DESARROLLANDO UN DATA SET EN PYTHON. DATOS DE ESTUDIANTES: NOMBRES EDADES Y CALIFICACIONES.

DIPLOMADO EN EN INTELIGENCIA ARTIFICIAL

                                                                   MODULO IV

              APRENDIZAJE AUTOMATICO CON PYTHON Y ASISTENTES INTELIGENTES

              Ortega Irusta Elsy Nilda

              Este es el chat GPT 

              https://chat.openai.com/c/0f6343db-ec3b-4641-9fe3-131a42a1574e

DESARROLLANDO QUE ES UN DATA SET EN PYTHON.

CONJUNTO DE DATOS DE ESTUDIANTES CON INFORMACIÓN SOBRE SUS NOMBRES, EDADES Y CALIFICACIONES.

En Python, un "data set" se refiere a un conjunto de datos que se organiza y almacena de manera estructurada para su posterior análisis. Los conjuntos de datos pueden contener información de diversos tipos, como números, texto, fechas, imágenes, etc. En general, un data set es esencial para realizar tareas de análisis de datos, aprendizaje automático, estadísticas y otras disciplinas relacionadas.

Aquí hay algunas formas comunes de trabajar con data sets en Python:

1. Listas y Tuplas:

Puedes usar listas o tuplas para almacenar datos de manera simple. Por ejemplo, una lista de números o una tupla de nombres.

Esta es mi interacción con google colab.

numbers = [1, 2, 3, 4, 5]

names = ('Alice', 'Bob', 'Charlie')

2. Diccionarios:

Los diccionarios son útiles cuando necesitas asociar datos con claves. Cada clave tiene un valor asociado.

Esta es mi interacción con google colab.

person = {'name': 'Alice', 'age': 25, 'city': 'New York'}

3. NumPy Arrays:

NumPy es una biblioteca muy utilizada para trabajar con arreglos multidimensionales. Es especialmente útil para operaciones numéricas y cálculos científicos..

Esta es mi interacción con google colab.

import numpy as np

numbers_array = np.array([1, 2, 3, 4, 5])

4. Pandas DataFrames:

Pandas es una biblioteca de análisis de datos que proporciona la estructura de datos `DataFrame`, que es extremadamente útil para manejar conjuntos de datos tabulares.

Esta es mi interacción con google colab.

import pandas as pd

data = {'Name': ['Alice', 'Bob', 'Charlie'],

        'Age': [25, 30, 22],

        'City': ['New York', 'San Francisco', 'Los Angeles']}

df = pd.DataFrame(data)

Los DataFrames de Pandas permiten realizar operaciones avanzadas como filtradas, agrupación y análisis estadístico. Estos son solo ejemplos básicos. Dependiendo de tus necesidades y el tipo de datos con los que estés trabajando, puedes elegir la estructura de datos que mejor se adapte a tu problema. Es común que los data sets se carguen desde archivos externos (como CSV, Excel, JSON, etc.) o se generen dinámicamente a partir de fuentes diversas.

Ejemplo para trabajar con conjuntos de datos en Python:

Ejemplo sencillo utilizando un DataFrame de Pandas, que es una de las estructuras de datos más comunes para trabajar con conjuntos de datos en Python:

Esta es mi interacción con google colab.

import pandas as pd

# Crear un conjunto de datos de ejemplo

data = {

    'Nombre': ['Juan', 'María', 'Pedro', 'Laura'],

    'Edad': [28, 24, 22, 30],

    'Ciudad': ['México', 'Madrid', 'Buenos Aires', 'Lima']

}

# Crear un DataFrame a partir del conjunto de datos

df = pd.DataFrame(data)

# Mostrar el DataFrame

print(df)

Nombre Edad Ciudad 0 Juan 28 México 1 María 24 Madrid 2 Pedro 22 Buenos Aires 3 Laura 30 Lima

En este ejemplo, se ha creado un conjunto de datos simple con información sobre nombres, edades y ciudades. Luego, se ha utilizado este conjunto de datos para crear un DataFrame de Pandas. Puedes pensar en un DataFrame como una tabla en la que cada columna representa una variable y cada fila representa una observación.

