Unidad 2

Notebook de sesión 2:

https://colab.research.google.com/drive/1bq-Qi-FSMlm0K7Z4daxC_5TdHia9csic?usp=sharing

Ejercicios propuestos Sesión 1

Ejercicio 1: Limpieza básica de datos en un DataFrame de pandas

Descripción: Crea un DataFrame de pandas que contenga datos ficticios sobre personas, incluyendo nombre, edad, y salario. Asegúrate de incluir algunos valores faltantes (NaN), edades como números y cadenas (por ejemplo, '30 años'), y salarios con diferentes formatos (como '50000', '$50,000', '50k'). Realiza las siguientes tareas de limpieza:

1. Rellena los valores faltantes en la columna 'edad' con la media de las edades disponibles y en la columna 'salario' con la mediana de los salarios disponibles.

2. Homogeneiza los formatos de las columnas de 'edad' y 'salario', convirtiendo todo a números enteros. Para la 'edad', extrae solo el número y para el 'salario', convierte todo a un formato sin símbolos ni letras (considera 'k' como 1000).

Objetivos de aprendizaje:

1. Manipulación de DataFrames en pandas.

2. Limpieza de datos: manejo de valores faltantes, extracción y conversión de tipos de datos.

Ejercicio 2: Homogeneización de texto y manejo de variantes

Descripción: Toma la lista de nombres de municipios de Hidalgo (o cualquier otra lista de términos relevantes) y crea una lista de variantes para cada uno (con errores tipográficos, abreviaturas, etc.). Utiliza las técnicas de distancia de Levenshtein para homogeneizar las variantes de los nombres de municipios a la forma estándar más cercana de una lista de referencia.

1. Implementa una función que tome dos listas (lista de referencia y lista de variantes) y un umbral de similitud. La función debe devolver una nueva lista con las variantes homogeneizadas según la lista de referencia.

2. Prueba tu función con diferentes umbrales y observa cómo afecta al resultado de la homogeneización.

Objetivos de aprendizaje:

1. Uso de la distancia de Levenshtein para comparar cadenas de texto.

2. Desarrollo y aplicación de funciones personalizadas para la homogeneización de datos.

Ejercicio 3 Modificado: Análisis Exploratorio de Datos (EDA) sobre Causas de Muerte Mundiales

Descripción: Se te proporciona un dataset que incluye información sobre varias causas de muerte en diferentes países y años. El conjunto de datos incluye las siguientes columnas: country, code, year, meningitis, alzheimer's_disease, parkinson's_disease, nutritional_deficiency, malaria, drowning, interpersonal_violence, maternal_disorders, hiv/aids, drug_use_disorders, tuberculosis, cardiovascular_diseases, lower_respiratory_infections, neonatal_disorders, alcohol_use_disorders, self_harm, exposure_to_forces_of_nature, diarrheal_diseases, environmental_heat_and_cold_exposure, neoplasms, conflict_and_terrorism, diabetes_mellitus, chronic_kidney_disease, poisonings, protein_energy_malnutrition, terrorism, road_injuries, chronic_respiratory_diseases, chronic_liver_diseases, digestive_diseases, fire_heat_hot_substance, acute_hepatitis. Realiza las siguientes tareas:

1. Carga los datos en un DataFrame de pandas y realiza una inspección preliminar de los datos: revisa las primeras filas, obtén el resumen estadístico de las variables numéricas, y verifica si hay valores faltantes.

2. Limpia y prepara los datos: trata los valores faltantes de manera apropiada, considera eliminar las columnas que no sean necesarias para el análisis o que contengan una alta proporción de valores faltantes.

3. Realiza un análisis descriptivo: calcula estadísticas descriptivas para cada causa de muerte, como la media, mediana, y rangos.

4. Visualiza los datos: crea gráficos que muestren la tendencia de algunas de las principales causas de muerte a lo largo del tiempo y compara las causas de muerte entre diferentes regiones o países.

5. Crea una matriz de correlación entre las diferentes causas de muerte para identificar posibles relaciones entre ellas.

Objetivos de aprendizaje:

1. Carga y limpieza de datos con pandas.

2. Análisis descriptivo de grandes conjuntos de datos.

3. Visualización de datos utilizando matplotlib y seaborn.

4. Interpretación de una matriz de correlación para entender las relaciones entre variables.

5. Entregable: Un notebook de Jupyter que contenga el código utilizado para realizar el EDA, junto con comentarios que expliquen tus hallazgos y conclusiones. Incluye las visualizaciones generadas y cualquier suposición o decisión tomada durante el análisis.

Drive para guardar propuestas | Se debe de subir el script (puede ser en un block de notas) con su nombre:

https://drive.google.com/drive/folders/11Q1NnhsmXHvVelfAy4zp9GwMYm8DKz4K?usp=sharing