Explorando una variable categórica: conteos y proporciones
Contenido del curso
Camilo Granda Gómez
Fernando Jesús Núñez Valdez
Santiago Ivan Ordaz Neri
Jhojany Jose Uzategui Araujo
José Alejandro Montes Juarez
Carlos Mazzaroli
Manuel Agustín Barrera
jabes nestor frias martinez
Jeinfferson Bernal G
Daniel de Jesús Martínez Vega
Ignacio Antonio Reyes Toledo
María Eugenia Pereira Chévez
Mario Chavez
Joaquín Alejandro Domínguez Lozano
jhon velasque
Joaquín Alejandro Domínguez Lozano
FELIX DAVID CORDOVA GARCIA
Jeinfferson Bernal G
Andres Sanchez
Jeinfferson Bernal G
Eduardo Hoppenstedt
Profesor
NICOLAS ZAPATA RAMIREZ
Andyno Cortez
Alfonso Andres Zapata Guzman
Alfonso Andres Zapata Guzman
Alfonso Andres Zapata Guzman
Andrés Cardona
Alfonso Andres Zapata Guzman
Fernando Jesús Núñez Valdez
jhon velasque
Nelson Ricardo Ramírez García
Juan Pablo Marin Vanegas
Jeinfferson Bernal G
Eduardo Hoppenstedt
ProfesorAxel Alvarado
¡Hola! Aquí mi aporte.
Del mismo modo, para visualizar la proporción, usé sns.histplot, puesto que displot no dispone del parámetro 'ax'.
Buen código, bro!!
Muy buen aporte compañero, muchas gracias
Dejo un interesante aporte para ver las proporciones de las especies que existen por isla y así visualizar cuál especie es más predominante en general y por isla.
( process_penguins_df .pipe( lambda df: ( sns.displot( data=df, x='island', hue='species', multiple='fill', palette=penguin_color, stat='proportion' ) ) ) )
Me gusta tu aportacion, es facil ver que hay pinguinos que solo se dan en ciertas islas y el Adelie que sale en todos lados jajaja. Estaria bueno ver si el Adelie siempre es el de mayor presencia en cada isla
fig,ax = plt.subplots(1,3,figsize=(15,5)) for i in range(len(columns)): sns.histplot( ax=ax[i], data=penguins_df, x=columns[i], hue='species', multiple='stack', palette=penguin_color, alpha=0.5 )
columns = penguins_df.select_dtypes('object').columns fig,ax = plt.subplots(1,3,figsize=(15,5)) for i in range(len(columns)): sns.histplot( ax=ax[i], data=penguins_df.add_column('x','').reset_index(), x='x', multiple='stack', hue=columns[i], palette=penguin_color if columns[i] == 'species' else None, alpha=0.5 )
Gran aporte!
me gusta usar el plt.show() al final de cada visualizacion hace que se vea mas limpio.
x2
También se puede hacer escribiendo un ; en la linea donde creas la gráfica, igualmente la buena práctica es usar plt.show()
Aquí dejo mi gráfica de pastel ^^. Espero les guste
Si se les presento error al agregar la columna.
penguins_df_final.add_column(column_name="x", value='')
Use .assign(x=’ '), la librería pandas se acuatizo y ya no usa add_colums
No sé si sea mi versión de python o pandas pero a mí me aparece cómo que no existe el método pandas.add_column, revisé la documentación y tampoco aparece, solo encontre pandas.assign que es para agregar nuevas columnas a un Data Frame. RECUERDEN, SIEMPRE LEAN LA DOCUMENTACIÓN
llegaste a solucionar el problema tengo el mismo ?
