cb8-1" aria-hidden="true" tabindex="-1"></a>sns.scatterplot(df_data,x<span class="op">=</span><span class="st">'TotalBsmtSF'</span>,y<span class="op">=</span><span class="st">'SalePrice'</span>,alpha<span class="op">=</span><span class="fl">0.5</span>)</span>
<span id="cb8-2"><a href="#cb8-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</section>
<section id="relación-con-variables-categóricas" class="level3">
<h3 class="anchored" data-anchor-id="relación-con-variables-categóricas">9.2.2 Relación con variables categóricas</h3>
<div class="sourceCode cell-code" id="cb9"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb9-1"><a href="#cb9-1" aria-hidden="true" tabindex="-1"></a>f, ax <span class="op">=</span> plt.subplots(figsize<span class="op">=</span>(<span class="dv">10</span>, <span class="dv">6</span>))</span>
<span id="cb9-2"><a href="#cb9-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> sns.boxplot(df_data, x<span class="op">=</span><span class="st">'OverallQual'</span>, y<span class="op">=</span><span class="st">'SalePrice'</span>, hue<span class="op">=</span><span class="st">'OverallQual'</span>)</span>
<span id="cb9-3"><a href="#cb9-3" aria-hidden="true" tabindex="-1"></a>fig.axis(ymin<span class="op">=</span><span class="dv">0</span>, ymax<span class="op">=</span><span class="dv">800000</span>)</span>
<span id="cb9-4"><a href="#cb9-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb10"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb10-1"><a href="#cb10-1" aria-hidden="true" tabindex="-1"></a>f, ax <span class="op">=</span> plt.subplots(figsize<span class="op">=</span>(<span class="dv">18</span>, <span class="dv">6</span>))</span>
<span id="cb10-2"><a href="#cb10-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> sns.boxplot(df_data, x<span class="op">=</span><span class="st">'YearBuilt'</span>, y<span class="op">=</span><span class="st">'SalePrice'</span>, hue<span class="op">=</span><span class="st">'YearBuilt'</span>)</span>
<span id="cb10-3"><a href="#cb10-3" aria-hidden="true" tabindex="-1"></a>fig.axis(ymin<span class="op">=</span><span class="dv">0</span>, ymax<span class="op">=</span><span class="dv">800000</span>)</span>
<span id="cb10-4"><a href="#cb10-4" aria-hidden="true" tabindex="-1"></a>ax.xaxis.set_major_locator(plt.MaxNLocator(<span class="dv">15</span>))</span>
<span id="cb10-5"><a href="#cb10-5" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</section>
<section id="resumiendo" class="level3">
<h3 class="anchored" data-anchor-id="resumiendo">Resumiendo:</h3>
<ul>
<li>‘GrLivArea’ y ‘TotalBsmtSF’ mantienen una relación lineal positiva con ‘SalePrice’, aumentando en el mismo sentido. En el caso de ‘TotalBsmtSF’, la pendiente de esta relación es muy acentuada.</li>
<li>‘OverallQual’ y ‘YearBuilt’ también parecen relacionadas con ‘SalePrice’ (más fuerte en el primer caso), tal y como se puede observar en los diagramas de cajas.</li>
</ul>
<p>Sólo hemos explorado cuatro variables, pero hay muchas otras a analizar.</p>
</section>
</section>
<section id="análisis-multivariable" class="level2">
<h2 class="anchored" data-anchor-id="análisis-multivariable">9.3 Análisis multivariable</h2>
<p>Hasta ahora sólo me hemos usado la intuición para el análisis de las variables consideradas como importantes. Es hora de un análisis más objetivo.</p>
<p>Para ello realizaremos las siguientes pruebas de correlación: * Matriz de correlación general. * Matriz de correlación centrada en la variable ‘SalePrice’. * Diagramas de dispersión entre las variables más correlacionadas.</p>
<section id="matriz-de-correlación-en-forma-de-mapa-de-calor" class="level3">
<h3 class="anchored" data-anchor-id="matriz-de-correlación-en-forma-de-mapa-de-calor">9.3.1 Matriz de correlación (en forma de mapa de calor)</h3>
<div class="sourceCode cell-code" id="cb11"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb11-1"><a href="#cb11-1" aria-hidden="true" tabindex="-1"></a>corrmat <span class="op">=</span> df_data.corr(numeric_only<span class="op">=</span><span class="va">True</span>)</span>
<span id="cb11-2"><a href="#cb11-2" aria-hidden="true" tabindex="-1"></a>f, ax <span class="op">=</span> plt.subplots(figsize<span class="op">=</span>(<span class="dv">15</span>, <span class="dv">12</span>))</span>
<span id="cb11-3"><a href="#cb11-3" aria-hidden="true" tabindex="-1"></a>sns.heatmap(corrmat, vmax<span class="op">=</span><span class="dv">1</span>, vmin<span class="op">=-</span><span class="dv">1</span>, square<span class="op">=</span><span class="va">True</span>, cmap<span class="op">=</span><span class="st">'RdBu'</span>)</span>
<span id="cb11-4"><a href="#cb11-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>El mapa de calor es una forma visual muy útil para para conocer las variables y sus relaciones.</p>
</section>
