Trabajo Práctico Integrador

Autora: María Gabriela Cáceres.

Curso: BIG DATA

Docente: Emiliano Zapata.

Comisión: C22620

Fecha: Enero-2023

👌 Se procede a realizar el siguiente notebook con el proposito de dar cumplimiento al trabajo integrador número dos del curso BIG DATA del programa CODO A CODO.

Consigna:

A partir de un archivo csv, generar una publicación en Deepnote que deberá contener: -Análisis exploratorio (analítico y visual). -Formular y responder las preguntas.

Requisito de datos

1.Importe de librerias

Se comienza con el importe de las suiguientes librerias de Python:

# 1.Importamos las librerias import pandas as pd import numpy as np import seaborn as sns import matplotlib.pyplot as plt import scipy as sc

Obtención de datos

2.Cargar los datos en DataFrame

Por medio de la opción agregar files se carga el archivo CSV con el método read, que servirá de insumos para la exploración de datos y teniendo un panorama general del DataFrame.

# 2. Cargar los datos en Dataframe df= pd.read_csv('/work/exams.csv') df

Procesado de datos

Primeras exploraciones

👀 Consulta de primeras -útimas filas y columnas.

# las 5 primeras filas del Df df.head()

# Las últimas 5 filas del DF df.tail()

Resumen Estadístico del DataFrame

De acuerdo a la exploración preliminal📊 , se usa el método describe(), devolviendo información estadística de los datos del dataframe.

# Resumen Estadístico df.describe()

# Explorar los tipos de datos en el DF # Permite observar las variables categóricas y numéricas df.dtypes

Limpieza de datos

Procedemos a la limpieza de datos, ya sea por columnas no relevantes, datos duplicados o nulos. Se tomará una muestra de los datos que este condensados en el rango intercuartil, evadiendo los outliers.

# 4. Limpieza, eliminamos duplicado del DF print(f'Original:{df.id.count()} filas') duplicate_rows_df=df[df.duplicated()] print(f'La cantidad de filas duplicas en el DF es: {duplicate_rows_df.id.count()}') df=df.drop_duplicates()

#Cantidad de filas luego de haber elimando los duplicados print(f'DF Final: {df.id.count()} filas')

# 5. Eliminamos columna id del DF print(df.columns) df= df.drop (['id'], axis=1)

print(df.columns)

#6. Eliminar los valores pérdidos y nulos del DF # Primero encontramos los valores nulos print(df.isnull().sum ()) # Visualizamos los datos nulos en mapa de calor sns.heatmap(df.isnull(), cbar=False)

# 7. Ahora eliminar los valores perdidos df= df.dropna() print() # DF luego de depurar los nulos print(df.isnull().sum ()) #Cantidad de filas luego de haber elimando los nulos y perdidos print(f'DF Final: {df.count()} filas')

Como observamos existen 18 filas duplidas de 1018. Aplicamos el método duplicated() y elaboramos un borrado de esos datos, quedando en nuestro DataFrame 1000 filas en una primera instancia. Luego calculamos y eliminamos datos nulos, usando el método dropna , resultando un DF de 993 filas. Estos procedimientos se hacen con la finalidad de tener una data con entredas que generen resultados fiables y correctos.

Acondicionamiento del Dataframe

#8.Renombrar columnas del DF df = df.rename(columns = { 'gender':'Gender', 'race/ethnicity':'Ethnicity', 'parental level of education':'Parental level of education', 'lunch': 'Lunch', 'employed':'Employed', 'test preparation course':'Test preparation course', 'math score':'Math score', 'physics score':'Physics score', 'chemistry score':'Chemistry score', 'algebra_score': 'Algebra score'}) df.columns

Detección de Outliers

Seguimos haciendo limpieza de los datos ✂️ , detectando los outliers, es decir datos que escapan al rango intercuartil en donde se concentran la mayoría de los datos. En este caso, lo haremos para las variables cuantitativas: Math score, Physics score, Chemistry score y Algebra score.