La salida al imprimir el DataFrame será algo como:

Esta es mi interacción con google colab.

  Nombre  Edad         Ciudad

0   Juan    28         México

1  María    24         Madrid

2  Pedro    22  Buenos Aires

3  Laura    30           Lima

A partir de este punto, puedes realizar diversas operaciones en el DataFrame, como filtrar datos, realizar cálculos estadísticos, o exportar los datos a diferentes formatos. Este es solo un ejemplo básico, pero los DataFrames de Pandas son muy poderosos y flexibles para el análisis de datos más avanzado.

Como filtrar datos, realizar cálculos estadísticos, exportar los datos a diferentes formatos, en base a la información brindada.

Te muestro cómo puedes realizar algunas operaciones básicas en el DataFrame que hemos creado:

Filtrar datos:

Esta es mi interacción con google colab.

# Filtrar personas mayores de 25 años

mayores_de_25 = df[df['Edad'] > 25]

print("Personas mayores de 25 años:\n", mayores_de_25)

Personas mayores de 25 años: Nombre Edad Ciudad 0 Juan 28 México 3 Laura 30 Lima

La salida será:

  Nombre  Edad Ciudad

0   Juan    28 México

3  Laura    30   Lima

Media de edades: 26.0 Edad máxima: 30

Cálculos estadísticos:

# Calcular la media de las edades

media_edades = df['Edad'].mean()

print("Media de edades:", media_edades)

# Calcular la edad máxima

max_edad = df['Edad'].max()

print("Edad máxima:", max_edad)

Media de edades: 26.0 Edad máxima: 30

Media de edades: 26.0

Edad máxima: 30

Exportar datos a diferentes formatos:

Exportar a CSV:

Esta es mi interacción con google colab.

df.to_csv('datos_personas.csv', index=False)

Esto creará un archivo CSV llamado 'datos_personas.csv' en el directorio actual.

Exportar a Excel:

Esta es mi interacción con google colab.

df.to_excel('datos_personas.xlsx', index=False)

Esto creará un archivo Excel llamado 'datos_personas.xlsx'.

Estas son solo algunas operaciones básicas. Los DataFrames de Pandas proporcionan muchas más funcionalidades para el análisis de datos, como la agrupación, la fusión de DataFrames, y la visualización de datos. Puedes explorar la documentación de Pandas para obtener más información sobre estas funciones: [Pandas Documentación](https://pandas.pydata.org/pandas-docs/stable/).

Desarrolla un ejemplo para obtener un Data Set, añade un algún código con python a partir de datos ficticios.

Claro, creemos un conjunto de datos ficticios y realicemos algunas operaciones básicas en Python. En este ejemplo, vamos a crear un conjunto de datos de estudiantes con información sobre sus nombres, edades y calificaciones.

Esta es mi interacción con google colab.

import pandas as pd

import random

# Crear datos ficticios

nombres = ['Ana', 'Carlos', 'David', 'Elena', 'Francisco']

edades = [random.randint(18, 25) for _ in range(5)]

calificaciones = [random.uniform(60, 100) for _ in range(5)]

# Crear un diccionario con los datos

data = {

    'Nombre': nombres,

    'Edad': edades,

    'Calificacion': calificaciones

}

# Crear un DataFrame a partir de los datos

df_estudiantes = pd.DataFrame(data)

# Mostrar el DataFrame

print("Conjunto de datos de estudiantes:\n", df_estudiantes)

Conjunto de datos de estudiantes: Nombre Edad Calificacion 0 Ana 25 88.297244 1 Carlos 23 73.166510 2 David 24 95.374948 3 Elena 18 79.178493 4 Francisco 21 89.112911

La salida podría ser algo así:

Nombre  Edad  Calificacion

0    Ana    23     79.324552

1 Carlos    20     88.543210

2  David    22     67.890123

3  Elena    25     91.234567

4 Francisco  19     75.678912

Ahora, apliquemos algunas operaciones básicas:

Filtrar estudiantes mayores de 21 años:

Esta es mi interacción con google colab.

mayores_de_21 = df_estudiantes[df_estudiantes['Edad'] > 21]

print("Estudiantes mayores de 21 años:\n", mayores_de_21)