<section id="matriz-de-correlación-de-saleprice" class="level3">
<h3 class="anchored" data-anchor-id="matriz-de-correlación-de-saleprice">9.3.2 Matriz de correlación de ‘SalePrice’</h3>
<div class="sourceCode cell-code" id="cb12"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb12-1"><a href="#cb12-1" aria-hidden="true" tabindex="-1"></a>k <span class="op">=</span> <span class="dv">10</span> <span class="co"># Número de variables</span></span>
<span id="cb12-2"><a href="#cb12-2" aria-hidden="true" tabindex="-1"></a>cols <span class="op">=</span> corrmat.nlargest(k, <span class="st">'SalePrice'</span>)[<span class="st">'SalePrice'</span>].index</span>
<span id="cb12-3"><a href="#cb12-3" aria-hidden="true" tabindex="-1"></a>cm <span class="op">=</span> df_data[cols].corr(numeric_only<span class="op">=</span><span class="va">True</span>)</span>
<span id="cb12-4"><a href="#cb12-4" aria-hidden="true" tabindex="-1"></a>sns.<span class="bu">set</span>(font_scale <span class="op">=</span> <span class="fl">0.9</span>)</span>
<span id="cb12-5"><a href="#cb12-5" aria-hidden="true" tabindex="-1"></a>hm <span class="op">=</span> sns.heatmap(cm, cbar <span class="op">=</span> <span class="va">True</span>, annot <span class="op">=</span> <span class="va">True</span>, square <span class="op">=</span> <span class="va">True</span>, fmt <span class="op">=</span> <span class="st">'.2f'</span>, annot_kws <span class="op">=</span> {<span class="st">'size'</span>: <span class="dv">10</span>}, </span>
<span id="cb12-6"><a href="#cb12-6" aria-hidden="true" tabindex="-1"></a> yticklabels <span class="op">=</span> cols.values, xticklabels <span class="op">=</span> cols.values, cmap<span class="op">=</span><span class="st">'RdBu'</span>)</span>
<span id="cb12-7"><a href="#cb12-7" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div id="cell-27" class="cell">
<div class="sourceCode cell-code" id="cb13"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb13-1"><a href="#cb13-1" aria-hidden="true" tabindex="-1"></a>corr <span class="op">=</span> df_data.corr(numeric_only<span class="op">=</span><span class="va">True</span>)</span>
<span id="cb13-2"><a href="#cb13-2" aria-hidden="true" tabindex="-1"></a>corr[[<span class="st">'SalePrice'</span>]].sort_values(by <span class="op">=</span> <span class="st">'SalePrice'</span>,ascending <span class="op">=</span> <span class="va">False</span>).style.background_gradient(cmap<span class="op">=</span><span class="st">'RdBu'</span>,</span>
<span id="cb13-3"><a href="#cb13-3" aria-hidden="true" tabindex="-1"></a> vmin<span class="op">=-</span><span class="dv">1</span>, vmax<span class="op">=</span><span class="dv">1</span>)</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</div>
</section>
<section id="diagramas-de-dispersión-entre-saleprice-y-sus-seis-variables-más-correlacionadas" class="level3">
<h3 class="anchored" data-anchor-id="diagramas-de-dispersión-entre-saleprice-y-sus-seis-variables-más-correlacionadas">9.3.3 Diagramas de dispersión entre ‘SalePrice’ y sus seis variables más correlacionadas</h3>
<div class="sourceCode cell-code" id="cb14"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb14-1"><a href="#cb14-1" aria-hidden="true" tabindex="-1"></a>sns.<span class="bu">set</span>()</span>
<span id="cb14-2"><a href="#cb14-2" aria-hidden="true" tabindex="-1"></a>cols <span class="op">=</span> [<span class="st">'SalePrice'</span>,<span class="st">'OverallQual'</span>,<span class="st">'GrLivArea'</span>,<span class="st">'GarageCars'</span>,<span class="st">'GarageArea'</span>,<span class="st">'TotalBsmtSF'</span>,<span class="st">'1stFlrSF'</span>]</span>
<span id="cb14-3"><a href="#cb14-3" aria-hidden="true" tabindex="-1"></a>sns.pairplot(df_data[cols], size <span class="op">=</span> <span class="fl">2.5</span>)</span>
<span id="cb14-4"><a href="#cb14-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Aunque ya habíamos visto algunas de las figuras, este diagrama nos facilita una comprensión general sobre las relaciones entre las variables.</p>
</section>
</section>
<section id="limpieza-de-datos" class="level2">
<h2 class="anchored" data-anchor-id="limpieza-de-datos">9.4. Limpieza de datos</h2>
<section id="datos-faltantes" class="level3">
<h3 class="anchored" data-anchor-id="datos-faltantes">9.4.1 Datos faltantes</h3>
<p>Antes de tratar los datos faltantes, es importante determinar su prevalencia y su aleatoriedad, ya que pueden implicar una reducción del tamaño de la muestra. También hay que asegurarse que su gestión no esté sesgada .</p>
<div class="sourceCode cell-code" id="cb15"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb15-1"><a href="#cb15-1" aria-hidden="true" tabindex="-1"></a>total <span class="op">=</span> df_data.isnull().<span class="bu">sum</span>().sort_values(ascending <span class="op">=</span> <span class="va">False</span>)</span>
