Análisis de datos para tu primer árbol de decisión

Una forma más rapida de hacerlo es con lambda

Layla Scheli

Profesor

Excelente Felix, las funciones lambda son muy utiles :)

Alvaro Isaías Acuña

igual puede ser así: titanic['Sex'] = titanic['Sex'].apply(lambda x:1 if x=='male' else 0)

Antonio Demarco Bonino

Yo lo resolví en una sola línea de código:

data['Sex'] = data['Sex'].map({'male': 1, 'female': 0})

Me dio este resultado

Leandro Tenjo

¿No es más descriptivo dejar la variables con nombre Sex_male? … De esa forma sabemos inmediatamente a que se refiere el 1 y 0 sin hacer suposiciones o depender de la documentación

Layla Scheli

Profesor

Hola Leandro, si podria hacerse tmb :) depende de lo que a vos te parezca mas claro! pero si tmb aplicaria. Un saludo!

Arazani Balcazar Martínez

Un análisis exploratorio de datos (EDA) implica el uso de gráficos o visualizaciones para explorar y analizar un conjunto de datos donde el objetivo es explorar, investigar y aprender mediante clasificaciones en subgrupos que hacen el análisis mas sencillo.

Un numpy.dtypes describe cómo deben interpretarse los bytes en el bloque de memoria de tamaño fijo correspondiente a un elemento de matriz.

Mientras un .head() devuelve una serie de valores seleccionados desde el principio .

Layla Scheli

Profesor

Gracias Arazani, por tu aportacion :)

Rodrigo Consuelos

También se puede hacer:

df = pd.get_dummies(df,columns=["Sex"],drop_first=True).astype(int

Nestor Ramirez

No me atribuyo la idea porque no se me ocurrio a mi, pero por aprendi que con los nombres podrias extraer los apellidos y de repente poder clasificar si al pertenecer a cierta familia tu probabilidad de sobrevivir, que tu creatividad sea tu limite, siempre veras que hay muchas maneras de resolverlo

Layla Scheli

Profesor

Gracias Nestor por tu aporte! :) muy interesante! continua avanzando :)

Julián Cárdenas

Ve super interesante ese dato!!

Iván Roberto Rivas Celeita

Siempre lo mejor queda de último: usar jupyter-notebook

Layla Scheli

Profesor

Gracias por tus palabras Ivan :)

Angelo Augusto Gallici Aquino

No es el objetivo analizar el Fare pero si esta bueno conocer que existen 15 valores que son = 0 .

# Filtra las filas donde 'Fare' es igual a cerovalores_cero = df_copy[df_copy['Fare'] == 0]

# Imprime la cantidad de valores y la información de 'Pclass'

print("Cantidad de valores igual a cero en 'Fare':", len(valores_cero),"\n")

print("Información de 'Pclass' para esos valores:\n")

print(valores_cero[['Pclass', 'Fare']])

Cantidad de valores igual a cero en 'Fare': 15

Información de 'Pclass' para esos valores:

Pclass Fare 178 3 0.0 261 1 0.0 269 3 0.0 275 2 0.0 300 3 0.0 411 2 0.0 463 2 0.0 478 2 0.0 594 3 0.0 630 1 0.0 671 2 0.0 728 2 0.0 802 1 0.0 811 1 0.0 818 1 0.0

Miguel Angel Herrera Chavez

Si les sale error en el gráfico, puede deberse a que hay que decirle a barplot cuál es el eje X y cuál es el eje Y del gráfico, quedando de esta manera el código:

#Verificamos el feature importances
import seaborn as sns

importances = tree.feature_importances_
columns = X.columns
sns.barplot(x=columns,y=importances, palette = 'bright', saturation = 2.0, edgecolor = 'black', linewidth = 2)
plt.title('Importancia de cada Feature')
plt.show()

David Duque Uribe

¿Para este problema de predecir la supervivencia también podría trabajarse con una regresión logísticas?

Miguel Augusto Gutierrez Ochoa

Si David, los arboles de decision y regresion logistica se pueden usar para clasificación

Nestor Ramirez

O K-neihgbords, Random Forest que puede ser mejor que Decission Trees que puede llegar a tener sobreajuste. Lo mas importante es que sepas que tipo de problema quieres reselvor y cuando evalues los modelos los resultados que tienes y cual resuelve mejor tu problema.

Mas alla de un buen o mal modelo depende lo que buscas resolver.

Diego Mauricio Zuluaga Rodríguez

Hace 3 meses

¿Puedo usar datos categóricos directamente aquí?

No directamente si estás utilizando la implementación estándar de scikit-learn. Los algoritmos matemáticos detrás de esta librería requieren que todas las entradas sean números. Si tienes columnas con texto, como Color (Rojo, Azul, Verde), debes transformarlas durante tu fase de análisis. La técnica más común es el One-Hot Encoding, que crea nuevas columnas binarias (0 o 1) para cada categoría, o el Label Encoding, que asigna un número entero a cada clase. Al hacer esta conversión, le traduces el mundo real al algoritmo en el único idioma que entiende: las matemáticas.

Ximena Ruiz de la peña Capitaine

¿Por qué el cambio de tipo de datos con "get_ dummies" realiza el cambio de nombre en la variable Sex?

Layla Scheli

Profesor

Hola, eso es algo opcional, podes hacerlo o no. Realmente no hay demasiado tema con eso :)

Oscar David Bocanegra Capeara

Esto se debe a que lso modelos de machine learning solo pueden trabajar con datos numéricos, y get_dummies lo que hace es transformar variables categóricas en un formato numérico que los algoritmos pueden entender y procesar.

