Primer cuaderno de Jupyter

Usaremos el datased ifood para evaluar la eficiencia de unas campañas publicitarias aplicadas en un restaurante.

Carga de datos

Para cargar los datos debe hacer clic en el panel izquierdo en el botón de exploración de archivos. En ese menu tendra la opción de subir algunos datos.

import pandas as pd

# Load the dataset from the user's Google Drive
df = pd.read_csv("ifood_df.csv")

# Show DataFrame
df.head(5)

	Income	Kidhome	Teenhome	Recency	MntWines	MntFruits	MntMeatProducts	MntFishProducts	MntSweetProducts	MntGoldProds	...	marital_Together	marital_Widow	education_2n Cycle	education_Basic	education_Graduation	education_Master	education_PhD	MntTotal	MntRegularProds	AcceptedCmpOverall
0	58138.0	0	0	58	635	88	546	172	88	88	...	0	0	0	0	1	0	0	1529	1441	0
1	46344.0	1	1	38	11	1	6	2	1	6	...	0	0	0	0	1	0	0	21	15	0
2	71613.0	0	0	26	426	49	127	111	21	42	...	1	0	0	0	1	0	0	734	692	0
3	26646.0	1	0	26	11	4	20	10	3	5	...	1	0	0	0	1	0	0	48	43	0
4	58293.0	1	0	94	173	43	118	46	27	15	...	0	0	0	0	0	0	1	407	392	0

5 rows × 39 columns

Exploración de datos

Vamos a explorar los datos para entender su estructura y contenido.

# Ayudame a ver las filas de la 20 a la 30 de df

df.iloc[20:31]

	Income	Kidhome	Teenhome	Recency	MntWines	MntFruits	MntMeatProducts	MntFishProducts	MntSweetProducts	MntGoldProds	...	marital_Together	marital_Widow	education_2n Cycle	education_Basic	education_Graduation	education_Master	education_PhD	MntTotal	MntRegularProds	AcceptedCmpOverall
20	2447.0	1	0	42	1	1	1725	1	1	1	...	0	0	0	0	1	0	0	1729	1728	0
21	58607.0	0	1	63	867	0	86	0	0	19	...	0	0	0	0	0	0	1	953	934	1
22	65324.0	0	1	0	384	0	102	21	32	5	...	0	0	0	0	0	0	1	539	534	0
23	40689.0	0	1	69	270	3	27	39	6	99	...	1	0	0	0	1	0	0	345	246	0
24	18589.0	0	0	89	6	4	25	15	12	13	...	0	0	0	0	1	0	0	62	49	0
25	53359.0	1	1	4	173	4	30	3	6	41	...	0	0	0	0	1	0	0	216	175	0
26	38360.0	1	0	26	36	2	42	20	21	10	...	0	0	0	0	1	0	0	121	111	0
27	84618.0	0	0	96	684	100	801	21	66	0	...	0	0	0	0	0	0	1	1672	1672	1
28	10979.0	0	0	34	8	4	10	2	2	4	...	0	0	0	0	0	1	0	26	22	0
29	38620.0	0	0	56	112	17	44	34	22	89	...	1	0	0	0	0	1	0	229	140	0
30	40548.0	0	1	31	110	0	5	2	0	3	...	1	0	0	0	1	0	0	117	114	1

11 rows × 39 columns

Hagamos una descripicón de los datos interesnates, en este caso, la descripción de las columnas: Income, Recency, Kidhome y Teenhome.

columnas = ['Income','Recency','Kidhome','Teenhome']

# Veamos información de las columnas seleccionadas

df[columnas].describe()

	Income	Recency	Kidhome	Teenhome
count	2205.000000	2205.000000	2205.000000	2205.000000
mean	51622.094785	49.009070	0.442177	0.506576
std	20713.063826	28.932111	0.537132	0.544380
min	1730.000000	0.000000	0.000000	0.000000
25%	35196.000000	24.000000	0.000000	0.000000
50%	51287.000000	49.000000	0.000000	0.000000
75%	68281.000000	74.000000	1.000000	1.000000
max	113734.000000	99.000000	2.000000	2.000000

Gráficos de distribución

Sabemos por nuestros cursos de estadística que los histogramas son una buena forma de entender la distribución de los datos. Hagamos un histograma para cada una de las variables mencionadas.

Income:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Descripción de la variable 'Income'
print(df['Income'].describe())

# Histograma de la variable 'Income'
plt.figure(figsize=(10, 6))
sns.histplot(df['Income'], kde=True)
plt.title('Distribución de Income')
plt.show()

# Boxplot de la variable 'Income'
plt.figure(figsize=(10, 6))
sns.boxplot(x=df['Income'])
plt.title('Boxplot de Income')
plt.show()

count      2205.000000
mean      51622.094785
std       20713.063826
min        1730.000000
25%       35196.000000
50%       51287.000000
75%       68281.000000
max      113734.000000
Name: Income, dtype: float64

Recency:

## Describe la variable 'Recency'
print(df['Recency'].describe())

# Histograma de la variable 'Recency'
plt.figure(figsize=(10, 6))
sns.histplot(df['Recency'], kde=True)
plt.title('Distribución de Recency')
plt.show()

# Boxplot de la variable 'Recency'
plt.figure(figsize=(10, 6))
sns.boxplot(x=df['Recency'])
plt.title('Boxplot de Recency')
plt.show()

count    2205.000000
mean       49.009070
std        28.932111
min         0.000000
25%        24.000000
50%        49.000000
75%        74.000000
max        99.000000
Name: Recency, dtype: float64

Note

Observe que la sintáxis para hacer un histograma es la siguiente:

import matplotlib.pyplot as plt
plt.hist(dataframe['columna'], bins=30)
plt.show()

La columna Recency se puede cambiar por cualquier otra columna que se desee analizar.

Kidhome:

## Describe la variable 'Kidhome'
print(df['Kidhome'].describe())

# Histograma de la variable 'Kidhome'
plt.figure(figsize=(10, 6))
sns.histplot(df['Kidhome'], kde=True)
plt.title('Distribución de Kidhome')
plt.show()

# Boxplot de la variable 'Kidhome'
plt.figure(figsize=(10, 6))
sns.boxplot(x=df['Kidhome'])
plt.title('Boxplot de Kidhome')

count    2205.000000
mean        0.442177
std         0.537132
min         0.000000
25%         0.000000
50%         0.000000
75%         1.000000
max         2.000000
Name: Kidhome, dtype: float64

Text(0.5, 1.0, 'Boxplot de Kidhome')

Teenhome:

## Describe la variable 'Teenhome'
print(df['Teenhome'].describe())

# Histograma de la variable 'Teenhome'
plt.figure(figsize=(10, 6))
sns.histplot(df['Teenhome'], kde=True)
plt.title('Distribución de Teenhome')
plt.show()

# Boxplot de la variable 'Teenhome'
plt.figure(figsize=(10, 6))
sns.boxplot(x=df['Teenhome'])
plt.title('Boxplot de Teenhome')
plt.show()

count    2205.000000
mean        0.506576
std         0.544380
min         0.000000
25%         0.000000
50%         0.000000
75%         1.000000
max         2.000000
Name: Teenhome, dtype: float64