<span id="cb15-2"><a href="#cb15-2" aria-hidden="true" tabindex="-1"></a>percent <span class="op">=</span> (df_data.isnull().<span class="bu">sum</span>() <span class="op">/</span> df_data.isnull().count()).sort_values(ascending <span class="op">=</span> <span class="va">False</span>)</span>
<span id="cb15-3"><a href="#cb15-3" aria-hidden="true" tabindex="-1"></a>missing_data <span class="op">=</span> pd.concat([total, percent], axis <span class="op">=</span> <span class="dv">1</span>, keys <span class="op">=</span> [<span class="st">'Total'</span>, <span class="st">'Percent'</span>])</span>
<span id="cb15-4"><a href="#cb15-4" aria-hidden="true" tabindex="-1"></a>missing_data.head(<span class="dv">28</span>)</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Por razones prácticas vamos a eliminar las variables con más de un 15% de datos faltantes. Con respecto a las variables ‘Garage<em>X</em>’, se observa el mismo número de datos desaparecidos, hecho que quizás habría que estudiar con más detenimiento. Pero, dado que la información más relevante en cuanto al garaje ya está recogida por la variable ‘GarageCars’, y que sólo se trata de un 5% de datos faltantes, borraremos las citadas variables ‘Garage<em>X</em>’, además de las ‘Bsmt<em>X</em>’ bajo la misma lógica.</p>
<p>En cuanto a las variables ‘MasVnrArea’ y ‘MasVnrType’, se puede decir que no son esenciales y que, incluso, tienen una fuerte correlación con ‘YearBuilt’ y ‘OverallQual’. No parece que se vaya a perder mucha información si las eliminamos.</p>
<p>Para finalizar, se encuentran muy pocos datos faltante (1 o 2) en algunas variables, por lo que solo se borrarán aquellas instancias y a mantener la variable.</p>
<p>En resumen, borraremos todas las variables con datos desaparecidos, excepto las que tienen 1 o 2 datos faltantes, en este caso sólo borrararemos la observación con el dato faltante.</p>
<div id="cell-36" class="cell">
<div class="sourceCode cell-code" id="cb16"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb16-1"><a href="#cb16-1" aria-hidden="true" tabindex="-1"></a>cols <span class="op">=</span> <span class="bu">list</span>((missing_data[missing_data[<span class="st">'Total'</span>] <span class="op">></span> <span class="dv">2</span>]).index)</span>
<span id="cb16-2"><a href="#cb16-2" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> df_data.drop(columns<span class="op">=</span>cols)</span>
<span id="cb16-3"><a href="#cb16-3" aria-hidden="true" tabindex="-1"></a>df_data</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</div>
<div class="sourceCode cell-code" id="cb17"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb17-1"><a href="#cb17-1" aria-hidden="true" tabindex="-1"></a>cols<span class="op">=</span>[<span class="st">'BsmtFullBath'</span>,<span class="st">'BsmtHalfBath'</span>,<span class="st">'BsmtFinSF1'</span>,<span class="st">'GarageCars'</span>,<span class="st">'Electrical'</span>,<span class="st">'TotalBsmtSF'</span>,<span class="st">'BsmtUnfSF'</span>,</span>
<span id="cb17-2"><a href="#cb17-2" aria-hidden="true" tabindex="-1"></a> <span class="st">'BsmtFinSF2'</span>,<span class="st">'GarageArea'</span>]</span>
<span id="cb17-3"><a href="#cb17-3" aria-hidden="true" tabindex="-1"></a></span>
<span id="cb17-4"><a href="#cb17-4" aria-hidden="true" tabindex="-1"></a><span class="cf">for</span> col <span class="kw">in</span> cols:</span>
<span id="cb17-5"><a href="#cb17-5" aria-hidden="true" tabindex="-1"></a> df_data <span class="op">=</span> df_data.drop(df_data.loc[df_data[col].isnull()].index)</span>
<span id="cb17-6"><a href="#cb17-6" aria-hidden="true" tabindex="-1"></a> </span>
<span id="cb17-7"><a href="#cb17-7" aria-hidden="true" tabindex="-1"></a>df_data.isnull().<span class="bu">sum</span>().<span class="bu">max</span>() <span class="co"># Para comprobar que no hay más datos desaparecidos.</span></span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</section>
<section id="datos-atípicos" class="level3">
<h3 class="anchored" data-anchor-id="datos-atípicos">9.4.2 Datos atípicos</h3>
<p>Los datos atípicos u outliers pueden afectar marcadamente el modelo, además de suponer una fuente de información en sí misma. Su tratamiento es un asunto complejo que requiere más atención; por ahora sólo vamos a hacer un análisis rápido a través de la desviación estándar de la variable ‘SalePrice’ y a realizar un par de diagramas de dispersión.</p>
<section id="análisis-univariable" class="level4">
<h4 class="anchored" data-anchor-id="análisis-univariable">Análisis univariable</h4>
<p>La primera tarea en este caso es establecer un umbral que defina una observación como valor atípico. Para ello vamos a estandarizar los datos, es decir, transformar los valores datos para que tengan una media de 0 y una desviación estándar de 1.</p>