usar .assign() es lo correcto, más adelante en el curso tambien lo ocupa. Solo debes desempaquetar un diccionario:
( df .assign( **{'x': '',} ) .pipe( lambda df: () ) )
Gráfica de especies por sexo y por isla
Comandos para conteos y proporciones
preprocessed_penguins_df.describe(include='all') # all implica que tome las variables tanto numericas como categoricas # [np.number] ó describe() toma en cuenta solo variables numericas # object considera solo variables categoricas
# definir variables de tipo category ( preprocessed_penguins_df .astype({ 'species': 'category', 'island': 'category', 'sex': 'category' }) )
( preprocessed_penguins_df .species .value_counts() #cuenta el numero de cada especie .plot( kind='bar' #grafica el conteo de cada especie ) )
sns.catplot( data=preprocessed_penguins_df, x='species', kind='count', palette=penguin_color )
( preprocessed_penguins_df .value_counts('species', sort=True) .reset_index(name='count') .pipe( lambda df: ( sns.barplot( data=df, x='species', y='count', palette=penguin_color ) ) ) )
( preprocess_penguins_df .add_column('x','') #añade columnas vacias al df .pipe( lambda df:( sns.displot( data=df, x='x', hue='species', multiple='fill', # lo muestre en proporcion palette=penguin_color ) ) ) )
9. Explorando una variable categórica: conteos y proporciones
Tabulación
“Contabiliza la frecuencia de aparición de cada valor único de una variable”
Proporciones
“Relación de correspondencia entre las partes y el todo”
Extendiendo la idea de conteo
Explorando una variable Categórica: Conteos y Proporciones
Tabulacion. Consiste en contabilizar la frecuencia de aparición de cada valor único de una variable. Los conteos y proporciones se basan en la tabulacion
!
Estas tres formas son las mas comunes de presentar un conteo: Datos ordenados, Tablas y Grafica de barras
Proporciones. Es la relación de correspondencia entre las partes y el todo
!
Así la distribución de observaciones por Isla:
Este es mi aporte, un grafico de tortas o pie chart que permite ver la proporción de pingüinos por isla:
En cursos anteriores dicen que es la mejor forma de mostrar porcentajes cuando no son muchas categoria, y la verdad que si es mucho mas intuitivo.
Hay un error en el notebook del curso dejado en deepnote, en la variable de colores de los pinguinos:
penguin_color = { 'Adelie': '#ff6602ff', 'Gentoo': '#0f7175ff', 'Chinstrap': '#c65dc9ff' }
Tienen 'ff' al final todos los colores, lo cual no genera ningun color, se debe eliminar estos dos caracteres para que funcione.
px.histogram(processed_penguins_df, x='species', color='species', opacity=0.8, color_discrete_map= penguin_color)
processed_penguins_df.add_column('x', '').pipe( lambda df: (px.histogram(df, x='x', color='species', opacity=0.8, color_discrete_map=penguin_color)) )```
Diferencia entre hacer:
processed_penguins_df['species'].value_counts()
y
processed_penguins_df.species.value_counts()
Se que ambos dan el mismo resultado, pero en el curso anterior de Analisis exploratorio de datos, la instructora indico que ella preferia hacerlo de la primera manera indicada ya que como que permitia otras cosas y que tambien con la segunda opcion podia no resultar claro al hacer uso de clases.
Se que se acostumbra es usar la primera, pero queria saber si hay ventajas de la segunda por sobre la primera.
Cuando el nombre de la columna (variable) es una sola palabra no hay diferencia entre los dos, pero cuando el nombre de la columna son dos palabras separadas por un espacio (ejemplo: "salario anual") lo debes hacer por paréntesis rectos df['salario anual'].
Cuales son las cosas interesantes que permite hacer python cuando volvemos convertimos nuestras variables a tipo 'category'?
Esta es la documentacion del tipo de dato category
Resumen
The categorical data type is useful in the following cases:
Si alguien tuvo problema con el comando add_colums de esta manera losolucione :
df_penguis=df_penguis.assign(x='') ( df_penguis .pipe( lambda df :( sns.displot( data =df_penguis, x='x', hue='species', multiple='fill' ) ) ) ) plt.show()
**NOTA también lo puedes agregar la columna en una celda anterior **
df_penguis=df_penguis.assign(x='')
( df_penguis .pipe( lambda df :( sns.displot( data =df_penguis, x='x', hue='species', multiple='fill' ) ) ) ) plt.show()```
¡Muchas gracias por tu aporte! 🙂👍
Confirmo. Este es el ajuste correcto.
Gracias
Proporcion de la variable island
Conteo de la variable island
Ojo, en inglés "Especie" se escribiría "species" con s al final. Hay un typo en esas slides.
Use .assign(x=' ') Instead of add_column for new python versions
