Visualización de datos

Contenido del curso

Introducción

Web scraping

Pandas

Intro a Sistemas de Datos

Contenido Bonus

38
¿Por qué usar la nube?
04:05 min

Tomar examen

Cursos Empresas Blog Live Conf Eventos Precios

0:0011:27

Visualización de datos

Curso de Ingeniería de Datos con Python

Clase 34 de 38

Clase 34 / 38

Recursos

Con Pandas y Jupyter Notebook es posible entender la composición de textos periodísticos en minutos. A partir de datasets limpios en formato CSV, el uso de métodos descriptivos, máscaras booleanas y gráficas con Matplotlib permite detectar patrones editoriales: El País publica notas más largas y El Universal concentra piezas breves, sin que exista relación evidente entre tokens del title y del body.

¿Qué revela el análisis descriptivo con pandas?

Comienza leyendo los CSV limpios y aplicando el método describe. Este entrega una panorámica de las distribuciones: media, mínimo y máximo para columnas numéricas. Un hallazgo llamativo surge al revisar tokens_title: hay casos con mínimo igual a 0. Al inspeccionarlos con una máscara booleana se confirma que no están vacíos: el title quedó en 0 porque se compone solo de stop words y fueron removidas.

Tras habilitar la magia de %matplotlib inline, se crean gráficas rápidas. La dispersión de tokens en title muestra comportamientos muy similares entre ambos diarios: la mayoría de títulos tienen entre 3 y 6 palabras. La diferencia aparece en el body: El País agrupa la mayor parte de sus artículos entre 300 y 700 palabras, mientras que El Universal se concentra entre 100 y 300. Con un pd.concat y un groupby por identificador de periódico, los histogramas refuerzan esta separación. Finalmente, una comparación gráfica entre tokens_title y tokens_body no sugiere relación clara entre ambos.

¿Cómo se validan los mínimos en tokens del título?

Aplicar describe para detectar valores atípicos o mínimos en 0.
Usar una máscara booleana con .loc para ver las filas problemáticas.
Interpretar el resultado: 0 puede indicar solo stop words, no vacío real.

¿Qué diferencias editoriales aparecen en el body?

El País: artículos extensos, entre 300 y 700 palabras.
El Universal: piezas breves, entre 100 y 300 palabras.
Implicación: políticas editoriales distintas sobre longitud y profundidad.

¿Cómo explorar datos con código reproducible?

Antes de graficar, carga datasets y explora con métodos de Pandas. Luego, habilita %matplotlib inline para ver las figuras dentro de Jupyter Notebook y compara distribuciones con plot e histogramas por grupo.

# Carga de datos
import pandas as pd

universal = pd.read_csv('ruta/a/clean_el_universal.csv')
pais = pd.read_csv('ruta/a/clean_el_pais_2018.csv')

# Estadísticos descriptivos
universal.describe()
pais.describe()

# Inspección de títulos con 0 tokens
pais.loc[pais['tokens_title'] == 0]

# Gráficas en Jupyter
%matplotlib inline

# Comparación rápida de tokens en títulos
pais['tokens_title'].plot(style='k.', label='El País')
universal['tokens_title'].plot(style='r.', label='El Universal')

# Comparación en body
pais['tokens_body'].plot(style='k.', label='El País')
universal['tokens_body'].plot(style='r.', label='El Universal')

# Concatenación y comparación por periódico
all_newspapers = pd.concat([universal, pais])

# Histograma de tokens del body por uid de periódico
all_newspapers.groupby('newspaper_uid')['tokens_body'].hist(alpha=0.6)

# Agregaciones por uid: mínimo, media y máximo
all_newspapers.groupby('newspaper_uid')['tokens_body'].agg(['min', 'mean', 'max'])

# Relación entre tokens de title y body
all_newspapers.plot.scatter(x='tokens_title', y='tokens_body', alpha=0.3)

¿Qué tipo de gráficas conviene usar aquí?

Dispersión con estilo 'k.' o 'r.' para comparar series rápidas.
Histogramas por grupo con groupby y hist.
Agregaciones con .agg para min, mean y max.
Dispersión tokens_title vs tokens_body para revisar dependencia.

¿Qué patrones, conceptos y keywords conviene retener?

La exploración revela patrones editoriales y afianza habilidades clave para análisis descriptivo con Pandas.

Método describe: media, mínimo, máximo para comprender distribuciones.
Máscara booleana con .loc: filtrado preciso para validar supuestos.
Stop words y conteo de tokens: un título con 0 puede no estar vacío.
%matplotlib inline: mostrar gráficos dentro de Jupyter Notebook.
plot con estilo 'k.' y 'r.': comparación visual rápida por puntos.
pd.concat: unir DataFrames para análisis conjunto.
groupby + hist: contrastar distribuciones por newspaper_uid.
.agg con ['min', 'mean', 'max']: tabla sintética de métricas clave.
Resultado central: no se observa relación clara entre tokens del title y del body.
Insight editorial: El Universal publica textos cortos; El País apuesta por notas más largas.

