Tipos de datos y análisis de variables

Contenido del curso

Introducción al análisis exploratorio de datos

Análisis univariado

Análisis bivariado

Análisis multivariado

Conclusiones

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:003:45

Tipos de datos y análisis de variables

Curso de Análisis Exploratorio de Datos

Clase 4 de 28

Clase 4 / 28

Juan Pablo García Chávez

Hace 4 meses

Tipos de datos y tipos de análisis

1.-4 Palabras clave

Categóricos
Numéricos
Univariado
Bivariado / multivariado

2.-4 Preguntas

¿Cómo se clasifican los datos en grandes categorías?
¿Cuál es la diferencia entre datos ordinales y nominales?
¿Qué diferencia hay entre datos discretos y continuos?
¿Qué analiza el enfoque univariado, bivariado y multivariado?

3.-Notas completas del tema

A) Dos grandes grupos de datos

Los datos se pueden dividir en:

Cualitativos o categóricos
Cuantitativos o numéricos

Esta clasificación ayuda a decidir qué tipo de análisis aplicar.

B) Datos categóricos

Se dividen en dos subtipos:

Nominales
- No tienen orden natural.
- Ejemplos:
  - género,
  - sabor,
  - textura,
  - categoría de película.
Ordinales
- Tienen un orden lógico o natural.
- Ejemplos:
  - nivel de estudios,
  - días de la semana,
  - categorías ordenadas.

C) Datos numéricos

Se dividen en:

Discretos
- Toman valores enteros o contables.
- Ejemplos:
  - número de amigos,
  - número de hijos,
  - cantidad de objetos.
Continuos
- Pueden tomar valores dentro de un rango.
- Ejemplos:
  - altura,
  - peso,
  - temperatura,
  - longitud,
  - volumen.

D) Una variable puede interpretarse de formas distintas

Dependiendo del contexto, un dato numérico puede analizarse como:

continuo,
o discretizado.

Ejemplo:

una calificación puede medirse con decimales,
o puede redondearse a enteros según la institución o el análisis.

E) Tipos de análisis

Univariado
- Analiza una sola variable.
- Sirve para entender su comportamiento individual.
Bivariado
- Analiza dos variables a la vez.
- Busca relaciones entre ellas.
Multivariado
- Analiza varias variables en conjunto.
- Permite estudiar interacciones más complejas.

F) Importancia del orden de análisis

Conviene empezar por lo univariado porque:

permite entender cada variable por separado,
da un primer insight,
facilita luego analizar relaciones más complejas.

4.-Código necesario

import pandas as pd
import numpy as np

# ==========================================================
# Dataset de ejemplo
# ==========================================================
df = pd.DataFrame({
    "genero": ["F", "M", "F", "F", "M"],
    "nivel_estudios": ["Licenciatura", "Preparatoria", "Posgrado", "Secundaria", "Licenciatura"],
    "edad": [21, 25, 30, 19, 28],
    "peso": [55.2, 70.5, 60.0, 48.3, 74.1],
    "amigos": [3, 5, 2, 4, 6]
})

print("== DataFrame ==")
print(df)

# ==========================================================
# Ejercicio 1/2: Clasificar variables
# ==========================================================
print("\n--- Ejercicio 1/2: tipos de variables ---")

categoricas = ["genero", "nivel_estudios"]
numericas = ["edad", "peso", "amigos"]

print("Categóricas:", categoricas)
print("Numéricas:", numericas)

# Subtipos
nominales = ["genero"]
ordinales = ["nivel_estudios"]
discretas = ["edad", "amigos"]
continuas = ["peso"]

print("Nominales:", nominales)
print("Ordinales:", ordinales)
print("Discretas:", discretas)
print("Continuas:", continuas)

# ==========================================================
# Ejercicio 2/2: Univariado, bivariado y multivariado
# ==========================================================
print("\n--- Ejercicio 2/2: tipos de análisis ---")

# Univariado
print("\nResumen univariado de variables numéricas:")
print(df[numericas].describe())

for col in categoricas:
    print(f"\nFrecuencias de {col}:")
    print(df[col].value_counts())

# Bivariado
print("\nRelación edad vs peso:")
print(df[["edad", "peso"]].corr())

print("\nPromedio de edad por género:")
print(df.groupby("genero")["edad"].mean())

# Multivariado
print("\nVista combinada simple:")
print(df.groupby(["genero", "nivel_estudios"])["peso"].mean())

4.- Mapa conceptual

Datos
 |
 +--> Cualitativos / Categóricos
 |       +--> Nominales
 |       +--> Ordinales
 |
 +--> Cuantitativos / Numéricos
         +--> Discretos
         +--> Continuos

Tipos de análisis
 |
 +--> Univariado
 +--> Bivariado
 +--> Multivariado

5.-Pequeño resumen

Los datos pueden clasificarse en categóricos y numéricos, y dentro de ellos en subtipos como nominales, ordinales, discretos y continuos. Según el objetivo, puedes aplicar análisis univariado, bivariado o multivariado. Empezar por una variable a la vez ayuda a comprender mejor el comportamiento individual antes de estudiar relaciones más complejas.

Comentarios (24)24 comentarios

Jeinfferson Bernal G

Hace 4 años

Ruddy Ramos

Victor Jean Pierre Mandujano Gutierrez

Hace 3 años

María Eugenia Pereira Chévez

Jesus Sulbaran

Luis Fernandez

Sebastián Felipe Olmos Núñez

Jhon Freddy Tavera Blandon

Nathalia Riquelme

Pablo Alejandro Figueroa

Naren Fragozo

Alejandra Vanessa Solís López

Javier Orlando Herrera Rodríguez

Marlon Marin

Victor Matias Marquez

Hace un año

Gabriel Obregón

Hace 2 años

Juan Felipe Rojas Muñoz

Andyno Cortez

Isaac Bryan Ascanoa Roncall

Introducción al análisis exploratorio de datos

¿Qué es y para qué sirve el análisis exploratorio de datos?

¿Cómo hacer un análisis exploratorio de datos?

Tipos de análisis de datos

Tipos de datos y análisis de variables

Herramientas de software para el análisis exploratorio de datos

Conociendo nuestros datos: palmerpenguins

Recolección de datos, limpieza y validación

Ejercicio de validación de datos

Análisis univariado

Explorando una variable categórica: conteos y proporciones

Estadística descriptiva aplicada: medidas de tendencia central

Estadística descriptiva aplicada: medidas de dispersión

Ejercicio de obtención de medidas de dispersión

Estadística descriptiva aplicada: distribuciones

Estadística descriptiva aplicada: funciones de densidad de probabilidad

Bonus: Teorema del límite central

Análisis bivariado

Estableciendo relaciones: gráficos de puntos

Estableciendo relaciones: gráficos de violín y boxplots

Estableciendo relaciones: matrices de correlación

Limitantes de los coeficientes de correlación lineal

Estableciendo relaciones: análisis de regresión simple

Limitaciones del análisis de regresión simple

Análisis multivariado

Análisis de regresión múltiple

Visualización del análisis de regresión múltiple

Análisis de regresión logística

Paradoja de Simpson

¿Qué hacer cuando tengo muchas variables?

Conclusiones

Diversidad de gráficas al explorar datos

Continúa aprendiendo sobre EDA

Tipos de datos y análisis de variables

Progreso del curso

Introducción al análisis exploratorio de datos

Análisis univariado

Análisis bivariado

Análisis multivariado

Conclusiones