Recuerden que para que corra bien
%run download-data-and-load-it.ipynb
se necesita tener el archivo cargado en los files
Recuerden que para que corra bien
%run download-data-and-load-it.ipynb
se necesita tener el archivo cargado en los files
Estoy usando la plantilla de Data Science que aprendimos en el curso de área de trabajo. Estoy poniendo los notebooks del profesor en la carpeta de reports y el modulo para extender pandas con Missing en en la carpeta module, dentro de utils.
Para llamar a los archivos con %run solo necesité poner la ruta
%run ../reports/download-data-and-load-it.ipynb

¿Soy el único que usando deepnote, a veces la primera celda (de importar librerias) no carga? Me manda a instalar a través de !pip install ... Sin embargo, deteniendo la maquina y volviendolo a prender funciona con normalidad.
Hay algún repositorio para correr los archivos de manera local? Deepnote hace todo innecesariamente complejo, para que hay cursos de creación de ambientes locales, git y demás, y mantener a los usuarios anclados a una plataforma anti-intuitiva y con un ux tan desagradable como Deepnote
Para visualizar y eliminar valores faltantes en un conjunto de datos usando **Python** y **Pandas**, puedes seguir estos pasos:
### 1. **Visualización de valores faltantes:**
#### a) Usar isnull() o isna() para detectar valores faltantes:
import pandas as pd
\# Crear un DataFrame de ejemplo
df = pd.DataFrame({
  'A': \[1, 2, None, 4],
  'B': \[None, 2, 3, 4],
  'C': \[1, None, None, 4]
})
\# Visualizar dónde hay valores faltantes (True si falta el valor)
print(df.isnull())
#### b) Contar valores faltantes por columna:
\# Contar los valores faltantes por columna
print(df.isnull().sum())
#### c) Visualización gráfica con **Seaborn**:
import seaborn as sns
import matplotlib.pyplot as plt
\# Visualizar el mapa de calor de los valores faltantes
sns.heatmap(df.isnull(), cbar=False, cmap='viridis')
plt.show()
### 2. **Eliminar valores faltantes:**
#### a) Eliminar filas con valores faltantes:
\# Eliminar filas que tengan algún valor faltante
df\_cleaned = df.dropna()
print(df\_cleaned)
#### b) Eliminar columnas con valores faltantes:
\# Eliminar columnas que tengan algún valor faltante
df\_cleaned\_columns = df.dropna(axis=1)
print(df\_cleaned\_columns)
### 3. **Rellenar valores faltantes (opcional):**
Si en lugar de eliminar, prefieres rellenar los valores faltantes con una estrategia de imputación:
#### a) Rellenar con un valor constante (ej. 0 o la media):
\# Rellenar valores faltantes con 0
df\_filled = df.fillna(0)
print(df\_filled)
\# Rellenar con la media de la columna
df\_filled\_mean = df.fillna(df.mean())
print(df\_filled\_mean)
si tienen el error de axis(b=False) o relacionado se soluciona ingresando a missingno.py
y lo cambian por axis(visible=False)
deben ser 3 ocurrencias
La linea de codigo
%run name.ipynb
permite correr el notebook name dentro de otro. Muy util!
Esto de la separacion(modularizacion) ayuda bastante. En el anterior curso tenia ese problema de que se acumulaba bastante codigo y costaba un poco mas tener que correr un bloque para que ejecute otro.
Para quienes están llevando el curso en VSCode utilizando conda como ambiente virtual, si les aparece el error:
ValueError: keyword grid_b is not recognized;
seguramente es por que tienen instalada la versión 0.4.2 de la librería missingno
Para solucionar el error solo deben:
Espero este aporte les sea de ayuda! 💚


David Gonzalez
Recuerden que para que corra bien
%run download-data-and-load-it.ipynb
se necesita tener el archivo cargado en los files
Diego Cesar Lerma Torres
Estoy usando la plantilla de Data Science que aprendimos en el curso de área de trabajo. Estoy poniendo los notebooks del profesor en la carpeta de reports y el modulo para extender pandas con Missing en en la carpeta module, dentro de utils.
Para llamar a los archivos con %run solo necesité poner la ruta
%run ../reports/download-data-and-load-it.ipynb
Victor Matias Marquez
Muy bueno! Eso es lo que quiero hacer! Ya voy a repsar ese curso para hacerlo. Te hago una consulta, en VS Code, es un poco mas lento? bah, en realidad eso depende de la PC de cada uno. Yo tengo una muy berreta
Diego Cesar Lerma Torres
En respuesta a lo que dijo Víctor: Fíjate que yo tengo una compu chiquita y una PC grande Windows que me daba muchos problemas (incluso con la versión de windows 11 para Workstation).
