Click here to view the next lesson.

Capítulo 10: Análisis Exploratorio de Datos Visuales

10.4 Ejercicios Prácticos Capítulo 10

Los ejercicios prácticos son una excelente manera de solidificar tu comprensión de los conceptos. Aquí tienes algunos ejercicios centrados en el análisis exploratorio de datos visual, junto con sus soluciones.

Ejercicio 1: Análisis Univariado con Histogramas

Tarea: Dado un conjunto de datos de puntuaciones de exámenes para estudiantes, traza un histograma para entender la distribución de las puntuaciones.

# Sample data: Exam scores of 50 students
exam_scores = [55, 80, 74, 61, 90, 85, 68, 95, 60, 66, 70, 99, 53, 79, 62, 89, 75, 69, 94, 71, 83, 88, 57, 45, 73, 91, 76, 84, 64, 58, 98, 63, 78, 92, 82, 77, 72, 65, 59, 86, 87, 67, 46, 93, 81, 97, 54, 50, 96, 100]

# Your code here

Solución

import matplotlib.pyplot as plt

plt.hist(exam_scores, bins=10, color='blue', edgecolor='black')
plt.xlabel('Exam Scores')
plt.ylabel('Frequency')
plt.title('Distribution of Exam Scores')
plt.show()

Ejercicio 2: Análisis Bivariado con Gráfico de Dispersión

Tarea: Crea un gráfico de dispersión para visualizar la relación entre las alturas y los pesos de un grupo de individuos.

# Sample data: Heights and weights of 10 individuals
heights = [160, 165, 170, 175, 180, 185, 190, 195, 200, 205]
weights = [55, 60, 65, 70, 75, 80, 85, 90, 95, 100]

# Your code here

Solución

plt.scatter(heights, weights, c='red', marker='o')
plt.xlabel('Heights (cm)')
plt.ylabel('Weights (kg)')
plt.title('Relationship between Heights and Weights')
plt.show()

Ejercicio 3: Análisis Multivariado usando un Mapa de Calor

Tarea: Dado un conjunto de datos con múltiples características, crea un mapa de calor para visualizar las correlaciones entre estas características.

# Sample data: Randomly generated for 4 features
import numpy as np
import pandas as pd
import seaborn as sns

np.random.seed(42)
data = {'Feature1': np.random.randn(100),
        'Feature2': np.random.randn(100),
        'Feature3': np.random.randn(100),
        'Feature4': np.random.randn(100)}
df = pd.DataFrame(data)

# Your code here

Solución

corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.show()

10.4 Ejercicios Prácticos Capítulo 10

Ejercicio 1: Análisis Univariado con Histogramas

Tarea: Dado un conjunto de datos de puntuaciones de exámenes para estudiantes, traza un histograma para entender la distribución de las puntuaciones.

# Sample data: Exam scores of 50 students
exam_scores = [55, 80, 74, 61, 90, 85, 68, 95, 60, 66, 70, 99, 53, 79, 62, 89, 75, 69, 94, 71, 83, 88, 57, 45, 73, 91, 76, 84, 64, 58, 98, 63, 78, 92, 82, 77, 72, 65, 59, 86, 87, 67, 46, 93, 81, 97, 54, 50, 96, 100]

# Your code here

Solución

import matplotlib.pyplot as plt

plt.hist(exam_scores, bins=10, color='blue', edgecolor='black')
plt.xlabel('Exam Scores')
plt.ylabel('Frequency')
plt.title('Distribution of Exam Scores')
plt.show()

Ejercicio 2: Análisis Bivariado con Gráfico de Dispersión

Tarea: Crea un gráfico de dispersión para visualizar la relación entre las alturas y los pesos de un grupo de individuos.

# Sample data: Heights and weights of 10 individuals
heights = [160, 165, 170, 175, 180, 185, 190, 195, 200, 205]
weights = [55, 60, 65, 70, 75, 80, 85, 90, 95, 100]

# Your code here

Solución

plt.scatter(heights, weights, c='red', marker='o')
plt.xlabel('Heights (cm)')
plt.ylabel('Weights (kg)')
plt.title('Relationship between Heights and Weights')
plt.show()

Ejercicio 3: Análisis Multivariado usando un Mapa de Calor

Tarea: Dado un conjunto de datos con múltiples características, crea un mapa de calor para visualizar las correlaciones entre estas características.