<div class="sourceCode cell-code" id="cb18"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb18-1"><a href="#cb18-1" aria-hidden="true" tabindex="-1"></a>saleprice_scaled <span class="op">=</span> StandardScaler().fit_transform(df_data[<span class="st">'SalePrice'</span>].values.reshape(<span class="op">-</span><span class="dv">1</span>, <span class="dv">1</span>))</span>
<span id="cb18-2"><a href="#cb18-2" aria-hidden="true" tabindex="-1"></a>low_range <span class="op">=</span> saleprice_scaled[saleprice_scaled[:,<span class="dv">0</span>].argsort()][:<span class="dv">10</span>]</span>
<span id="cb18-3"><a href="#cb18-3" aria-hidden="true" tabindex="-1"></a>high_range <span class="op">=</span> saleprice_scaled[saleprice_scaled[:,<span class="dv">0</span>].argsort()][<span class="op">-</span><span class="dv">10</span>:]</span>
<span id="cb18-4"><a href="#cb18-4" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(<span class="st">'Fuera de la distribución (por debajo):'</span>)</span>
<span id="cb18-5"><a href="#cb18-5" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(low_range)</span>
<span id="cb18-6"><a href="#cb18-6" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(<span class="st">'</span><span class="ch">\n</span><span class="st">Fuera de la distribución (por arriba):'</span>)</span>
<span id="cb18-7"><a href="#cb18-7" aria-hidden="true" tabindex="-1"></a><span class="bu">print</span>(high_range)</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<ul>
<li>Los valores bajos son similares y <em>relativamente</em> no muy alejados del 0.</li>
<li>Los valores altos están muy alejados del 0. Los valores superiores a 7 están realmente fuera de rango.</li>
</ul>
</section>
<section id="análisis-bivariable" class="level4">
<h4 class="anchored" data-anchor-id="análisis-bivariable">Análisis bivariable</h4>
<div class="sourceCode cell-code" id="cb19"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb19-1"><a href="#cb19-1" aria-hidden="true" tabindex="-1"></a>sns.scatterplot(df_data, x <span class="op">=</span> <span class="st">'GrLivArea'</span>, y <span class="op">=</span> <span class="st">'SalePrice'</span>, alpha <span class="op">=</span> <span class="fl">0.5</span>)</span>
<span id="cb19-2"><a href="#cb19-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Este diagrama de dispersión muestra un par de cosas interesantes:</p>
<ul>
<li>Los tres valores más altos de la variable ‘GrLivArea’ resultan extraños. Se pueden hacer especulaciones, pero podría tratarse de terrenos agrícolas o muy degradados, algo que explicaría su bajo precio. Lo que está claro es que estos dos puntos son atípicos, por lo que procederemos a eliminarlos.</li>
<li>Las dos observaciones más altas de la variable ‘SalePrice’ se corresponden con las que observamos en el análisis univariable anterior. Son casos especiales, pero parece que siguen la tendencia general, por lo que vamos a mantenerlas.</li>
</ul>
<div class="sourceCode cell-code" id="cb20"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb20-1"><a href="#cb20-1" aria-hidden="true" tabindex="-1"></a>df_data.sort_values(by <span class="op">=</span> <span class="st">'GrLivArea'</span>, ascending <span class="op">=</span> <span class="va">False</span>)[:<span class="dv">3</span>]</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb21"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb21-1"><a href="#cb21-1" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> df_data.drop(df_data[df_data[<span class="st">'Order'</span>] <span class="op">==</span> <span class="dv">1499</span>].index)</span>
<span id="cb21-2"><a href="#cb21-2" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> df_data.drop(df_data[df_data[<span class="st">'Order'</span>] <span class="op">==</span> <span class="dv">2181</span>].index)</span>
<span id="cb21-3"><a href="#cb21-3" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> df_data.drop(df_data[df_data[<span class="st">'Order'</span>] <span class="op">==</span> <span class="dv">2182</span>].index)</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div id="cell-47" class="cell">
<div class="sourceCode cell-code" id="cb22"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb22-1"><a href="#cb22-1" aria-hidden="true" tabindex="-1"></a>sns.scatterplot(df_data, x <span class="op">=</span> <span class="st">'GrLivArea'</span>, y <span class="op">=</span> <span class="st">'SalePrice'</span>, alpha <span class="op">=</span> <span class="fl">0.5</span>)</span>
<span id="cb22-2"><a href="#cb22-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</div>
<div class="sourceCode cell-code" id="cb23"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb23-1"><a href="#cb23-1" aria-hidden="true" tabindex="-1"></a>sns.scatterplot(df_data, x <span class="op">=</span> <span class="st">'TotalBsmtSF'</span>, y <span class="op">=</span> <span class="st">'SalePrice'</span>, alpha <span class="op">=</span> <span class="fl">0.5</span>)</span>
