import pandas as pd # Libreria para el tratamiento de DataFrames import matplotlib.pyplot as plt # Libreria gráfica import seaborn as sns # Libreria gráfica from sklearn.model_selection import train_test_split # Dividir los datos en entrenamiento y prueba from sklearn.linear_model import LinearRegression # Modelo de Regresión lineal

# Lectura del dataset saber_pro = pd.read_csv("/work/base_saberpro.csv")

# Primeras 5 filas del dataset saber_pro.head()

# ¿Que columnas tienen los datos? saber_pro.columns

# ¿Que tamaño tienen los datos? saber_pro.shape

# ¿Hay datos nulos? saber_pro.info()

# ¿Como se comportan las variables categoricas? saber_pro.describe(include=["O"])

# Gráficamos la variable depediente que es el puntaje de los estudiantes plt.figure(figsize=(9,5)) sns.histplot(data = saber_pro, x = "PUNT_GLOBAL", color = "g", binwidth = 10, binrange = [0, 300], kde = True) plt.title("Resultados de los estudiantes") plt.xlabel("Puntaje") plt.show()

# Resultados y género plt.figure(figsize=(9,5)) sns.histplot(data = saber_pro, x = "PUNT_GLOBAL", palette = "rocket", hue = "ESTU_GENERO", binwidth = 10, binrange = [0, 300], kde = True) plt.title("Resultados de los estudiantes por género") plt.xlabel("Puntaje") plt.show()

# Resultados y estrato socioeconómico plt.figure(figsize=(9,5)) sns.histplot(data = saber_pro, x = "PUNT_GLOBAL", palette = "rocket", hue = "FAMI_ESTRATOVIVIENDA", multiple = "stack", binwidth = 10, binrange = [0, 300], kde = True) plt.title("Resultados de los estudiantes y estrato socioeconómico") plt.xlabel("Puntaje") plt.show()

# Resultados y institución educativa plt.figure(figsize=(9,5)) sns.histplot(data = saber_pro, x = "PUNT_GLOBAL", palette = "magma", hue = "INST_ORIGEN", multiple = "stack", binwidth = 10, binrange = [0, 300], kde = True) plt.title("Resultados de los estudiantes y institución educativa") plt.xlabel("Puntaje") plt.show()

# Resultados y modalidad de estudio plt.figure(figsize=(9,5)) sns.histplot(data = saber_pro, x = "PUNT_GLOBAL", palette = "magma", hue = "ESTU_METODO_PRGM", multiple = "stack", binwidth = 10, binrange = [0, 300], kde = True) plt.title("Resultados de los estudiantes y modalidad de estudio") plt.xlabel("Puntaje") plt.show()

# Procedemos a seleccionar nuestras columnas de interes saber_pro = saber_pro[["ESTU_GENERO", "ESTU_AREARESIDE", "ESTU_VALORMATRICULAUNIVERSIDAD", "ESTU_PAGOMATRICULABECA", "FAMI_EDUCACIONPADRE", "FAMI_EDUCACIONMADRE", "FAMI_ESTRATOVIVIENDA", "FAMI_TIENEINTERNET", "FAMI_TIENECOMPUTADOR", "FAMI_TIENELAVADORA", "FAMI_TIENEHORNOMICROOGAS", "FAMI_TIENESERVICIOTV", "FAMI_TIENEAUTOMOVIL", "FAMI_TIENEMOTOCICLETA", "FAMI_TIENECONSOLAVIDEOJUEGOS", "ESTU_HORASSEMANATRABAJA", "ESTU_METODO_PRGM", "INST_ORIGEN", "ESTU_ESTADOCIVIL", "ESTU_SIMULACROTIPOICFES", "PUNT_GLOBAL"]]

# Observamos las 5 primeras filas de nuestro dataset saber_pro.info()

# Creación de nuestra variable independiente X = saber_pro.drop(["PUNT_GLOBAL"], axis = 1)

# Creación de nuestra variable dependiente Y = saber_pro["PUNT_GLOBAL"]

# Procedemos a la creación de las variables dummys X = pd.get_dummies(data = X, drop_first=True)

# Información de la variable X X.info()

# Dividimos nuestros datos con train_test_split X_train, X_test, Y_train, Y_test = train_test_split(X, Y, test_size = .20, random_state = 40) print('Muestras de entrenamiento: ',X_train.shape[0]) # 80% son datos de entramiento y 20% de test

# Regresión lineal regressor = LinearRegression() regressor.fit(X_train, Y_train)

# Capacidad predictora regressor.score(X_test, Y_test)

# Instalamos la libreria pip install statsmodels

# Importamos el modelo import statsmodels.api as sm

# Creación del modelo con statsmodels X_train = sm.add_constant(X_train, prepend=True) modelo = sm.OLS(endog=Y_train, exog=X_train,) modelo = modelo.fit() print(modelo.summary())