#9. Exploración visual de outliers #Detectar los Outliers de las 4 útimas columnas sns.set_style({'xtick.color':'blue','ytick.color':'black'}) sns.color_palette("husl") sns.boxplot(x= df['Math score']) plt.show() sns.boxplot(x= df['Physics score']) plt.show() sns.boxplot(x= df['Chemistry score']) plt.show() sns.boxplot(x= df['Algebra score']) plt.show()

#10. Excluir datos no relevantes, que esten fuera de los cuartiles 1,2,3. print(f'Antes: {df.Lunch.count()} filas\ n') #cuenta filas Q1= df.quantile(0.25) #Identifica el primer cuartil Q3= df.quantile(0.75) #Identifica el segundo cuartil IQR= Q3-Q1 #Rango Intercuartil print(IQR) df= df[~((df<(Q1-1.5*IQR)) |(df>(Q3+1.5*IQR))).any(axis=1)] #exscluye los que estan fuera de los cuartiles print(f'\nDespues:{df.Lunch.count()} filas') # imprime las nuevas filas

Lo primero que hicimos fue detectar los outliers, observamos que los rangos intercuatiles son semejantes para las variables cuantitativas. De esta manera, eliminamos los datos que estan fuera del rango, quedando luego de la depuración 984 filas.

Análisis exploratorio de datos

Comenzamos a ver la correlación de variables cuantitativas, de acuerdo a las frecuencias que tienen las calificaciones.

#9. Encontrar correlaciones y frecuencias sns.set_style({'xtick.color':'magenta','ytick.color':'black'}) sns.set_palette('dark') plt.hist(df['Algebra score'], bins=20) plt.title('Algebra') plt.ylabel('Student score') plt.xlabel('score') plt.show() plt.hist(df['Chemistry score'], bins=20) plt.title('Chemistry') plt.ylabel('Student score') plt.xlabel('score') plt.show() plt.hist(df['Physics score'], bins=20) plt.title('Physics') plt.ylabel('Student score') plt.xlabel('score') plt.show() color= 'magenta' plt.hist(df['Math score'], bins=20) plt.title('Math') plt.ylabel('Student score') plt.xlabel('score') plt.show()

Coeficiente de correlación de Pearson

#10. Correlación de los datos= mapa de calor c=df.corr() print(c)

plt.figure(figsize= (20,10)) sns.set_style({'xtick.color':'blue','ytick.color':'black'}) sns.heatmap(c, cmap='Blues', annot=True) plt.show()

La matriz y el mapa de calor, muestran que las variables Álgebra y Psicología guarda una correlación alta de 96.8% y Matemática y Química una media-alta de 79.8%. En general todas las variaibles estan extrechamente correlacionadas de manera positiva.

Frecuencia de variables categóricas

Se visualiza los porcentajes de variables categóricas, por medio de gráficos de tortas con el método plot.pie().

#11. pandas.values_count= Devuelve una serie con valores únicos de orden descendete de frecuencia.sizes labels = df['Gender'].value_counts().index sizes = df['Gender'].value_counts() colores = ["#EE6055","#60D394","#AAF683","#FFD97D","#FF9B85"] plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Gender') plt.axis("equal") plt.show() #Repetimos el codigo para las diferentes variables categíricas del DF. labels = df['Ethnicity'].value_counts().index sizes = df['Ethnicity'].value_counts() colores = ["#EE6055","#60D394","#AAF683","#FFD97D","#FF9B85"] plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Ethnicity') plt.axis("equal") plt.show() labels = df['Employed'].value_counts().index sizes = df['Employed'].value_counts() colores = ["#EE6055","#60D394","#AAF683","#FFD97D","#FF9B85"] plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Employed') plt.axis("equal") plt.show() labels = df['Test preparation course'].value_counts().index sizes = df['Test preparation course'].value_counts() colores = ["#EE6055","#60D394","#AAF683","#FFD97D","#FF9B85"] plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Test preparation course') plt.axis("equal") plt.show()

Cuando exploramos las variables categóricas, nos encontramos que el 51.8% de los registros son de género maculino. Las etnias más predominantes son de los grupos C y D. La variable empleo tiene una brecha muy corta de 2.2 puntos , con respecto a los que trabajan o no. En cuanto al test de preparación de los curso solamente el 33.7 % lo completaron.