Lo que hice fue migrar al sistema operativo ZorinOS, que es una distribución de Linux para PC que se asemeja muchísimo a windows y a macOS, pero con mejoras importantes en rendimiento.
Y a mi laptop chiquita, que tiene un procesador i5 de tercera generación y no tiene tarjeta RAM, le instalé Linux Mint XFCE y me va perfecto (nunca pensé que le podría dar una segunda vida a esa compu)
Vale la pena que lo intentes, para que mejores tu rendimiento, de paso repasas y te acostumbras a tener la terminal disponible (que es un disfrute, sinceramente) y te adaptas mejor al mercado laboral.
Yonatan Efraín Jara Boza
¿Soy el único que usando deepnote, a veces la primera celda (de importar librerias) no carga? Me manda a instalar a través de !pip install ... Sin embargo, deteniendo la maquina y volviendolo a prender funciona con normalidad.
Leandro Tenjo
Me pasa también, es muy molesto.
Cristian Eduardo Najera Leal
Hay algún repositorio para correr los archivos de manera local? Deepnote hace todo innecesariamente complejo, para que hay cursos de creación de ambientes locales, git y demás, y mantener a los usuarios anclados a una plataforma anti-intuitiva y con un ux tan desagradable como Deepnote
Pablo Alejandro Figueroa
Tal cual...!!
Mario Alexander Vargas Celis
Paolo Joaquin Pinto Perez
para los que hacen con vscode
si tienen el error de axis(b=False) o relacionado se soluciona ingresando a missingno.py
y lo cambian por axis(visible=False)
deben ser 3 ocurrencias
Jeinfferson Bernal G
La linea de codigo
%run name.ipynb
permite correr el notebook name dentro de otro. Muy util!
Paolo Joaquin Pinto Perez
Esto de la separacion(modularizacion) ayuda bastante. En el anterior curso tenia ese problema de que se acumulaba bastante codigo y costaba un poco mas tener que correr un bloque para que ejecute otro.
Paola Alapizco
Para quienes están llevando el curso en VSCode utilizando conda como ambiente virtual, si les aparece el error:
ValueError: keyword grid_b is not recognized;
seguramente es por que tienen instalada la versión 0.4.2 de la librería missingno
Para solucionar el error solo deben:
Espero este aporte les sea de ayuda! 💚
Pablo Alejandro Figueroa
Recuento de valores faltantes
Eliminar las filas (aka observaciones) en las cuales todos (all) los elementos del subset (conjunto) sean valor faltante.
Andres Sanchez
3. Visualizar y eliminar valores faltantes
Para correr un notebook aparte dentro de otro notebook
%run download-data-and-load-it.ipynb # Path: download-data-and-load-it.ipynb
Para visualizar y eliminar valores faltantes en un conjunto de datos usando **Python** y **Pandas**, puedes seguir estos pasos:
### 1. **Visualización de valores faltantes:**
#### a) Usar isnull() o isna() para detectar valores faltantes:
import pandas as pd \# Crear un DataFrame de ejemplo df = pd.DataFrame({   'A': \[1, 2, None, 4],   'B': \[None, 2, 3, 4],   'C': \[1, None, None, 4] }) \# Visualizar dónde hay valores faltantes (True si falta el valor) print(df.isnull())
#### b) Contar valores faltantes por columna:
\# Contar los valores faltantes por columna print(df.isnull().sum())
#### c) Visualización gráfica con **Seaborn**:
import seaborn as sns import matplotlib.pyplot as plt \# Visualizar el mapa de calor de los valores faltantes sns.heatmap(df.isnull(), cbar=False, cmap='viridis') plt.show()
### 2. **Eliminar valores faltantes:**
#### a) Eliminar filas con valores faltantes:
\# Eliminar filas que tengan algún valor faltante df\_cleaned = df.dropna() print(df\_cleaned)
#### b) Eliminar columnas con valores faltantes:
\# Eliminar columnas que tengan algún valor faltante df\_cleaned\_columns = df.dropna(axis=1) print(df\_cleaned\_columns)
### 3. **Rellenar valores faltantes (opcional):**
Si en lugar de eliminar, prefieres rellenar los valores faltantes con una estrategia de imputación:
#### a) Rellenar con un valor constante (ej. 0 o la media):
\# Rellenar valores faltantes con 0 df\_filled = df.fillna(0) print(df\_filled) \# Rellenar con la media de la columna df\_filled\_mean = df.fillna(df.mean()) print(df\_filled\_mean)