<span id="cb23-2"><a href="#cb23-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Aunque se pueden observar algunos valores bastante extremos (p.ej. TotalBsmtSF > 3000), parece que conservan la tendencia, por lo que vamos a mantenerlos.</p>
</section>
</section>
</section>
<section id="comprobación-de-normalidad" class="level1">
<h1>9.5 Comprobación de normalidad</h1>
<p>Ya hemos realizado cierta limpieza de datos y estudiado la variable ‘SalePrice’. Ahora vamos a comprobar si ‘SalePrice’ cumple los supuestos estadísticos que nos permiten aplicar las técnicas del análisis multivariable.</p>
<p>De acuerdo con Hair et al. (2019), hay que comprobar cuatro suposiciones fundamentales:</p>
<ul>
<li><p><b>Normalidad</b> - Cuando hablamos de normalidad lo que queremos decir es que los datos deben parecerse a una distribución normal. Es importante porque varias pruebas estadísticas se basan en esta suposición. Sólo voy a comprobar la normalidad de la variable ‘SalePrice’, aunque resulte un tanto limitado ya que no asegura la normalidad multivariable. Además, si resolvemos la normalidad evitamos otros problemas, como la homocedasticidad.</p></li>
<li><p><b>Homocedasticidad</b> - La homocedasticidad se refiere a la suposición de que las variables dependientes tienen el mismo nivel de varianza en todo el rango de las variables predictoras. La homocedasticidad es deseable porque queremos que el término de error sea el mismo en todos los valores de las variables independientes.</p></li>
<li><p><b>Linealidad</b>- La forma más común de evaluar la linealidad es examinar los diagramas de dispersión y buscar patrones lineales. Si los patrones no son lineales, valdría la pena explorar las transformaciones de datos. Sin embargo, no vamos a entrar en esto porque la mayoría de los gráficos de dispersión que hemos visto parecen tener relaciones lineales.</p></li>
<li><p><b>Ausencia de errores correlacionados</b> - Esto ocurre a menudo en series temporales, donde algunos patrones están relacionados en el tiempo. Tampoco voy a tocar este asunto.</p></li>
</ul>
<section id="en-búsqueda-de-la-normalidad" class="level3">
<h3 class="anchored" data-anchor-id="en-búsqueda-de-la-normalidad">9.5.1 En búsqueda de la normalidad</h3>
<p>El objetivo es estudiar la variable ‘SalePrice’ de forma fácil, comprobando:</p>
<ul>
<li><b>Histograma</b> - Curtosis y asimetría.</li>
<li><b>Gráfica de probabilidad normal</b> - La distribución de los datos debe ajustarse a la diagonal que representa la distribución normal.</li>
</ul>
<div class="sourceCode cell-code" id="cb24"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb24-1"><a href="#cb24-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'SalePrice'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb24-2"><a href="#cb24-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb24-3"><a href="#cb24-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[<span class="st">'SalePrice'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb24-4"><a href="#cb24-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>De estos gráficos se desprende que ‘SalePrice’ no conforma una distribución normal. Muestra picos, asimetría positiva y no sigue la línea diagonal; aunque una simple transformación de datos puede resolver el problema.</p>
<div class="sourceCode cell-code" id="cb25"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb25-1"><a href="#cb25-1" aria-hidden="true" tabindex="-1"></a>df_data[<span class="st">'SalePrice'</span>] <span class="op">=</span> np.log(df_data[<span class="st">'SalePrice'</span>])</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb26"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb26-1"><a href="#cb26-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'SalePrice'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb26-2"><a href="#cb26-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb26-3"><a href="#cb26-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[<span class="st">'SalePrice'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb26-4"><a href="#cb26-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Terminado el trabajo con ‘SalePrice’, vamos a seguir con ‘GrLivArea’.</p>