Respondemos preguntas:

1) ¿Existe relación entre el promedio de notas obtenidas y el hecho de haber realizado el curso preparatorio?

# Generamos un DF que muestre el promedio por fila de las calificaciones de los cursos df['Average Score']= df.mean(axis=1) # Promedio o media aritmética de cursos # El parámetro axis=1 permite que la función aplique sobre los valores numéricos de la fila en lugar de columnas. df

# Creamos variables del curso de preparación de examenes(si-no) si = df[df['Test preparation course'] =='completed'] # Los que completaron el curso no = df[df['Test preparation course'] =='none'] # Los que no hicieron el curso

# Graficamos con histogramas interpuestos las dos variables sns.histplot(si['Average Score'],color='red', alpha=.4, fill=True) sns.histplot(no['Average Score'],color='blue', alpha=.4, fill=True) plt.show()

print(f'Estudiantes que completaron el curso son:', si['Test preparation course'].count()) print(f'Estudiantes que no completaron el curso son:', no['Test preparation course'].count())

Conclusión:

De acuerdo a la frecuencia obtenida de la variable "Test preparation course", en los histogramas interpuestos. El rojo 🔴, representa a los que completaron el curso y el azul 🔵 a los que no . En consecuencia, los que completaron el curso no muestran una relación determinante en el promediode los estudiantes. Po otro lado, la cantidad de estudiantes que no hicieron el curso, representam el 66.26 % de los datos, dando esto suficiente información para asegurar que el curso no generó incrementos en los promedios de los cursos.

2) ¿El nivel de instrucción de los padres ofrece beneficios en el rendimiento académicos de los hijxs?

# Generamos un diagrama de barras horizontal con Avereges Scores y nivel de instricción de los padres sns.set_theme(style='whitegrid', context='notebook') sns.catplot(x="Average Score", y="Parental level of education", kind= "bar", data= df, palette='Set1') sns.set_theme(style= 'darkgrid', context='talk') plt.show()

Conclusión:

Se observa una tendencia de crecimiento 📈 en el Average Score, a medida que aumenta el nivel de instrucción de los padres, a pesar que el primer nivel "high school", pareciera indiferente a esta tendencia. En esta misma idea, la variable Average Score se acerca a un promedio medio-alto de 75 puntos en el nivel de instrucción mayor que es Master's Degree.

3) ¿La condición laboral incide el promedio académico de los estudiantxs?

# Generamos diagrama de caja con la variable categórica "Employed" y Average Score #Matizaremos en Gender con el parámetro hue sns.catplot(x="Employed", y="Average Score", hue='Gender', kind= "box", data= df, palette='Set1') plt.show()

Conclusión:

Las cajas de bigotes arrojadas son muy similares para la variable "Employed"👩‍🏭 . Es decir, que los estudiantes que trabajan o no tienen rangos intercuartiles equivalentes, ubicandose con una mediana cercana a los 65 puntos para los géneros reportados. De este modo, se observa que la modalidad de la cursada para estos estudios se ajusta a horarios y métodos flexibles para lograr Averages medios-altos.

En el caso de la distribución por géneros, los "female" tienen un ligero incremento en sus promedios con respecto a los "male". Indistintamente de si trabajan o no.

4) ¿El Lunch favorece el redimiento académico del estudiantx?