Estudiantes mayores de 21 años: Nombre Edad Calificacion 0 Ana 25 88.297244 1 Carlos 23 73.166510 2 David 24 95.374948

Calcular la calificación promedio:

promedio_calificaciones = df_estudiantes['Calificacion'].mean()

print("Calificación promedio:", promedio_calificaciones)

Calificación promedio: 85.02602130403037

Exportar datos a un archivo CSV:

df_estudiantes.to_csv('estudiantes.csv', index=False)

Estos son solo ejemplos básicos, pero muestran cómo puedes crear, manipular y analizar un conjunto de datos ficticios en Python utilizando Pandas. Puedes ajustar y expandir este ejemplo según tus necesidades y el tipo de datos con los que estés trabajando.

Creando, manipulando y analizando este conjunto de datos ficticios en Python utilizando Pandas.

A continuación, te mostraré cómo puedes manipular y analizar el conjunto de datos ficticios de estudiantes en Python utilizando la biblioteca Pandas.

Esta es mi interacción con google colab.

import pandas as pd

import random

# Crear datos ficticios

nombres = ['Ana', 'Carlos', 'David', 'Elena', 'Francisco']

edades = [random.randint(18, 25) for _ in range(5)]

calificaciones = [random.uniform(60, 100) for _ in range(5)]

# Crear un diccionario con los datos

data = {

    'Nombre': nombres,

    'Edad': edades,

    'Calificacion': calificaciones

}

# Crear un DataFrame a partir de los datos

df_estudiantes = pd.DataFrame(data)

# Mostrar el DataFrame original

print("Conjunto de datos original de estudiantes:\n", df_estudiantes)

# Filtrar estudiantes mayores de 21 años

mayores_de_21 = df_estudiantes[df_estudiantes['Edad'] > 21]

print("\nEstudiantes mayores de 21 años:\n", mayores_de_21)

# Calcular la calificación promedio

promedio_calificaciones = df_estudiantes['Calificacion'].mean()

print("\nCalificación promedio:", promedio_calificaciones)

# Exportar datos a un archivo CSV

df_estudiantes.to_csv('estudiantes.csv', index=False)

print("\nDatos exportados a estudiantes.csv")

Conjunto de datos original de estudiantes: Nombre Edad Calificacion 0 Ana 21 60.149073 1 Carlos 18 94.090000 2 David 25 93.469407 3 Elena 22 67.639764 4 Francisco 23 65.790045 Estudiantes mayores de 21 años: Nombre Edad Calificacion 2 David 25 93.469407 3 Elena 22 67.639764 4 Francisco 23 65.790045 Calificación promedio: 76.22765773255404 Datos exportados a estudiantes.csv

En este ejemplo, primero se crea un conjunto de datos ficticios de estudiantes y se almacena en un DataFrame de Pandas. Luego, se realizan algunas operaciones:

1. Se filtran los estudiantes mayores de 21 años.

2. Se calcula la calificación promedio de todos los estudiantes.

3. Se exportan los datos a un archivo CSV llamado 'estudiantes.csv'.

Puedes ejecutar este código en tu entorno de Python y observar los resultados. Asegúrate de tener la biblioteca Pandas instalada en tu entorno antes de ejecutar el código. Si no la tienes instalada, puedes hacerlo con el siguiente comando:

Este es un ejemplo simple, pero te proporciona una idea de cómo puedes manipular y analizar conjuntos de datos utilizando Pandas en Python.

Analizando y manipulando este conjunto de datos utilizando Pandas en Python.

Código que manipula y analiza el conjunto de datos ficticio de estudiantes utilizando la biblioteca Pandas en Python:

Esta es mi interacción con google colab.

import pandas as pd

import random

# Crear datos ficticios

nombres = ['Ana', 'Carlos', 'David', 'Elena', 'Francisco']

edades = [random.randint(18, 25) for _ in range(5)]

calificaciones = [random.uniform(60, 100) for _ in range(5)]

# Crear un diccionario con los datos

data = {

    'Nombre': nombres,

    'Edad': edades,

    'Calificacion': calificaciones

}

# Crear un DataFrame a partir de los datos

df_estudiantes = pd.DataFrame(data)