Jorge Fernando De Los Rios De Los Rios

Hace 6 meses

Cómo ha estado?

Tengo una inquietud, ¿por qué razón antes de cambiar los tipos de datos no se entro a revisar la calidad de estos? por ejemplo, ver si hay datos faltantes.

Sebastián Franco

Las columnas del dataset son:

Survived: Booleano, 1 para sobrevivió, 0 para no
PClass: La Passenger Class, categórica, {1, 2, 3}
Name: El nombre del pasajero
Sex: El sexo del pasajero, categórica, {male, female}
Age: La edad del pasajero, numérica
Siblings/Spouses Aboard: La cantidad de hermanos o parejas en el barco, numérica
Parents/Children Aboard: La cantidad de padres o hijos en el barco, numérica
Fare: El precio del tiquete, numérica

Ahora se hará un poco de limpieza en el dataset


\# Show original dataset

titanic.head(10)

\# Remove columns

cols\_to\_drop = \["Name", "Fare"]

titanic.drop(cols\_to\_drop, axis="columns", inplace=True)

\# Rename columns

titanic.columns = \["Survived", "Pclass", "Sex", "Age", "SibSp", "ParCh"]

titanic.head()

titanic.shape

\# (887, 6)

titanic.dtypes

\# Survived      int64

\# Pclass        int64

\# Sex          object

\# Age         float64

\# SibSp         int64

\# ParCh         int64

\# dtype: object

\# Convert to categorical type

titanic = pd.get\_dummies(titanic, columns=\["Sex"], drop\_first=True)

\# Rename Column

titanic.rename(columns = {"Sex\_male" : "Sex"}, inplace=True)

\# Reorder columns

titanic = titanic\[\["Survived", "Pclass", "Sex", "Age", "SibSp", "ParCh"]]

Si alguien tiene curiosidad del pd.get_dummies, esto lo que hace es crear una columna por cada categoría (un one hot encoding), en este caso, al ser male y female, crea 2, una con 1 cuándo hay male, y otra con 1 cuándo hay female; esto es redundante, al hacer drop_first se asegura que sólo se sostendrá una. Este es un buen truco para variables binarias, para categóricas habría que usar pd.Categorical

Juan Acevedo

Les dejo como yo hice el mapeo de la categórica

Mario Alexander Vargas Celis

Aquí tienes un análisis básico de los datos antes de construir tu primer árbol de decisión. Usaremos el dataset Iris como ejemplo, que es ideal para comenzar porque:

Es pequeño y limpio.
Tiene 150 observaciones.
Tiene 4 características numéricas.
Su objetivo (target) es predecir el tipo de flor (Setosa, Versicolor o Virginica).

🔍 1. Cargar y entender los datos

from sklearn.datasets import load_iris import pandas as pd

iris = load_iris() X = pd.DataFrame(iris.data, columns=iris.feature_names) y = pd.Series(iris.target, name='species')

X['species'] = y X.head()

Salida esperada (primeras filas):

sepal length (cm)sepal width (cm)petal length (cm)petal width (cm)species5.13.51.40.204.93.01.40.20...............

species: 0 = Setosa, 1 = Versicolor, 2 = Virginica

📊 2. Estadísticas descriptivas

X.describe()

Esto te dará un resumen de los valores mínimos, máximos, medias, etc. Sirve para:

Ver si hay valores extremos (outliers).
Ver si las escalas son muy distintas.
Observar la distribución de cada variable.

📈 3. Distribución de clases

import matplotlib.pyplot as plt import seaborn as sns

sns.countplot(x='species', data=X) plt.title('Distribución de clases') plt.xticks([0, 1, 2], iris.target_names) plt.show()

🔗 4. Correlaciones

sns.heatmap(X.drop('species', axis=1).corr(), annot=True, cmap='coolwarm') plt.title('Matriz de correlación') plt.show()

Esto ayuda a ver qué características están más relacionadas entre sí.

🧠 5. Observaciones clave

Setosa es fácil de separar por su pétalo corto y delgado.
Las clases Versicolor y Virginica son más parecidas.
Las características más importantes suelen ser el largo y ancho del pétalo.

Diego Andrés Rojas Pinzón

Y la otra pregunta seria: En el escenario del sexo donde se usa el one hot encoding o el get_dummies, afecta a mi modelo si uso en vez de el replace: df['Sex'].replace(to_replace='Male', value=1, inplace=True) df['Sex'].replace(to_replace='Female', value=0, inplace=True)

Layla Scheli

Profesor

Hola Diego, no deberia, dado que simplemente es otra tecnica de llegar al mismo resultado! :)

Diego Andrés Rojas Pinzón

Una pregunta que llevo desde el curso anterior, No deberia cambiar el Age de Float64 a un int64 ya que la edad es un entero, no ? es decir yo no tengo 22.44 años, yo tengo 22 años, esto afecta mucho el modelo, si hago ese cambio o es mejor dejar la edad en float. 5:30 esta los tipos de datos del DataSet

Layla Scheli

Profesor

Hola Diego a fines practicos, no afecta. Pero si se podria hacer perfectamente :)

Isaac Bryan Ascanoa Roncall

Interesante este desarrollo del proyecto. Si que estoy aprendiendo algo.

Layla Scheli

Profesor