# Creamos un diagrama de enjambre que visualice la relación entre Lunch y Average Score sns.catplot(x="Lunch", y="Average Score", hue='Gender', kind= "swarm", data= df, palette='Set1') plt.show()

luch_standart= df[df['Lunch'] == 'standard'] luch_free_reduced= df[df['Lunch'] == 'free/reduced'] print(f'Cantidad de estudiantes con Lunch Standar:', luch_standart['Lunch'].count()) print(f'Cantidad de estudiantes con Lunch free/reduced:', luch_free_reduced['Lunch'].count())

Conclusión:

A pesar que la densidad de datos mayor se encuentran en los estudiantes que consumen una merienda estándar🍽️ . Se observa en el diagrama de enjambre que los que disponen Luch o merienda estándar alcanzan mejores promedios en los cursos. En cambio, los que tienen una merienda reducida, la densidad de datos se acentúan en la zonas inferiores, es decir a los promedios bajos. Esto confirma, que si el estudiante tiene disponible una merienda, obtiene mejores resultados académicos.

5) ¿Cuáles son las etnias que tiene mayor promedio en los cursos?

# Generamos diagrama de líneas para Average Score en las diferentes etnias sns.set_theme(style='whitegrid', context='notebook') sns.relplot(data=df, y='Average Score', x='Ethnicity', kind='line', palette='Set1') plt.show()

Conclusión:

Acudimos al diagrama de línea para representar los promedios de calificaciones de los estudiantes por cada etnia. Permiendo evidenciar que las etnias con mejores promedios en los cursos estan compuestas por los grupos D y E. Con mean(promedios) por encima de 70 puntos. Por otro lado, el grupo C, maneja un promedio menor con respecto a todos los grupos.

6) ¿Cuál es descripción estadística del Average Score?

# Aplicamos método describe para generar un DF con información estadística Average Score df['Average Score'].describe()

# Graficamos la distribución del Average Score sns.set_theme(style='whitegrid', context='notebook') sns.histplot(data=df, x= 'Average Score', bins= 20, kde= True) sns.set_theme(style= 'darkgrid', context='talk') plt.show()

Conclusión:

De 984 datos, la variable Average Score está distribuida acercandose a la simetría Gaussiana. Sin embargo, para que esto se cumpla, la media, mediana y moda deben ser iguales. La concentración de datos se encuentra entre un promedio de 60 a 80 puntos. Con una media aritmética⚖️ de 68.03 puntos y una desviación estándar de 14.09 puntos con valores que van desde 31 a 100 puntos.

Preguntas que se pueden plantear con la información estadística

7) ¿Cúal es el promedio de los cursos más frecuente?

# Obtenemos la moda del Average Score print(f'El Average Score más frecuente es:', df['Average Score'].mode()[0])

Con la aplicación del parámetro mode(), se calcula la moda, que consiste en conseguir el valor más frecuente. Para este caso lo usamos para detectar cual es el promedio de cursos más frecuentes, arrojandonos 79 puntos.

8) ¿Cuál es el desempeño de los estudiantxs en los cursos?

Justificación:

Para dar mejor presentación en las visualizaciones🔎 , se procede a categorizar la variables Average Score en calificaciones con apreciaciones: Deficiente, regular, bueno y muy bueno. Tomando en cuenta, la división del DF en bins que se encuentre entre el mínimo y máximo de los Averag Score.

# Categorizamos la variable Average Score bins= np.linspace(min(df['Average Score']), max(df['Average Score']),5) categorias= ['Deficiente', 'Regular', 'Bueno', 'Muy Bueno'] # Creamos una columna la cual la llamaremos Redimiento df['Rendimiento']= pd.cut(df['Average Score'], bins, labels =categorias, include_lowest= True) print(df)

# Graficamos el rendimiento general de los estudiantes labels = df['Rendimiento'].value_counts().index sizes = df['Rendimiento'].value_counts() colores = ["#9ACD32","#FFA500","#87CEEB","#FF0000"] plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Rendimiento de los estudiantes') plt.axis("equal") plt.show()