# Mostrar el DataFrame original

print("Conjunto de datos original de estudiantes:\n", df_estudiantes)

# Filtrar estudiantes mayores de 21 años

mayores_de_21 = df_estudiantes[df_estudiantes['Edad'] > 21]

print("\nEstudiantes mayores de 21 años:\n", mayores_de_21)

# Calcular estadísticas descriptivas

estadisticas_descriptivas = df_estudiantes.describe()

print("\nEstadísticas descriptivas:\n", estadisticas_descriptivas)

# Ordenar el DataFrame por calificaciones de forma descendente

df_ordenado = df_estudiantes.sort_values(by='Calificacion', ascending=False)

print("\nDataFrame ordenado por calificaciones:\n", df_ordenado)

Conjunto de datos original de estudiantes: Nombre Edad Calificacion 0 Ana 18 98.656859 1 Carlos 23 75.311998 2 David 22 90.470160 3 Elena 24 85.640424 4 Francisco 24 73.366503 Estudiantes mayores de 21 años: Nombre Edad Calificacion 1 Carlos 23 75.311998 2 David 22 90.470160 3 Elena 24 85.640424 4 Francisco 24 73.366503 Estadísticas descriptivas: Edad Calificacion count 5.00000 5.000000 mean 22.20000 84.689189 std 2.48998 10.554089 min 18.00000 73.366503 25% 22.00000 75.311998 50% 23.00000 85.640424 75% 24.00000 90.470160 max 24.00000 98.656859 DataFrame ordenado por calificaciones: Nombre Edad Calificacion 0 Ana 18 98.656859 2 David 22 90.470160 3 Elena 24 85.640424 1 Carlos 23 75.311998 4 Francisco 24 73.366503

En este código:

1. Se muestra el DataFrame original de estudiantes.

2. Se filtran los estudiantes mayores de 21 años y se muestra el nuevo DataFrame.

3. Se calculan estadísticas descriptivas, como la media, la desviación estándar, el mínimo, el máximo, etc.

4. Se ordena el DataFrame por calificaciones de forma descendente y se muestra el resultado.

Estas son solo algunas operaciones básicas. Dependiendo de tus necesidades específicas, puedes realizar una variedad de manipulaciones y análisis más avanzados utilizando las funciones proporcionadas por la biblioteca Pandas. ¡Experimenta y ajusta según tus necesidades!

Complementa estos datos aplicando el aprendizaje automático

Para complementar estos datos y aplicar aprendizaje automático, podríamos generar una variable adicional, como "Rendimiento" (Performance), que podría indicar si un estudiante tiene un rendimiento "Alto" o "Bajo" en función de su calificación. Luego, podríamos utilizar un modelo de aprendizaje automático simple para predecir el rendimiento de un estudiante en función de su edad y calificación.

A continuación, se muestra un ejemplo simple utilizando la biblioteca scikit-learn para crear un modelo de regresión logística y predecir el rendimiento de un estudiante:

Esta es mi interacción con google colab.

import pandas as pd

import random

from sklearn.model_selection import train_test_split

from sklearn.linear_model import LogisticRegression

from sklearn.metrics import accuracy_score

# Crear datos ficticios

nombres = ['Ana', 'Carlos', 'David', 'Elena', 'Francisco']

edades = [random.randint(18, 25) for _ in range(5)]

calificaciones = [random.uniform(60, 100) for _ in range(5)]

# Crear un diccionario con los datos

data = {

    'Nombre': nombres,

    'Edad': edades,

    'Calificacion': calificaciones

}

# Crear un DataFrame a partir de los datos

df_estudiantes = pd.DataFrame(data)

# Agregar una columna de rendimiento (Alto o Bajo) basada en la calificación

df_estudiantes['Rendimiento'] = df_estudiantes['Calificacion'].apply(lambda x: 'Alto' if x >= 75 else 'Bajo')

# Mostrar el DataFrame con la nueva columna

print("Conjunto de datos con rendimiento:\n", df_estudiantes)

# Dividir el conjunto de datos en características (X) y variable objetivo (y)

X = df_estudiantes[['Edad', 'Calificacion']]

y = df_estudiantes['Rendimiento']

