Módulo 2¶
En este módulo aprenderás a:
Cargar y explorar un dataset con Pandas
Identificar tipos de variables
Detectar y manejar valores faltantes
Eliminar duplicados
Visualizar relaciones entre variables
Dividir datos en entrenamiento y prueba
En proyectos reales de Machine Learning, la mayor parte del trabajo es preparar y entender los datos.
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
1. ¿Qué es un dataset?¶
Un dataset es una tabla compuesta por:
Filas → observaciones (por ejemplo: días, productos, sensores)
Columnas → variables o características (features)
En este módulo trabajaremos con un ejemplo sencillo:
Número de clientes que visitan una tienda
vs
Ventas diarias en dólares
data = {
"Clientes_Visitantes": [10, 20, 30, 35, 40, 50, 55, 60, 70, 80, 90, 100],
"Ventas_Diarias": [200, 250, 270, 300, 320, 400, 420, 450, 500, 550, 600, 650]
}
df = pd.DataFrame(data)
df
2. Exploración inicial del dataset¶
print("Dimensiones del dataset:", df.shape)
print("\nInformación general:")
df.info()
print("\nEstadísticas descriptivas:")
df.describe()
Dimensiones del dataset: (12, 2)
Información general:
<class 'pandas.DataFrame'>
RangeIndex: 12 entries, 0 to 11
Data columns (total 2 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 Clientes_Visitantes 12 non-null int64
1 Ventas_Diarias 12 non-null int64
dtypes: int64(2)
memory usage: 324.0 bytes
Estadísticas descriptivas:
3. Visualización básica¶
plt.figure()
plt.scatter(df["Clientes_Visitantes"], df["Ventas_Diarias"])
plt.xlabel("Clientes Visitantes")
plt.ylabel("Ventas Diarias")
plt.title("Clientes vs Ventas")
plt.show()
4. Manejo de valores faltantes¶
df_missing = df.copy()
df_missing.loc[3, "Ventas_Diarias"] = np.nan
df_missing.loc[8, "Clientes_Visitantes"] = np.nan
df_missing
print("Valores faltantes por columna:")
df_missing.isna().sum()
Valores faltantes por columna:
Clientes_Visitantes 1
Ventas_Diarias 1
dtype: int64Opciones para manejar valores faltantes:¶
Eliminar filas con NaN
Rellenar con promedio (media)
df_drop = df_missing.dropna()
df_fill = df_missing.fillna(df_missing.mean())
print("Después de eliminar filas:")
print(df_drop)
print("\nDespués de rellenar con promedio:")
print(df_fill)
Después de eliminar filas:
Clientes_Visitantes Ventas_Diarias
0 10.0 200.0
1 20.0 250.0
2 30.0 270.0
4 40.0 320.0
5 50.0 400.0
6 55.0 420.0
7 60.0 450.0
9 80.0 550.0
10 90.0 600.0
11 100.0 650.0
Después de rellenar con promedio:
Clientes_Visitantes Ventas_Diarias
0 10.000000 200.000000
1 20.000000 250.000000
2 30.000000 270.000000
3 35.000000 419.090909
4 40.000000 320.000000
5 50.000000 400.000000
6 55.000000 420.000000
7 60.000000 450.000000
8 51.818182 500.000000
9 80.000000 550.000000
10 90.000000 600.000000
11 100.000000 650.000000
5. Eliminar duplicados¶
df_duplicate = pd.concat([df, df.iloc[[2]]], ignore_index=True)
print("Antes de eliminar duplicados:", df_duplicate.shape)
df_unique = df_duplicate.drop_duplicates()
print("Después de eliminar duplicados:", df_unique.shape)
Antes de eliminar duplicados: (13, 2)
Después de eliminar duplicados: (12, 2)
6. Separar datos en entrenamiento y prueba¶
X = df[["Clientes_Visitantes"]]
y = df["Ventas_Diarias"]
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.3, random_state=42
)
print("Tamaño entrenamiento:", X_train.shape)
print("Tamaño prueba:", X_test.shape)
Tamaño entrenamiento: (8, 1)
Tamaño prueba: (4, 1)
7. Resumen del Módulo 2¶
En este módulo aprendiste a:
Explorar datasets con Pandas
Visualizar relaciones entre variables
Manejar valores faltantes
Eliminar duplicados
Dividir datos en entrenamiento y prueba
En el siguiente módulo entrenaremos nuestro primer modelo de Machine Learning: Regresión Lineal.