# Añadiremos columnas referentes al rendimiento de cada curso df['Rendimiento_Math']= pd.cut(df['Math score'], bins, labels =categorias, include_lowest= True) df['Rendimiento_Algebra']= pd.cut(df['Algebra score'], bins, labels =categorias, include_lowest= True) df['Rendimiento_Chemistry']= pd.cut(df['Chemistry score'], bins, labels =categorias, include_lowest= True) df['Rendimiento_Physics']= pd.cut(df['Physics score'], bins, labels =categorias, include_lowest= True) df

# Graficaremos los rendimientos por cada curso labels = df['Rendimiento_Math'].value_counts().index sizes = df['Rendimiento_Math'].value_counts() colores = ["#9ACD32","#FFA500","#87CEEB","#FF0000"] # colores de los gráficos plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Rendimiento de Matemática') plt.axis("equal") plt.show() labels = df['Rendimiento_Algebra'].value_counts().index sizes = df['Rendimiento_Algebra'].value_counts() plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Rendimiento de Álgebra') plt.axis("equal") plt.show() labels = df['Rendimiento_Chemistry'].value_counts().index sizes = df['Rendimiento_Chemistry'].value_counts() plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Rendimiento de Química') plt.axis("equal") plt.show() labels = df['Rendimiento_Physics'].value_counts().index sizes = df['Rendimiento_Physics'].value_counts() plt.pie(sizes, labels= labels, autopct="%0.1f %%", colors=colores) plt.title('Rendimiento de Psicología') plt.axis("equal") plt.show()

Conclusión:

En los gráficos circulares se observa que los estudiantes tienen calificaciones en los cursos entre Bueno y Regular. Siendo esto positivo al marcar una predominancia en calificaciones buenas y solo el 10% son deficientes. Cabe destacar que el curso Psicología tiene mayor porcentaje de Muy Bueno con respecto a los otros cursos y el curso que tiene más porcentaje de deficiencia es Matemática con un 11%, seguido Química con 10.9%. De manera general, de 984 estudiantes, aproximadamente 108 de ellos tienen deficiencia en matemática y 107 en Química.

Seria de mucha relevancia💡 saber si los estudiantes que tienen deficiencia en la Matemática son los mismos que las tienen en Química. En virtud de los datos anteriores obtenidos, el nivel de correlación en la Matriz Pearson, las variables Matematica y Química eran media-altas con un 79.9 % de correlación. Por consiguiente, es muy probable que el estudiante que tenga dificultades en la matemática tambien lo tenga en Química.

9)¿ Promedios más comúnes de los cursos?

#Cual es la calificación más frecuente en los diferentes cursos moda_math= df["Math score"].mode() moda_algebra = df["Algebra score"].mode() moda_chemistry = df["Chemistry score"].mode() moda_physics = df["Physics score"].mode() print(f""""El promedio más frecuente de Matemática es: {moda_math} El promedio más frecuente de Algebra es: {moda_algebra} El promedio más frecuente de Quimica es: {moda_chemistry} El promedio más frecuente de Phicologia es: {moda_physics}""""")

Conclusión:

Como se muestra en la aplicación del parámetro mode(), las calificaciones frecuentes son por encima de los 63 puntos. En el análisis explorarorio general de la variable Average Score, se pudo aseverar que los promedios más frecuentes se encuentran en un rango de 60 a 80 puntos. Por consiguiente, podemos inferir tanto de manera categórica como numérica que los estudiantes tienen resultados acádemicos positivos.

10) ¿Cuál es Average Score del estudiantx, si tiene un Math Score de 60 puntos?

Justificación:

Usaremos una regresión lineal 🔗 simple para predecir el Average Score.