# Dividir el conjunto de datos en entrenamiento y prueba

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# Crear y entrenar un modelo de regresión logística

modelo = LogisticRegression()

modelo.fit(X_train, y_train)

# Realizar predicciones en el conjunto de prueba

predicciones = modelo.predict(X_test)

# Calcular la precisión del modelo

precision = accuracy_score(y_test, predicciones)

print("\nPrecisión del modelo:", precision)

Conjunto de datos con rendimiento: Nombre Edad Calificacion Rendimiento 0 Ana 22 72.025584 Bajo 1 Carlos 22 68.401196 Bajo 2 David 21 67.610148 Bajo 3 Elena 24 64.622317 Bajo 4 Francisco 21 95.025585 Alto Precisión del modelo: 1.0

En este ejemplo:

1. Se crea una nueva columna llamada "Rendimiento" basada en la calificación del estudiante.

2. El conjunto de datos se divide en características (edad y calificación) y la variable objetivo (rendimiento).

3. Se crea y entrena un modelo de regresión logística.

4. Se realizan predicciones en un conjunto de prueba.

5. Se calcula la precisión del modelo.

Ten en cuenta que este es un ejemplo muy simple y el rendimiento del modelo podría mejorar con datos más complejos y modelos más avanzados. Además, este ejemplo asume que la relación entre las características y el rendimiento es lineal, lo cual puede no ser siempre el caso en situaciones del mundo real. La elección del modelo y las características dependerá de la naturaleza de tus datos y del problema que estás abordando.

Desarrollando EDA en base al data set adjunto

Desarrollando un ejemplo de Análisis Exploratorio de Datos (EDA) utilizando un conjunto de datos ficticios de estudiantes en Python con la biblioteca Pandas y Matplotlib.

Lamentablemente, en el entorno actual de texto, no puedo procesar archivos adjuntos, como data sets. Sin embargo, puedo proporcionarte un ejemplo de cómo realizar un Análisis Exploratorio de Datos (EDA) utilizando un conjunto de datos ficticio de estudiantes en Python con la biblioteca Pandas y Matplotlib.

Voy a asumir que tienes un archivo CSV llamado `estudiantes.csv` con las columnas 'Nombre', 'Edad', 'Calificacion' y 'Rendimiento'. Puedes adaptar este código según la estructura específica de tu conjunto de datos.

Esta es mi interacción con google colab.

import pandas as pd

import matplotlib.pyplot as plt

import seaborn as sns

# Cargar el conjunto de datos desde el archivo CSV

df_estudiantes = pd.read_csv('estudiantes.csv')

# Mostrar las primeras filas del DataFrame

print("Primeras filas del DataFrame:\n", df_estudiantes.head())

# Resumen estadístico del conjunto de datos

print("\nResumen estadístico del conjunto de datos:\n", df_estudiantes.describe())

# Visualización de la distribución de edades

plt.figure(figsize=(10, 6))

sns.histplot(df_estudiantes['Edad'], bins=10, kde=True, color='blue')

plt.title('Distribución de Edades de Estudiantes')

plt.xlabel('Edad')

plt.ylabel('Frecuencia')

plt.show()

# Boxplot de calificaciones

plt.figure(figsize=(8, 5))

sns.boxplot(x='Rendimiento', y='Calificacion', data=df_estudiantes, palette='pastel')

plt.title('Boxplot de Calificaciones por Rendimiento')

plt.xlabel('Rendimiento')

plt.ylabel('Calificacion')

plt.show()

# Scatter plot de Edad vs. Calificacion

plt.figure(figsize=(8, 5))

sns.scatterplot(x='Edad', y='Calificacion', data=df_estudiantes, hue='Rendimiento', palette='coolwarm')

plt.title('Scatter plot de Edad vs. Calificacion con Rendimiento')

plt.xlabel('Edad')

plt.ylabel('Calificacion')

plt.show()

Primeras filas del DataFrame: Nombre Edad Calificacion 0 Ana 21 60.149073 1 Carlos 18 94.090000 2 David 25 93.469407 3 Elena 22 67.639764 4 Francisco 23 65.790045 Resumen estadístico del conjunto de datos: Edad Calificacion count 5.000000 5.000000 mean 21.800000 76.227658 std 2.588436 16.260056 min 18.000000 60.149073 25% 21.000000 65.790045 50% 22.000000 67.639764 75% 23.000000 93.469407 max 25.000000 94.090000

