Click here to view the next lesson.

Capítulo 1: Introducción al Análisis de Datos y Python

1.4 Ejercicios Prácticos para el Capítulo 1

Ejercicio 1: Definir un Problema de Análisis de Datos

Objetivo: Ejercitar su habilidad para formular un problema adecuado para el análisis de datos.
Tarea: Escriba una declaración de problema o pregunta que le gustaría resolver utilizando el análisis de datos. Sea lo más específico posible.
Consejo: Ejemplos de declaraciones de problemas podrían ser "¿Cuál es la edad promedio de los clientes que compraron un producto en particular?" o "¿Cómo afectan los cambios de temperatura al consumo de electricidad?"

Ejercicio 2: Recopilación de Datos con Python

Objetivo: Familiarizarse con las capacidades de Python para la recopilación de datos.
Tarea: Utilice la biblioteca requests de Python para obtener datos de una API abierta de su elección.
Consejo: Asegúrese de consultar la documentación de la API para conocer las pautas de uso.

# Starter Code
import requests

response = requests.get("<https://api.example.com/your_endpoint>")
print(response.json())

Ejercicio 3: Limpieza Básica de Datos con Pandas

Objetivo: Limpiar un conjunto de datos simple utilizando la biblioteca Pandas de Python.
Tarea: Importar un archivo CSV en un DataFrame de Pandas y reemplazar todos los valores NaN (nulos) con 0.
Consejo: Utilice el método fillna() en Pandas.

# Starter Code
import pandas as pd

df = pd.read_csv("your_file.csv")
df.fillna(0, inplace=True)

Ejercicio 4: Crear un Gráfico Básico

Objetivo: Practicar la creación de un gráfico básico utilizando Matplotlib.
Tarea: Graficar un histograma de edades a partir del DataFrame que utilizaste en el Ejercicio 3.
Consejo: Utiliza la función hist() de Matplotlib.

# Starter Code
import matplotlib.pyplot as plt

plt.hist(df['age'], bins=20)
plt.show()

Ejercicio 5: Evaluar un Modelo Simple

Objetivo: Familiarizarse con la evaluación básica de modelos.
Tarea: Utilizar la biblioteca Scikit-learn para ajustar un modelo de Regresión Lineal en cualquier par de variables del DataFrame que utilizaste en el Ejercicio 3. Evaluar el rendimiento del modelo utilizando la métrica del Error Cuadrático Medio (MSE).
Consejo: Utiliza LinearRegression del módulo linear_model de Scikit-learn y mean_squared_error del módulo metrics.

# Starter Code
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Your code here

Al trabajar en estos ejercicios, solidificarás tu comprensión del proceso de análisis de datos y obtendrás experiencia práctica con las bibliotecas de análisis de datos de Python. Buena suerte y recuerda: la clave para dominar el análisis de datos es ¡practicar, practicar y practicar!

1.4 Ejercicios Prácticos para el Capítulo 1

Ejercicio 1: Definir un Problema de Análisis de Datos

Objetivo: Ejercitar su habilidad para formular un problema adecuado para el análisis de datos.
Tarea: Escriba una declaración de problema o pregunta que le gustaría resolver utilizando el análisis de datos. Sea lo más específico posible.
Consejo: Ejemplos de declaraciones de problemas podrían ser "¿Cuál es la edad promedio de los clientes que compraron un producto en particular?" o "¿Cómo afectan los cambios de temperatura al consumo de electricidad?"

Ejercicio 2: Recopilación de Datos con Python

Objetivo: Familiarizarse con las capacidades de Python para la recopilación de datos.
Tarea: Utilice la biblioteca requests de Python para obtener datos de una API abierta de su elección.
Consejo: Asegúrese de consultar la documentación de la API para conocer las pautas de uso.

# Starter Code
import requests

response = requests.get("<https://api.example.com/your_endpoint>")
print(response.json())

Ejercicio 3: Limpieza Básica de Datos con Pandas

Objetivo: Limpiar un conjunto de datos simple utilizando la biblioteca Pandas de Python.
Tarea: Importar un archivo CSV en un DataFrame de Pandas y reemplazar todos los valores NaN (nulos) con 0.
Consejo: Utilice el método fillna() en Pandas.

# Starter Code
import pandas as pd

df = pd.read_csv("your_file.csv")
df.fillna(0, inplace=True)

Ejercicio 4: Crear un Gráfico Básico

Objetivo: Practicar la creación de un gráfico básico utilizando Matplotlib.
Tarea: Graficar un histograma de edades a partir del DataFrame que utilizaste en el Ejercicio 3.
Consejo: Utiliza la función hist() de Matplotlib.

# Starter Code
import matplotlib.pyplot as plt

plt.hist(df['age'], bins=20)
plt.show()

Ejercicio 5: Evaluar un Modelo Simple

Objetivo: Familiarizarse con la evaluación básica de modelos.
Tarea: Utilizar la biblioteca Scikit-learn para ajustar un modelo de Regresión Lineal en cualquier par de variables del DataFrame que utilizaste en el Ejercicio 3. Evaluar el rendimiento del modelo utilizando la métrica del Error Cuadrático Medio (MSE).
Consejo: Utiliza LinearRegression del módulo linear_model de Scikit-learn y mean_squared_error del módulo metrics.