# Sample data: Randomly generated for 4 features
import numpy as np
import pandas as pd
import seaborn as sns

np.random.seed(42)
data = {'Feature1': np.random.randn(100),
        'Feature2': np.random.randn(100),
        'Feature3': np.random.randn(100),
        'Feature4': np.random.randn(100)}
df = pd.DataFrame(data)

# Your code here

Solución

corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.show()

10.4 Ejercicios Prácticos Capítulo 10

Ejercicio 1: Análisis Univariado con Histogramas

Tarea: Dado un conjunto de datos de puntuaciones de exámenes para estudiantes, traza un histograma para entender la distribución de las puntuaciones.

# Sample data: Exam scores of 50 students
exam_scores = [55, 80, 74, 61, 90, 85, 68, 95, 60, 66, 70, 99, 53, 79, 62, 89, 75, 69, 94, 71, 83, 88, 57, 45, 73, 91, 76, 84, 64, 58, 98, 63, 78, 92, 82, 77, 72, 65, 59, 86, 87, 67, 46, 93, 81, 97, 54, 50, 96, 100]

# Your code here

Solución

import matplotlib.pyplot as plt

plt.hist(exam_scores, bins=10, color='blue', edgecolor='black')
plt.xlabel('Exam Scores')
plt.ylabel('Frequency')
plt.title('Distribution of Exam Scores')
plt.show()

Ejercicio 2: Análisis Bivariado con Gráfico de Dispersión

Tarea: Crea un gráfico de dispersión para visualizar la relación entre las alturas y los pesos de un grupo de individuos.

# Sample data: Heights and weights of 10 individuals
heights = [160, 165, 170, 175, 180, 185, 190, 195, 200, 205]
weights = [55, 60, 65, 70, 75, 80, 85, 90, 95, 100]

# Your code here

Solución

plt.scatter(heights, weights, c='red', marker='o')
plt.xlabel('Heights (cm)')
plt.ylabel('Weights (kg)')
plt.title('Relationship between Heights and Weights')
plt.show()

Ejercicio 3: Análisis Multivariado usando un Mapa de Calor

Tarea: Dado un conjunto de datos con múltiples características, crea un mapa de calor para visualizar las correlaciones entre estas características.

# Sample data: Randomly generated for 4 features
import numpy as np
import pandas as pd
import seaborn as sns

np.random.seed(42)
data = {'Feature1': np.random.randn(100),
        'Feature2': np.random.randn(100),
        'Feature3': np.random.randn(100),
        'Feature4': np.random.randn(100)}
df = pd.DataFrame(data)

# Your code here

Solución

corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.show()

10.4 Ejercicios Prácticos Capítulo 10

Ejercicio 1: Análisis Univariado con Histogramas

Tarea: Dado un conjunto de datos de puntuaciones de exámenes para estudiantes, traza un histograma para entender la distribución de las puntuaciones.

# Sample data: Exam scores of 50 students
exam_scores = [55, 80, 74, 61, 90, 85, 68, 95, 60, 66, 70, 99, 53, 79, 62, 89, 75, 69, 94, 71, 83, 88, 57, 45, 73, 91, 76, 84, 64, 58, 98, 63, 78, 92, 82, 77, 72, 65, 59, 86, 87, 67, 46, 93, 81, 97, 54, 50, 96, 100]

# Your code here

Solución

import matplotlib.pyplot as plt

plt.hist(exam_scores, bins=10, color='blue', edgecolor='black')
plt.xlabel('Exam Scores')
plt.ylabel('Frequency')
plt.title('Distribution of Exam Scores')
plt.show()

Ejercicio 2: Análisis Bivariado con Gráfico de Dispersión

Tarea: Crea un gráfico de dispersión para visualizar la relación entre las alturas y los pesos de un grupo de individuos.

# Sample data: Heights and weights of 10 individuals
heights = [160, 165, 170, 175, 180, 185, 190, 195, 200, 205]
weights = [55, 60, 65, 70, 75, 80, 85, 90, 95, 100]

# Your code here

Solución

plt.scatter(heights, weights, c='red', marker='o')
plt.xlabel('Heights (cm)')
plt.ylabel('Weights (kg)')
plt.title('Relationship between Heights and Weights')
plt.show()

Ejercicio 3: Análisis Multivariado usando un Mapa de Calor

Tarea: Dado un conjunto de datos con múltiples características, crea un mapa de calor para visualizar las correlaciones entre estas características.

# Sample data: Randomly generated for 4 features
import numpy as np
import pandas as pd
import seaborn as sns

np.random.seed(42)
data = {'Feature1': np.random.randn(100),
        'Feature2': np.random.randn(100),
        'Feature3': np.random.randn(100),
        'Feature4': np.random.randn(100)}
df = pd.DataFrame(data)

# Your code here

Solución

corr = df.corr()
sns.heatmap(corr, annot=True, cmap='coolwarm')
plt.show()

Compra este libro