La regresión lineal, es una técnica de análisis de datos que predice valores de datos desconocidos sobre unos ya conocidos y relacionados. Como vimos anteriormente, la variable Math Score guarda una fuerte relación con las otras variables numéricas. Para este análisis, ejecutaremos una regresión lineal con variable objetivo dependiente "Average Score" e independiente predictota con Math Score. Precisa identificar cual en la calificación promedio de los cursos (Average Score) si la calificacion de Matemática es 60 puntos. Siendo datos númericos que de manera trivial se puede responder solo observando los resultados en las visualizaciones. Se pretende practicar los pasos para abordar una regresión lineal simple y plasmarlos posteriormente 🚀 en análisis más complejos. Cabe destacar que el DF, ya ha sido previamente normalizado, estandarizado y limpiado.

!pip install statsmodels==0.13.5

#Regresión Lineal #Importamos requerimientos para la RL(Regresión Lineal) import statsmodels.formula.api as smf import math

# Generaremos un diagrama de dispresión para observar como se comportan las variables sns.scatterplot(x='Math score', y='Average Score', data=df)

Se observa que las variables son aptas para la regresión lineal con buena correlación y concordancia.

Entrenamos el modelo

# Definimos las variables explicativas y objetivas explicativas= df[['Math score']] #explica el promedio total objetivas= df['Average Score'] # el promedio total from sklearn.linear_model import LinearRegression model= LinearRegression() # Instanciamos la regresión en objeto model type(model) model.fit(X=explicativas, y=objetivas) # ajustamos los parámetros de la regresión lineal con el métod fil model.__dict__ # visualizar los coeficientes del modelo

Con los datos obtenidos diseñamos la ecuación lineal, en donde el parámetro b1 es la pendiente (∼ 0.86) y el parámetro b0 el intercep (∼10.49). Ecuación lineal:

Predicciones:

model.predict(X=[[60]]) # predice que valor de y para x=Math Score=60

Respuesta: Si Math Scores es 60 puntos, entonces Average Score es 62.24 puntos. Con esta codigo respondemos la pregunta inicial. Por el comportamiento del modelo al ser linealmente positivo, a medica que aumenta la varaible predictora x, aumenta tambien la variable objetivo y.

#Probamos con otra calificación, X=40 model.predict(X=[[40]]) # predice que valor de y para x=Math Score=40

model.predict(X=df[['Math score']])

y_pred= model.predict(X=df[['Math score']])

Insertamos al DF una columna pred (predicciones) con los valores y_pred

df.insert(0,'pred', y_pred) df.head()

Visualizamos nuestro modelo

sns.scatterplot(x='Math score', y='Average Score', data=df) sns.scatterplot(x='Math score', y='pred', data=df) sns.lineplot(x='Math score', y='pred', data=df, color='red')#linea roja

La línea roja🔴 es la regresión lineal y los puntos azules🔵 los datos de origen (puntos de entrenamientos).

Probamos la calidad de modelo

model.score(X=explicativas, y= objetivas) # Coeficiente de determinanción R^2

✔️El coeficiente de determinanción R^2, permite saber la calidad del modelo para replicar resultados y proporción de variación. Considerando, el modelo explica un 84% de los datos originales del total de promedio de calificaciones de los estudiantes.

Conclusiones Generales:

✨El trabajo práctico integrador se destina a relizar un análisis explorarorio, desde el análisis hasta la visualización de los datos para luego convertir la información en conocimiento y en este contexto particular abrir un abaníco de posibilidades en el modelado y entendimiento de las variables.

✨En la data recibida está contemplada información de estudiantes que tienen que ver con ciertas categorías descriptivas, como género, etnias, meriendas, nivel de instrucción de los padres, situación laboral y concretación de curso de preparación. Asi como también, variables numéricas de calificaciones de cursos (Matemática, Álgebra, Química y Psicologia).

Se procedió a reliazar los siguientes pasos:

Generar Data Frame (DT).

Identificar tipo de variables.

Renombramiento de variables.