# Starter Code
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Your code here

1.4 Ejercicios Prácticos para el Capítulo 1

Ejercicio 1: Definir un Problema de Análisis de Datos

Objetivo: Ejercitar su habilidad para formular un problema adecuado para el análisis de datos.
Tarea: Escriba una declaración de problema o pregunta que le gustaría resolver utilizando el análisis de datos. Sea lo más específico posible.
Consejo: Ejemplos de declaraciones de problemas podrían ser "¿Cuál es la edad promedio de los clientes que compraron un producto en particular?" o "¿Cómo afectan los cambios de temperatura al consumo de electricidad?"

Ejercicio 2: Recopilación de Datos con Python

Objetivo: Familiarizarse con las capacidades de Python para la recopilación de datos.
Tarea: Utilice la biblioteca requests de Python para obtener datos de una API abierta de su elección.
Consejo: Asegúrese de consultar la documentación de la API para conocer las pautas de uso.

# Starter Code
import requests

response = requests.get("<https://api.example.com/your_endpoint>")
print(response.json())

Ejercicio 3: Limpieza Básica de Datos con Pandas

Objetivo: Limpiar un conjunto de datos simple utilizando la biblioteca Pandas de Python.
Tarea: Importar un archivo CSV en un DataFrame de Pandas y reemplazar todos los valores NaN (nulos) con 0.
Consejo: Utilice el método fillna() en Pandas.

# Starter Code
import pandas as pd

df = pd.read_csv("your_file.csv")
df.fillna(0, inplace=True)

Ejercicio 4: Crear un Gráfico Básico

Objetivo: Practicar la creación de un gráfico básico utilizando Matplotlib.
Tarea: Graficar un histograma de edades a partir del DataFrame que utilizaste en el Ejercicio 3.
Consejo: Utiliza la función hist() de Matplotlib.

# Starter Code
import matplotlib.pyplot as plt

plt.hist(df['age'], bins=20)
plt.show()

Ejercicio 5: Evaluar un Modelo Simple

Objetivo: Familiarizarse con la evaluación básica de modelos.
Tarea: Utilizar la biblioteca Scikit-learn para ajustar un modelo de Regresión Lineal en cualquier par de variables del DataFrame que utilizaste en el Ejercicio 3. Evaluar el rendimiento del modelo utilizando la métrica del Error Cuadrático Medio (MSE).
Consejo: Utiliza LinearRegression del módulo linear_model de Scikit-learn y mean_squared_error del módulo metrics.

# Starter Code
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Your code here

1.4 Ejercicios Prácticos para el Capítulo 1

Ejercicio 1: Definir un Problema de Análisis de Datos

Objetivo: Ejercitar su habilidad para formular un problema adecuado para el análisis de datos.
Tarea: Escriba una declaración de problema o pregunta que le gustaría resolver utilizando el análisis de datos. Sea lo más específico posible.
Consejo: Ejemplos de declaraciones de problemas podrían ser "¿Cuál es la edad promedio de los clientes que compraron un producto en particular?" o "¿Cómo afectan los cambios de temperatura al consumo de electricidad?"

Ejercicio 2: Recopilación de Datos con Python

Objetivo: Familiarizarse con las capacidades de Python para la recopilación de datos.
Tarea: Utilice la biblioteca requests de Python para obtener datos de una API abierta de su elección.
Consejo: Asegúrese de consultar la documentación de la API para conocer las pautas de uso.

# Starter Code
import requests

response = requests.get("<https://api.example.com/your_endpoint>")
print(response.json())

Ejercicio 3: Limpieza Básica de Datos con Pandas

Objetivo: Limpiar un conjunto de datos simple utilizando la biblioteca Pandas de Python.
Tarea: Importar un archivo CSV en un DataFrame de Pandas y reemplazar todos los valores NaN (nulos) con 0.
Consejo: Utilice el método fillna() en Pandas.

# Starter Code
import pandas as pd

df = pd.read_csv("your_file.csv")
df.fillna(0, inplace=True)

Ejercicio 4: Crear un Gráfico Básico

Objetivo: Practicar la creación de un gráfico básico utilizando Matplotlib.
Tarea: Graficar un histograma de edades a partir del DataFrame que utilizaste en el Ejercicio 3.
Consejo: Utiliza la función hist() de Matplotlib.

# Starter Code
import matplotlib.pyplot as plt

plt.hist(df['age'], bins=20)
plt.show()

Ejercicio 5: Evaluar un Modelo Simple

Objetivo: Familiarizarse con la evaluación básica de modelos.
Tarea: Utilizar la biblioteca Scikit-learn para ajustar un modelo de Regresión Lineal en cualquier par de variables del DataFrame que utilizaste en el Ejercicio 3. Evaluar el rendimiento del modelo utilizando la métrica del Error Cuadrático Medio (MSE).
Consejo: Utiliza LinearRegression del módulo linear_model de Scikit-learn y mean_squared_error del módulo metrics.

# Starter Code
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error

# Your code here

Compra este libro