Antes de zambullirnos en el vasto océano de la estadística descriptiva y empezar a diseccionar sets de datos, es crucial entender los tipos de datos con los que nos encontramos habitualmente en ciencia de datos. Los datos se dividen principalmente en dos categorías: categóricos y numéricos.
¿Qué son los datos categóricos?
Los datos categóricos son aquellos que no están representados por números. Pueden ser cadenas de texto, pero esencialmente son categorías. Por ejemplo:
Género de una persona: masculino, femenino.
Categoría de una película: terror, acción, drama.
Método de pago en un eCommerce: tarjeta de crédito, PayPal.
Estos datos pueden parecer numéricos en algunos casos, pero son simplemente categorías y deben interpretarse como tales.
Diferencia entre datos nominales y ordinales
Dentro de los datos categóricos, se pueden distinguir entre nominales y ordinales:
Ordinales: Existe una relación de orden entre las categorías. Por ejemplo, tamaños de ropa como pequeño, mediano y grande.
Nominales: Las categorías no tienen un orden natural. Ejemplo: colores de coches como rojo, azul, verde.
¿Y los datos numéricos?
En la otra orilla de la clasificación encontramos los datos numéricos. Este tipo de datos se representan exclusivamente con números y deben tratarse numéricamente. Ejemplos comunes incluyen:
Altura de una persona: medida en metros.
Edad: años de una persona.
Temperatura: en grados centígrados.
Además, los datos numéricos pueden ser categorizados en discretos y continuos, de la siguiente manera:
Discretos: Valores enteros. Ejemplo, un conjunto de edades como 15, 20, 25 años.
Continuos: Pueden tener una parte decimal, como 1.75 metros de altura o 18.5 grados de temperatura.
En términos computacionales, estas distinciones se traducen en el uso de tipos de variable enteras y floats.
¿Cómo trabajo con estos datos en un ambiente de notebooks?
Moverse en el mundo de la ciencia de datos significa trabajar en ambientes que faciliten la manipulación y análisis de información. Los notebooks son el espacio ideal para explorar datos.
¿Cómo inicio con el uso de herramientas?
Una herramienta destacada en este campo es DeepNote. Similar a Jupyter o Google Colab, DeepNote permite crear notebooks para analizar datos:
Inicio: Crea una cuenta gratuita y explora el panel de control para gestionar proyectos.
Ventaja colaborativa: Puedes trabajar en tiempo real con otros usuarios, visualizando y compartiendo cambios al instante.
Primeros pasos: Cargar un dataset
Para poner manos a la obra con análisis de datos, lo primero es cargar una base de datos en formato CSV utilizando Python y, específicamente, la librería Pandas.
import pandas as pd
# Cargar el archivo CSVdf = pd.read_csv('cars.csv')# Mostrar el data frameprint(df)
Con Pandas, podemos rápidamente ver un resumen de los tipos de datos presentes y comenzar a generar estadísticas descriptivas que nos den una idea de la estructura del dataset.
Estadísticas descriptivas básicas con Pandas
Sin divagaciones innecesarias, Pandas nos ofrece la funcionalidad de generar estadísticas descriptivas con facilidad.
En una sola línea, Pandas nos muestra un sumario con medidas como el promedio, desviación estándar, y percentiles de las variables numéricas del dataset.
¿Por qué seguir explorando el tema?
Aprender a identificar y clasificar tipos de datos es solo el inicio. En lecciones futuras, se explorará en detalle conceptos claves como medidas de tendencia central y dispersión. Estos conocimientos proveerán una comprensión más profunda de cómo analizar conjuntos de datos de manera efectiva y detallada. ¡Así que sigue adelante, el viaje apenas comienza!
Tipos de Datos en Ciencia de Datos: Categóricos y Numéricos
Tipos de Datos en Ciencia de Datos: Categóricos y Numéricos
Recursos
Resumen
¿Qué tipos de datos existen en ciencia de datos?
Antes de zambullirnos en el vasto océano de la estadística descriptiva y empezar a diseccionar sets de datos, es crucial entender los tipos de datos con los que nos encontramos habitualmente en ciencia de datos. Los datos se dividen principalmente en dos categorías: categóricos y numéricos.
¿Qué son los datos categóricos?
Los datos categóricos son aquellos que no están representados por números. Pueden ser cadenas de texto, pero esencialmente son categorías. Por ejemplo:
Género de una persona: masculino, femenino.