<div class="sourceCode cell-code" id="cb27"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb27-1"><a href="#cb27-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'GrLivArea'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb27-2"><a href="#cb27-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb27-3"><a href="#cb27-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[<span class="st">'GrLivArea'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb27-4"><a href="#cb27-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>La variable ‘GrLivArea’ muestra asimetría.</p><div class="sourceCode cell-code" id="cb28"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb28-1"><a href="#cb28-1" aria-hidden="true" tabindex="-1"></a>df_data[<span class="st">'GrLivArea'</span>] <span class="op">=</span> np.log(df_data[<span class="st">'GrLivArea'</span>])</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb29"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb29-1"><a href="#cb29-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'GrLivArea'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb29-2"><a href="#cb29-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb29-3"><a href="#cb29-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[<span class="st">'GrLivArea'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb29-4"><a href="#cb29-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>A continuación, la variable ‘TotalBsmtSF’.</p><div class="sourceCode cell-code" id="cb30"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb30-1"><a href="#cb30-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[<span class="st">'TotalBsmtSF'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb30-2"><a href="#cb30-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb30-3"><a href="#cb30-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[<span class="st">'TotalBsmtSF'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb30-4"><a href="#cb30-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Estos gráficos nos muestran que la variable ‘TotalBsmtSF’:</p>
<ul>
<li>Presenta asimetrías.</li>
<li>Hay un número significativo de observaciones con valor cero (casas sin sótano).</li>
<li>El valor cero no nos permite hacer transformaciones logarítmicas.</li>
</ul>
<p>Para aplicar una transformación logarítmica, crearemos una variable binaria (tener o no tener sótano). Después, aplicaremos la transformación logarítmica a todas las observaciones que no sean cero, ignorando aquellas con valor cero. De esta manera podremos transformar los datos, sin perder el efecto de tener o no sótano.</p>
<div class="sourceCode cell-code" id="cb31"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb31-1"><a href="#cb31-1" aria-hidden="true" tabindex="-1"></a>df_data[<span class="st">'HasBsmt'</span>] <span class="op">=</span> pd.Series(<span class="bu">len</span>(df_data[<span class="st">'TotalBsmtSF'</span>]), index <span class="op">=</span> df_data.index)</span>
<span id="cb31-2"><a href="#cb31-2" aria-hidden="true" tabindex="-1"></a>df_data[<span class="st">'HasBsmt'</span>] <span class="op">=</span> <span class="dv">0</span> </span>
<span id="cb31-3"><a href="#cb31-3" aria-hidden="true" tabindex="-1"></a>df_data.loc[df_data[<span class="st">'TotalBsmtSF'</span>]<span class="op">></span><span class="dv">0</span>,<span class="st">'HasBsmt'</span>] <span class="op">=</span> <span class="dv">1</span></span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb32"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb32-1"><a href="#cb32-1" aria-hidden="true" tabindex="-1"></a>df_data.loc[df_data[<span class="st">'HasBsmt'</span>] <span class="op">==</span> <span class="dv">1</span>,<span class="st">'TotalBsmtSF'</span>] <span class="op">=</span> np.log(df_data[<span class="st">'TotalBsmtSF'</span>])</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<div class="sourceCode cell-code" id="cb33"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb33-1"><a href="#cb33-1" aria-hidden="true" tabindex="-1"></a>sns.distplot(df_data[df_data[<span class="st">'TotalBsmtSF'</span>] <span class="op">></span> <span class="dv">0</span>][<span class="st">'TotalBsmtSF'</span>], fit <span class="op">=</span> norm)<span class="op">;</span></span>
<span id="cb33-2"><a href="#cb33-2" aria-hidden="true" tabindex="-1"></a>fig <span class="op">=</span> plt.figure()</span>
<span id="cb33-3"><a href="#cb33-3" aria-hidden="true" tabindex="-1"></a>res <span class="op">=</span> stats.probplot(df_data[df_data[<span class="st">'TotalBsmtSF'</span>]<span class="op">></span><span class="dv">0</span>][<span class="st">'TotalBsmtSF'</span>], plot <span class="op">=</span> plt)</span>
<span id="cb33-4"><a href="#cb33-4" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</section>
<section id="en-búsqueda-de-la-homocedasticidad" class="level3">
<h3 class="anchored" data-anchor-id="en-búsqueda-de-la-homocedasticidad">9.5.2 En búsqueda de la homocedasticidad</h3>
<p>El mejor método para probar la homocedasticidad para dos variables métricas es de forma gráfica. Las desviaciones de una dispersión uniforme se muestran mediante formas tales como conos (pequeña dispersión a un lado del gráfico, gran dispersión en el lado opuesto) o diamantes (un gran número de puntos en el centro de la distribución).</p>