¿Te gustaría replicar este análisis con otros medios o columnas de texto? Comparte tus dudas, ideas o variantes en los comentarios.

Resumen

¿Qué revela el análisis descriptivo con pandas?

¿Cómo se validan los mínimos en tokens del título?

Aplicar describe para detectar valores atípicos o mínimos en 0.
Usar una máscara booleana con .loc para ver las filas problemáticas.
Interpretar el resultado: 0 puede indicar solo stop words, no vacío real.

¿Qué diferencias editoriales aparecen en el body?

El País: artículos extensos, entre 300 y 700 palabras.
El Universal: piezas breves, entre 100 y 300 palabras.
Implicación: políticas editoriales distintas sobre longitud y profundidad.

¿Cómo explorar datos con código reproducible?

# Carga de datos
import pandas as pd

universal = pd.read_csv('ruta/a/clean_el_universal.csv')
pais = pd.read_csv('ruta/a/clean_el_pais_2018.csv')

# Estadísticos descriptivos
universal.describe()
pais.describe()

# Inspección de títulos con 0 tokens
pais.loc[pais['tokens_title'] == 0]

# Gráficas en Jupyter
%matplotlib inline

# Comparación rápida de tokens en títulos
pais['tokens_title'].plot(style='k.', label='El País')
universal['tokens_title'].plot(style='r.', label='El Universal')

# Comparación en body
pais['tokens_body'].plot(style='k.', label='El País')
universal['tokens_body'].plot(style='r.', label='El Universal')

# Concatenación y comparación por periódico
all_newspapers = pd.concat([universal, pais])

# Histograma de tokens del body por uid de periódico
all_newspapers.groupby('newspaper_uid')['tokens_body'].hist(alpha=0.6)

# Agregaciones por uid: mínimo, media y máximo
all_newspapers.groupby('newspaper_uid')['tokens_body'].agg(['min', 'mean', 'max'])

# Relación entre tokens de title y body
all_newspapers.plot.scatter(x='tokens_title', y='tokens_body', alpha=0.3)

¿Qué tipo de gráficas conviene usar aquí?

Dispersión con estilo 'k.' o 'r.' para comparar series rápidas.
Histogramas por grupo con groupby y hist.
Agregaciones con .agg para min, mean y max.
Dispersión tokens_title vs tokens_body para revisar dependencia.

¿Qué patrones, conceptos y keywords conviene retener?

La exploración revela patrones editoriales y afianza habilidades clave para análisis descriptivo con Pandas.

Método describe: media, mínimo, máximo para comprender distribuciones.
Máscara booleana con .loc: filtrado preciso para validar supuestos.
Stop words y conteo de tokens: un título con 0 puede no estar vacío.
%matplotlib inline: mostrar gráficos dentro de Jupyter Notebook.
plot con estilo 'k.' y 'r.': comparación visual rápida por puntos.
pd.concat: unir DataFrames para análisis conjunto.
groupby + hist: contrastar distribuciones por newspaper_uid.
.agg con ['min', 'mean', 'max']: tabla sintética de métricas clave.
Resultado central: no se observa relación clara entre tokens del title y del body.
Insight editorial: El Universal publica textos cortos; El País apuesta por notas más largas.

¿Te gustaría replicar este análisis con otros medios o columnas de texto? Comparte tus dudas, ideas o variantes en los comentarios.

Introducción

Pipelines automatizados con Python para ingeniería de datos

Archivos del curso y Slides

¿Qué es la ciencia de datos?

Por qué fallan los equipos de ciencia de datos

Configuración del ambiente

Jupyter Notebooks

Tipos de datos en ciencia de datos

Tipos de datos

Fuentes de datos

ETL: extract, transform y load explicado

Web scraping

Web scraping para data engineers: HTML y metadatos

Cómo hacer solicitudes HTTP con Python Requests

¿Cómo trabajar con un documento HTML?

Analizando un sitio web para encontrar las directivas a utilizar al hacer un web scrapping

Page Object Pattern para web scrapers

Implementando nuestro web scrapper: Configuración

Page Objects para extraer vínculos de noticias

Implementando nuestro web scrapper: Obteniendo artículos

Obtención de datos del Artículo

Persistiendo la información "scrapeada"

Pandas

Series vs DataFrame en Pandas

Qué es Series en Pandas y cómo crearlas

Estructura de datos: DataFrames

Índices y selección

Data wrangling con Pandas

Creación de la receta: preparando la automatización

Cómo rellenar datos faltantes en Pandas con regex

Pandas .loc y regex para títulos faltantes

Limpiando detalles adicionales

Generar UUIDs con MD5 en pandas

Enriquecimiento de los datos

Eliminación de duplicados con drop_duplicates en Pandas

Creando tu receta de limpieza de datos

Visualización de datos

Intro a Sistemas de Datos

Introducción a los sistemas de datos

Automatización del Pipeline

Carga de CSV a SQL con SQLAlchemy y pandas

Contenido Bonus

¿Por qué usar la nube?

Visualización de datos