Categoría de una película: terror, acción, drama.
Método de pago en un eCommerce: tarjeta de crédito, PayPal.
Estos datos pueden parecer numéricos en algunos casos, pero son simplemente categorías y deben interpretarse como tales.
Diferencia entre datos nominales y ordinales
Dentro de los datos categóricos, se pueden distinguir entre nominales y ordinales:
Ordinales: Existe una relación de orden entre las categorías. Por ejemplo, tamaños de ropa como pequeño, mediano y grande.
Nominales: Las categorías no tienen un orden natural. Ejemplo: colores de coches como rojo, azul, verde.
¿Y los datos numéricos?
En la otra orilla de la clasificación encontramos los datos numéricos. Este tipo de datos se representan exclusivamente con números y deben tratarse numéricamente. Ejemplos comunes incluyen:
Altura de una persona: medida en metros.
Edad: años de una persona.
Temperatura: en grados centígrados.
Además, los datos numéricos pueden ser categorizados en discretos y continuos, de la siguiente manera:
Discretos: Valores enteros. Ejemplo, un conjunto de edades como 15, 20, 25 años.
Continuos: Pueden tener una parte decimal, como 1.75 metros de altura o 18.5 grados de temperatura.
En términos computacionales, estas distinciones se traducen en el uso de tipos de variable enteras y floats.
¿Cómo trabajo con estos datos en un ambiente de notebooks?
Moverse en el mundo de la ciencia de datos significa trabajar en ambientes que faciliten la manipulación y análisis de información. Los notebooks son el espacio ideal para explorar datos.
¿Cómo inicio con el uso de herramientas?
Una herramienta destacada en este campo es DeepNote. Similar a Jupyter o Google Colab, DeepNote permite crear notebooks para analizar datos:
Inicio: Crea una cuenta gratuita y explora el panel de control para gestionar proyectos.
Ventaja colaborativa: Puedes trabajar en tiempo real con otros usuarios, visualizando y compartiendo cambios al instante.
Primeros pasos: Cargar un dataset
Para poner manos a la obra con análisis de datos, lo primero es cargar una base de datos en formato CSV utilizando Python y, específicamente, la librería Pandas.
import pandas as pd
# Cargar el archivo CSV
df = pd.read_csv('cars.csv')
# Mostrar el data frame
print(df)
Con Pandas, podemos rápidamente ver un resumen de los tipos de datos presentes y comenzar a generar estadísticas descriptivas que nos den una idea de la estructura del dataset.
Estadísticas descriptivas básicas con Pandas
Sin divagaciones innecesarias, Pandas nos ofrece la funcionalidad de generar estadísticas descriptivas con facilidad.
En una sola línea, Pandas nos muestra un sumario con medidas como el promedio, desviación estándar, y percentiles de las variables numéricas del dataset.
¿Por qué seguir explorando el tema?
Aprender a identificar y clasificar tipos de datos es solo el inicio. En lecciones futuras, se explorará en detalle conceptos claves como medidas de tendencia central y dispersión. Estos conocimientos proveerán una comprensión más profunda de cómo analizar conjuntos de datos de manera efectiva y detallada. ¡Así que sigue adelante, el viaje apenas comienza!
Poner Deepnote en dark mode
En su documentación oficial mencionan que actualmente no tienen un dark mode desarrollado, pero esperan tenerlo en un futuro cercano. Mientas tanto, recomiendan instalar esta extensión y configurarla con estos valores:
Brightness +20
Contrast -20
Sepia off
Greyscale +15
.
Tip adicional: todas tus pestañas del navegador se verán así, por lo que te recomiendo usar Alt + Shift + D para activar y desactivar el dark mode de tu navegador (te será muy útil en cosas páginas como Deepnote o Drive, pero otras como Platzi, se ven mejor si lo desactivas)
Los datos categóricos también conocidos como datos cualitativos, representan características como el género, el idioma, etc. de una persona. También pueden tomar valores numéricos, por ejemplo: 1 para mujeres y 0 para hombres. Hay que tener en cuenta que esos números no tienen significado matemático.
Los tipos de datos estadísticos categóricos se clasifican en:
.
Datos nominales: Otros de los tipos de datos estadísticos son los que tienen valores nominales que representan unidades discretas y se usan para etiquetar variables que no tienen un valor cuantitativo.
Estos datos no tienen un orden, aunque cambiara el orden de sus valores, no cambia su significado.