<p>Empecemos por ‘SalePrice’ y ‘GrLivArea’.</p>
<div class="sourceCode cell-code" id="cb34"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb34-1"><a href="#cb34-1" aria-hidden="true" tabindex="-1"></a>plt.scatter(df_data[<span class="st">'GrLivArea'</span>], df_data[<span class="st">'SalePrice'</span>], alpha <span class="op">=</span> <span class="fl">0.5</span>)</span>
<span id="cb34-2"><a href="#cb34-2" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Las anteriores versiones de este gráfico de dispersión (antes de las transformaciones logarítmicas), tenían una forma cónica. Como puede apreciarse, el gráfico actual ya no tiene una forma cónica. Tan solo asegurando la normalidad en algunas variables, hemos resuelto el problema de la homocedasticidad.</p>
<p>Ahora vamos a comprobar ‘SalePrice’ con ‘TotalBsmtSF’.</p>
<div class="sourceCode cell-code" id="cb35"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb35-1"><a href="#cb35-1" aria-hidden="true" tabindex="-1"></a>plt.scatter(df_data[df_data[<span class="st">'TotalBsmtSF'</span>] <span class="op">></span> <span class="dv">0</span>][<span class="st">'TotalBsmtSF'</span>], df_data[df_data[<span class="st">'TotalBsmtSF'</span>] <span class="op">></span> <span class="dv">0</span>][<span class="st">'SalePrice'</span>],</span>
<span id="cb35-2"><a href="#cb35-2" aria-hidden="true" tabindex="-1"></a> alpha <span class="op">=</span> <span class="fl">0.5</span>)</span>
<span id="cb35-3"><a href="#cb35-3" aria-hidden="true" tabindex="-1"></a>plt.show()</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
<p>Podemos decir que, en general, la variable ‘SalePrice’ muestra niveles equivalentes de varianza en todo el rango de ‘TotalBsmtSF’.</p>
</section>
<section id="variables-dummy" class="level3">
<h3 class="anchored" data-anchor-id="variables-dummy">9.5.3 Variables dummy</h3>
<p>Finalmente, las variables categóricas, de las que no nos encargamos a lo largo de la sesión, las convertiremos en variables <em>dummy</em>.</p>
<div id="cell-76" class="cell">
<div class="sourceCode cell-code" id="cb36"><pre class="sourceCode python code-with-copy"><code class="sourceCode python"><span id="cb36-1"><a href="#cb36-1" aria-hidden="true" tabindex="-1"></a>df_data <span class="op">=</span> pd.get_dummies(df_data)</span>
<span id="cb36-2"><a href="#cb36-2" aria-hidden="true" tabindex="-1"></a>df_data</span></code><button title="Copy to Clipboard" class="code-copy-button"><i class="bi"></i></button></pre></div>
</div>
</section>
<!-- 7.9 -->
<section id="practice-exercises" class="level2" data-number="9.6">
<h2 data-number="9.6" class="anchored" data-anchor-id="practice-exercises"><span
class="header-section-number">9.6</span> Ejercicios prácticos </h2>
<ol type="1">
<li>Cree un nuevo Notebook.</li>
<li>Guarde el archivo como <strong>Ejercicios_practicos_clase_9.ipynb</strong>.</li>
<li>Asigne un título <strong>H1</strong> con su nombre.</li>
</ol>
<section id="practice-exercise-1" class="level3" data-number="9.6.1">
<h3 data-number="9.6.1" class="anchored" data-anchor-id="practice-exercise-1"><span
class="header-section-number">9.6.1 </span> Ejercicio práctico 1 </h3>
<p>Busque una base de datos en el <a href="https://archive.ics.uci.edu/"><i>UCI Machine Learning Repository</i></a> y realice análisis exploratorio de los datos.</p>
</section>
</main> <!-- /main -->
<script id="quarto-html-after-body" type="application/javascript">
window.document.addEventListener("DOMContentLoaded", function (event) {
const toggleBodyColorMode = (bsSheetEl) => {
const mode = bsSheetEl.getAttribute("data-mode");
const bodyEl = window.document.querySelector("body");
if (mode === "dark") {
bodyEl.classList.add("quarto-dark");
bodyEl.classList.remove("quarto-light");
} else {
bodyEl.classList.add("quarto-light");
bodyEl.classList.remove("quarto-dark");
}
}
const toggleBodyColorPrimary = () => {
const bsSheetEl = window.document.querySelector("link#quarto-bootstrap");
if (bsSheetEl) {
toggleBodyColorMode(bsSheetEl);
}
}
toggleBodyColorPrimary();
const icon = "";
const anchorJS = new window.AnchorJS();
anchorJS.options = {
placement: 'right',
icon: icon
};
anchorJS.add('.anchored');
const isCodeAnnotation = (el) => {
for (const clz of el.classList) {
if (clz.startsWith('code-annotation-')) {
return true;
}
}
return false;
}
const clipboard = new window.ClipboardJS('.code-copy-button', {
text: function (trigger) {
const codeEl = trigger.previousElementSibling.cloneNode(true);
for (const childEl of codeEl.children) {
if (isCodeAnnotation(childEl)) {
childEl.remove();
}
}
return codeEl.innerText;
}
});
clipboard.on('success', function (e) {
// button target
const button = e.trigger;
// don't keep focus
button.blur();
// flash "checked"
