import pandas as pd df = pd.read_csv("cars.csv") df

df.dtypes

df.describe()

import pandas as pd df = pd.read_csv('cars.csv')

#Media df['price_usd'].mean()

#Mediana

#Grafico en pandas de un histograma de frecuencia df['price_usd'].plot.hist(bins=20) #bins da los intervalos de valores en los que se trazará el diagrama

import seaborn as sns #distribution plot para hacer un histograma con las marcas de carros sns.displot(df, x='price_usd', hue='manufacturer_name') #hue crea un histograma por cada una de las categorías de manufactorer_name

#Histograma, de barras apiladadf con el tipo de combustible que necesitan sns.displot(df, x='price_usd', hue='engine_type', multiple='stack')

df.groupby('engine_type').count()

Q7_df = df[(df['manufacturer_name'] == 'Audi') & (df['model_name'] == 'Q7')] sns.histplot(Q7_df, x='price_usd', hue='year_produced')

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns df = pd.read_csv('cars.csv')

df['price_usd'].std()

#Rango = valor max - valor min rango = df['price_usd'].max() - df['price_usd'].min() rango

#Quartiles median = df['price_usd'].median() Q1 = df['price_usd'].quantile(q=0.25) #toma el primer 25% de todos los datos Q3 = df['price_usd'].quantile(q=0.75) min_val = df['price_usd'].quantile(q=0) max_val = df['price_usd'].quantile(q=1) print(min_val, Q1, median, Q3, max_val)

iqr = Q3 - Q1 iqr

minlimit = Q1 - 1.5*iqr maxlimit = Q3 + 1.3*iqr print(minlimit, maxlimit)

sns.histplot(df['price_usd'])

sns.boxplot(df['price_usd'])

sns.boxplot(x='engine_fuel', y='price_usd', data=df)

import pandas as pd import seaborn as sns iris = sns.load_dataset('iris') iris.head()

sns.scatterplot(data=iris, x='sepal_length', y='petal_length', hue='species')

sns.jointplot(data=iris, x='sepal_length', y='petal_length', hue='species')

sns.boxplot(data=iris, x='species', y='sepal_length')

sns.barplot(data=iris, x='species', y='sepal_length')

import timeit #para medir el tiempo de ejecución de los modelos import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn import datasets, linear_model #datasets para descargar un modelo y linear_model para hacer una regresión lineal X, y = datasets.load_diabetes(return_X_y=True) #carga el dataset raw = X[:, None, 2] #transformación en las dimensiones para que se ajuste al formato de entrada del preprocesamiento

#reglas de escalamiento lineal, aplicamos max-min max_raw = max(raw) #raw = datos crudos min_raw = min(raw) scaled = (2*raw - max_raw - min_raw)/(max_raw - min_raw) # es importante tener una noción de los datos originales antes y después de escalarlos: fig, axs = plt.subplots(2, 1, sharex=True) axs[0].hist(raw) axs[1].hist(scaled)

# modelos para entrenamiento def train_raw(): linear_model.LinearRegression().fit(raw, y) def train_scaled(): linear_model.LinearRegression().fit(scaled, y)

raw_time = timeit.timeit(train_raw, number=100) #repite la ejecución del código 100 veces y sobre eso calcula el tiempo scaled_time = timeit.timeit(train_scaled, number=100) print(f'train raw: {raw_time}') print(f'train scaled: {scaled_time}')

df = pd.read_csv('cars.csv')

# Acá se puede apreciar como la distribución está fuertemente sesgada df.price_usd.hist()

# Transformación con tanh(x) # Esta línea toma la columna y le aplica a toda una función matemática p = 10000 df.price_usd.apply(lambda x: np.tanh(x/p)).hist()

import pandas as pd df = pd.read_csv('cars.csv')

pd.get_dummies(df['engine_type'])

import sklearn.preprocessing as preprocessing encoder = preprocessing.OneHotEncoder(handle_unknown='ignore')

encoder.fit(df[['engine_type']].values)

encoder.transform([['gasoline'],['diesel'], ['aceite']]).toarray()

encoder.fit(df[['year_produced']].values)

encoder.transform([[2016], [2009], [190]]).toarray()

import numpy as np import matplotlib.pyplot as plt import seaborn as sns from sklearn.preprocessing import StandardScaler iris = sns.load_dataset('iris')

sns.pairplot(iris, hue='species') #este gráfico no sirve si hay demasiadas variables

iris.columns

scaler = StandardScaler() scaled = scaler.fit_transform( iris[['sepal_length', 'sepal_width', 'petal_length', 'petal_width']] ) scaled.T

covariance_matrix = np.cov(scaled.T) covariance_matrix

# Mapa de calor de la matriz de covarianza plt.figure(figsize=(10,10)) sns.set(font_scale=1.5) hm = sns.heatmap(covariance_matrix, cbar=True, annot=True, square=True, fmt='.2f', annot_kws={'size': 12}, yticklabels=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'], xticklabels=['sepal_length', 'sepal_width', 'petal_length', 'petal_width'])