Datos ordinales: Los datos ordinales representan unidades discretas y ordenadas. Por lo tanto, es casi lo mismo que los datos nominales, excepto que su orden es importante.
Las escalas ordinales generalmente, se usan para medir características no numéricas como la felicidad, la satisfacción del cliente, etc.
.
Datos numéricos
Estos tipos de datos estadísticos también se conocen como datos cuantitativos, y se refieren a una medida o recuento. Se clasifican de la siguiente manera:
.
Datos discretos: Los datos estadísticos son discretos cuando sus valores son distintos y separados. Es decir, cuando los datos sólo pueden tomar ciertos valores.
Este tipo de datos no se puede medir, pero se pueden contar. Básicamente representan información que se puede clasificar.
Datos continuos: Los datos continuos representan mediciones y, por lo tanto, sus valores. no se pueden contar, pero se pueden medir. A su vez, estos se clasifican de la siguiente manera:
Datos de intervalo: Los datos de intervalo representan unidades ordenadas que tienen la misma diferencia . Por lo tanto, hablamos de datos de intervalo cuando tenemos una variable que contiene valores numéricos que están ordenados y donde conocemos las diferencias exactas entre los valores.
.
El problema con los datos de valores de intervalo es que podemos sumar y restar, pero no podemos multiplicar, dividir o calcular razones. Debido a que no existe un cero verdadero, no se pueden aplicar muchas estadísticas descriptivas e inferenciales.
.
Datos de relación: También son unidades ordenadas que tienen la misma diferencia. Los datos de relación son los mismos que los valores de intervalo, con la diferencia de que tienen un cero absoluto.
Por si no sabias:
JUPYTER. Son unos "cuadernos" o notebooks, en los que puedes programar por bloques. Como si escribieras un cuaderno. En una porcion, ejecutas una linea sin que tengas que correr todo el programa. Busca ANACONDA
KAGGLE. Es una web que tiene concursos para analistas de datos y programadores, tiene bases de datos de uso libre.
COLAB. Es el Jupyter de Google, es decir no descargas ni instalas nada, lo tienes todo en linea.
DEEPNOTE. Herramienta para crear trabajos en simultaneo con otros colaboradores con los que se pueden hacer cambios en tiempo real en tus lineas de codigo
++Fun Fact:++ El Fundador del Proyecto Jupyter es colombiano, paisa.
Se llama Fernando Pérez, es Físico de la Universidad de Antioquía y además de eso, otro proyecto destacable dentro de la comunidad es IPython
Si quieres moverte mas rápido por los bloques de código, te invito a que revises la paleta de comandos que ofrece Deppnote, puedes acceder con ctrl+p , presionado Esc o dando click al icono de la parte inferior izquierda.
Se te desplegara un menu, es muy parecido a las jupyter notebook pero si tiene un par de diferencias para insertar celdas por debajo o encima. Dejo un pequeño resumen de los comandos mas utilizados a mi criterio.
ctrl + k añadir un bloque de código por encima del bloque actual
ctrl + j añadir un bloque de codigo por debajo del bloque actual
ctrl+enter ejecutar el bloque actual
alt + shift + flecha arriba mover un bloque arriba
Es sumamente molesto cuando las herramientas del curso no vienen como dicen, teniendo opciones mas viables se van a cosas que no funcionan como dice el instructor. Que horror
A medio curso descubrí este maravilloso canal donde te explican todo sobre el preprocesamiento de datos. Por tanto, se facilita tu camino en Deepnote. Descubre el porqué de sus comandos, su variedad y más. Espero te sirva
Ojalá estas definiciones puedan ayudar a alguien.
.
Datos numéricos
Éste tipo de datos se relacionan con mediciones y pueden operarse matemáticamente.
.
Ejemplos: altura, temperatura, número de habitantes.
.
Datos numéricos discretos
Que los datos numéricos sean discretos significa que están restringidos de tal forma que entre dos de sus valores posibles no existe una cantidad infinita de otros posibles valores.
.
Usualmente este tipo de datos numéricos se asocian a los números enteros.
.
Ejemplos: años cumplidos, unidades despachadas, horas completas trabajadas.
.
Datos numéricos continuos
Que los datos numéricos sean continuos significa que entre dos valores cualquiera de éstos datos existe una cantidad infinita de otros posibles valores.
.
Usualmente este tipo de datos numéricos se asocian al conjunto de los números reales.