button.classList.add('code-copy-button-checked');
var currentTitle = button.getAttribute("title");
button.setAttribute("title", "Copied!");
let tooltip;
if (window.bootstrap) {
button.setAttribute("data-bs-toggle", "tooltip");
button.setAttribute("data-bs-placement", "left");
button.setAttribute("data-bs-title", "Copied!");
tooltip = new bootstrap.Tooltip(button,
{
trigger: "manual",
customClass: "code-copy-button-tooltip",
offset: [0, -8]
});
tooltip.show();
}
setTimeout(function () {
if (tooltip) {
tooltip.hide();
button.removeAttribute("data-bs-title");
button.removeAttribute("data-bs-toggle");
button.removeAttribute("data-bs-placement");
}
button.setAttribute("title", currentTitle);
button.classList.remove('code-copy-button-checked');
}, 1000);
// clear code selection
e.clearSelection();
});
function tippyHover(el, contentFn) {
const config = {
allowHTML: true,
content: contentFn,
maxWidth: 500,
delay: 100,
arrow: false,
appendTo: function (el) {
return el.parentElement;
},
interactive: true,
interactiveBorder: 10,
theme: 'quarto',
placement: 'bottom-start'
};
window.tippy(el, config);
}
const noterefs = window.document.querySelectorAll('a[role="doc-noteref"]');
for (var i = 0; i < noterefs.length; i++) {
const ref = noterefs[i];
tippyHover(ref, function () {
// use id or data attribute instead here
let href = ref.getAttribute('data-footnote-href') || ref.getAttribute('href');
try { href = new URL(href).hash; } catch { }
const id = href.replace(/^#\/?/, "");
const note = window.document.getElementById(id);
return note.innerHTML;
});
}
let selectedAnnoteEl;
const selectorForAnnotation = (cell, annotation) => {
let cellAttr = 'data-code-cell="' + cell + '"';
let lineAttr = 'data-code-annotation="' + annotation + '"';
const selector = 'span[' + cellAttr + '][' + lineAttr + ']';
return selector;
}
const selectCodeLines = (annoteEl) => {
const doc = window.document;
const targetCell = annoteEl.getAttribute("data-target-cell");
const targetAnnotation = annoteEl.getAttribute("data-target-annotation");
const annoteSpan = window.document.querySelector(selectorForAnnotation(targetCell, targetAnnotation));
const lines = annoteSpan.getAttribute("data-code-lines").split(",");
const lineIds = lines.map((line) => {
return targetCell + "-" + line;
})
let top = null;
let height = null;
let parent = null;
if (lineIds.length > 0) {
//compute the position of the single el (top and bottom and make a div)
const el = window.document.getElementById(lineIds[0]);
top = el.offsetTop;
height = el.offsetHeight;
parent = el.parentElement.parentElement;
if (lineIds.length > 1) {
const lastEl = window.document.getElementById(lineIds[lineIds.length - 1]);
const bottom = lastEl.offsetTop + lastEl.offsetHeight;
height = bottom - top;
}
if (top !== null && height !== null && parent !== null) {
// cook up a div (if necessary) and position it
let div = window.document.getElementById("code-annotation-line-highlight");
if (div === null) {
div = window.document.createElement("div");
div.setAttribute("id", "code-annotation-line-highlight");
div.style.position = 'absolute';
parent.appendChild(div);
}
div.style.top = top - 2 + "px";
div.style.height = height + 4 + "px";
let gutterDiv = window.document.getElementById("code-annotation-line-highlight-gutter");
if (gutterDiv === null) {
gutterDiv = window.document.createElement("div");
gutterDiv.setAttribute("id", "code-annotation-line-highlight-gutter");
gutterDiv.style.position = 'absolute';
const codeCell = window.document.getElementById(targetCell);
const gutter = codeCell.querySelector('.code-annotation-gutter');
gutter.appendChild(gutterDiv);
}
gutterDiv.style.top = top - 2 + "px";
gutterDiv.style.height = height + 4 + "px";
}
selectedAnnoteEl = annoteEl;
}
};
const unselectCodeLines = () => {
const elementsIds = ["code-annotation-line-highlight", "code-annotation-line-highlight-gutter"];
elementsIds.forEach((elId) => {
const div = window.document.getElementById(elId);
if (div) {
div.remove();
}
});
selectedAnnoteEl = undefined;
};
// Attach click handler to the DT
const annoteDls = window.document.querySelectorAll('dt[data-target-cell]');
for (const annoteDlNode of annoteDls) {
annoteDlNode.addEventListener('click', (event) => {
const clickedEl = event.target;
if (clickedEl !== selectedAnnoteEl) {
unselectCodeLines();
const activeEl = window.document.querySelector('dt[data-target-cell].code-annotation-active');
if (activeEl) {
activeEl.classList.remove('code-annotation-active');
}
selectCodeLines(clickedEl);
clickedEl.classList.add('code-annotation-active');
} else {
// Unselect the line
unselectCodeLines();
clickedEl.classList.remove('code-annotation-active');
}
});
}
const findCites = (el) => {
const parentEl = el.parentElement;
if (parentEl) {
const cites = parentEl.dataset.cites;
if (cites) {
return {
el,
cites: cites.split(' ')
};
} else {