Semana 13: Análisis exploratorio de datos con PANDAS y NUMPY

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
plt.style.use("ggplot")

Esta clase será trabajada mediante la respuesta a algunos ejercicios planteados a continuación. Para ello, trabajaremos con un conjunto de datos que podemos cargar ejecutando las siguientes líneas de código.

import seaborn as sns

data = sns.load_dataset("penguins").dropna().values
df = pd.DataFrame(data, columns=["especie", "isla", "longitud_pico (mm)", "profundidad_pico (mm)", "longitud_aleta (mm)", "masa_corporal (g)", "genero"])
df

	especie	isla	longitud_pico (mm)	profundidad_pico (mm)	longitud_aleta (mm)	masa_corporal (g)	genero
0	Adelie	Torgersen	39.1	18.7	181.0	3750.0	Male
1	Adelie	Torgersen	39.5	17.4	186.0	3800.0	Female
2	Adelie	Torgersen	40.3	18.0	195.0	3250.0	Female
3	Adelie	Torgersen	36.7	19.3	193.0	3450.0	Female
4	Adelie	Torgersen	39.3	20.6	190.0	3650.0	Male
...	...	...	...	...	...	...	...
328	Gentoo	Biscoe	47.2	13.7	214.0	4925.0	Female
329	Gentoo	Biscoe	46.8	14.3	215.0	4850.0	Female
330	Gentoo	Biscoe	50.4	15.7	222.0	5750.0	Male
331	Gentoo	Biscoe	45.2	14.8	212.0	5200.0	Female
332	Gentoo	Biscoe	49.9	16.1	213.0	5400.0	Male

333 rows × 7 columns

Esto cargará un dataframe (df), usando la librería seaborn, con algunas características morfológicas y geográficas de diferentes especies de pingüinos. Las colujmnas contienen los siguientes datos:

[especie, isla, longitud del pico, profundidad del pico, longitud de la aleta, masa corporal, genero]

Con estos datos, escriba las líneas de código con las que responda a las siguientes preguntas:

1. ¿Cuáles son las profundidades del pico máxima y mínima de los pinguinos de la isla Torgersen?

2. ¿De qué isla, especie y género es el pingüino con la mayor masa corporal? Ayuda: utilice la función argmax()

3. ¿Cuál es la masa corporal media de los pinguinos macho que no son de la especie Gentoo?

4. Grafique la distribución de la longitud del pico. Añada el valor medio y la desviación estándar en el título de la figura. Ayuda: utilice la funcion hist()

5. ¿Cuáles son las islas y especies presentes en el conjunto de datos? ¿Con qué frecuencia aparecen? Grafique la distribución de la masa corporal para los pingüinos.

1. ¿Cuáles son las profundidades del pico máxima y mínima de los pinguinos de la isla Torgersen?

#Se crea un nuevo dataframe que contiene solo los valores de df
# que cumplen la condicion de contener la cadena "Torgensen" en la columna
# "isla"
torgersen = df[df['isla'] == "Torgersen"]

# Imprime y calcula los valores máximo y mínimo de la columna 'profundidad_pico (mm)'
# en el dataframe torgensen.

print("Máxima logitud del pico:", torgersen['profundidad_pico (mm)'].max(), 'mm')
print("Mínima logitud del pico:", torgersen['profundidad_pico (mm)'].min(), 'mm')

Máxima logitud del pico: 21.5 mm
Mínima logitud del pico: 15.9 mm

#Usando el método loc, seleccionamos solo los elementos de la columna  'profundidad_pico (mm)'
# que cumplen la consición df.isla == "Torgersen". A esos les calculamos el máximo
# con .max()

#¿Cómo funciona iloc?

print("Máxima logitud del pico:", df.loc[df.isla == "Torgersen", 'profundidad_pico (mm)'].max(), 'mm')
print("Mínima logitud del pico:", df.loc[df.isla == "Torgersen", 'profundidad_pico (mm)'].min(), 'mm')

Máxima logitud del pico: 21.5 mm
Mínima logitud del pico: 15.9 mm

2. ¿De qué isla, especie y género es el pingüino con la mayor masa corporal? Ayuda: utilice la función argmax()

# Usando numpy
#busca el índice con el valor máximo del dataframe df, buscando en todos los valores
# de la columna masa_corporal (g).
id_max = np.argmax(df['masa_corporal (g)'])

#con pandas
# selecciona el elemento de df con índice id_max, tomando las columnas
#  isla, especie y genero
df.loc[id_max, ['isla', 'especie', 'genero']]

isla       Biscoe
especie    Gentoo
genero       Male
Name: 231, dtype: object

3. ¿Cuál es la masa corporal media de los pinguinos macho que no son de la especie Gentoo?

# pandas

df.loc[(df.genero == "Male") & (df.especie != "Gentoo") , "masa_corporal (g)"].mean()

4010.2803738317757

4. Grafique la distribución de la longitud del pico. Calcule el valor medio y la desviación estándar en el título de la figura.

# Calculemos la desviación estándar.

desviacion = df['longitud_pico (mm)'].std()
media = df['longitud_pico (mm)'].mean()

print("Desviación estándar:", desviacion, 'mm')
print("Media:", media, 'mm')

Desviación estándar: 5.468668342647559 mm
Media: 43.992792792792805 mm

df['longitud_pico (mm)'].plot(kind="hist", bins=40, title= 'Histograma longitud pico (mm) ' )

<AxesSubplot:title={'center':'Histograma longitud pico (mm) '}, ylabel='Frequency'>

5. ¿Cuáles son las islas y especies presentes en el conjunto de datos? ¿Con qué frecuencia aparecen? Grafique la distribución de la masa.

df.isla.value_counts()

Biscoe       163
Dream        123
Torgersen     47
Name: isla, dtype: int64

# porcentajes
df.isla.value_counts(normalize=True)

Biscoe       0.489489
Dream        0.369369
Torgersen    0.141141
Name: isla, dtype: float64

df['masa_corporal (g)'].plot.hist( bins = 20)

<AxesSubplot:ylabel='Frequency'>