Limpieza de data: eliminación de outlier, datos nulos, datos duplicados, muestra de datos.

Frecuencia de variables numéricas.

Estimación de médidas.

Correlación de variaibles.

Relación entre variables (Generadores de preguntas).

Análisis estadístico.

Categorizaciones de variables núméricas.

Formulación y respuestas de preguntas.

Regresión Lineal

✨Luego de haber culminado las etapas de exploración pudimos evidenciar que las variables guardan una extrecha relación. La condición laboral no influye directamente en los resultados académicos de los estudiantes ni el curso de preparación. Los promedios entre géneros son casi similes, sin embargo los "female" tienen ligeramente mejor promedio que los "males". En cuanto, los promedios categóricos la mayor concentración de datos estan vinculadas con apreciaciones: Buenos y regular. No odstante, los cursos Matemática y Química son los promedios más bajos. Por último, en la regresión lineal se pudo detectar una gran incidencia en las variables Math Score con respecto a Average Score, demostrando en nuestro modelo, predecir el puntaje de Average Score para una calificación de 60 puntos, logrando un coeficiente de calidad del modelo de regresión usado de 84%.

😋De esta manera, se recomienda:

✨Hacer un seguimiento del funcionamiento de los cursos de preparación. Que los mismos, se adecuén a fortalecer competencias que traen los estudiantes y las que van a desarrollar. Es oportuno hacer un diagnóstico para conocer en que nivel se encuentran para afrontar los cursos.

✨Focalizar los esfuerzos en los cursos con estudiantes con debilidades, como es el caso de Matmática y Química. Proponer cursos de nivelación de contenidos y espacios destinados a la resolución oportuna de dudas.

✨Se destaca que Lunch estándar genera buenos resultados en el rendimiento académico. Por tanto, debe ampliarse la cobertura a estudiantes que aun tienen Luch reducida.

🚀Como el lema de la ciencia de datos es que " una imágen habla más que mil palabras" con este trabajo cada una de las letras de esta frase tienen sentido. Con Python podemos ejecutar análisis exploratorios de una manera sencilla y con grandes cantidades de datos, que se llevan a cabo para transformarlos en conocimientos y conocimientos en ideas. 🙌

.css-qp3y7u{color:var(--chakra-colors-fg-neutral-primary);font-style:italic;font-weight:var(--chakra-fontWeights-bold);letter-spacing:-0.09px;}Trabajo Práctico Integrador

Requisito de datos

1.Importe de librerias

Obtención de datos

2.Cargar los datos en DataFrame

Procesado de datos

Primeras exploraciones

Resumen Estadístico del DataFrame

Limpieza de datos

Acondicionamiento del Dataframe

Detección de Outliers

Análisis exploratorio de datos

Coeficiente de correlación de Pearson

Frecuencia de variables categóricas

Respondemos preguntas:

1) ¿Existe relación entre el promedio de notas obtenidas y el hecho de haber realizado el curso preparatorio?

Conclusión:

2) ¿El nivel de instrucción de los padres ofrece beneficios en el rendimiento académicos de los hijxs?

Conclusión:

3) ¿La condición laboral incide el promedio académico de los estudiantxs?

Conclusión:

4) ¿El Lunch favorece el redimiento académico del estudiantx?

Conclusión:

5) ¿Cuáles son las etnias que tiene mayor promedio en los cursos?

Conclusión:

6) ¿Cuál es descripción estadística del Average Score?

Conclusión:

Preguntas que se pueden plantear con la información estadística

7) ¿Cúal es el promedio de los cursos más frecuente?

8) ¿Cuál es el desempeño de los estudiantxs en los cursos?

Conclusión:

9)¿ Promedios más comúnes de los cursos?

Conclusión:

10) ¿Cuál es Average Score del estudiantx, si tiene un Math Score de 60 puntos?

Conclusiones Generales:

Trabajo Práctico Integrador