ValueError                                Traceback (most recent call last)

<ipython-input-16-fb30ebd3157a> in <cell line: 24>()
     22 # Boxplot de calificaciones
     23 plt.figure(figsize=(8, 5))
---> 24 sns.boxplot(x='Rendimiento', y='Calificacion', data=df_estudiantes, palette='pastel')
     25 plt.title('Boxplot de Calificaciones por Rendimiento')
     26 plt.xlabel('Rendimiento')

/usr/local/lib/python3.10/dist-packages/seaborn/categorical.py in establish_variables(self, x, y, hue, data, orient, order, hue_order, units)
    539                 if isinstance(var, str):
    540                     err = f"Could not interpret input '{var}'"
--> 541                     raise ValueError(err)
    542 
    543             # Figure out the plotting orientation

ValueError: Could not interpret input 'Rendimiento'

Este código realiza algunas tareas de EDA básicas:

1. Muestra las primeras filas del DataFrame.

2. Proporciona un resumen estadístico del conjunto de datos.

3. Visualiza la distribución de edades utilizando un histograma.

4. Crea un boxplot para comparar las calificaciones según el rendimiento.

5. Realiza un scatter plot para analizar la relación entre la edad, la calificación y el rendimiento.

Recuerda adaptar este código según la estructura específica de tu conjunto de datos y ajustar las visualizaciones según las características que quieras explorar en tu EDA. La biblioteca Seaborn y Matplotlib son herramientas poderosas para visualizar y entender tus datos.

Desarrollando  diferentes gráficas para una mejor comprensión utilizando Python.

Desarrollando  diferentes gráficas para una mejor comprensión utilizando Python

Sscript que utiliza las bibliotecas Pandas, Matplotlib y Seaborn para realizar diferentes visualizaciones en base a un conjunto de datos ficticio de estudiantes. Asegúrate de tener instaladas las bibliotecas necesarias antes de ejecutar este script:

Esta es mi interacción con google colab.

# Crear un diccionario con los datos

data = {

    'Nombre': nombres,

    'Edad': edades,

    'Calificacion': calificaciones

}

# Crear un DataFrame a partir de los datos

df_estudiantes = pd.DataFrame(data)

# Agregar una columna de rendimiento (Alto o Bajo) basada en la calificación

df_estudiantes['Rendimiento'] = df_estudiantes['Calificacion'].apply(lambda x: 'Alto' if x >= 75 else 'Bajo')

# Visualización de la distribución de edades usando un histograma

plt.figure(figsize=(10, 6))

sns.histplot(df_estudiantes['Edad'], bins=10, kde=True, color='blue')

plt.title('Distribución de Edades de Estudiantes')

plt.xlabel('Edad')

plt.ylabel('Frecuencia')

plt.show()

# Boxplot de calificaciones según el rendimiento

plt.figure(figsize=(8, 5))

sns.boxplot(x='Rendimiento', y='Calificacion', data=df_estudiantes, palette='pastel')

plt.title('Boxplot de Calificaciones por Rendimiento')

plt.xlabel('Rendimiento')

plt.ylabel('Calificacion')

plt.show()

# Scatter plot de Edad vs. Calificacion con colores según el rendimiento

plt.figure(figsize=(8, 5))

sns.scatterplot(x='Edad', y='Calificacion', data=df_estudiantes, hue='Rendimiento', palette='coolwarm')

plt.title('Scatter plot de Edad vs. Calificacion con Rendimiento')

plt.xlabel('Edad')

plt.ylabel('Calificacion')

plt.show()

Script para realizar visualizaciones:

Este script realiza tres visualizaciones:

1. Un histograma para mostrar la distribución de edades.

2. Un boxplot para comparar las calificaciones según el rendimiento.

3. Un scatter plot para analizar la relación entre la edad, la calificación y el rendimiento.

Puedes ajustar las visualizaciones según tus necesidades y explorar más características del conjunto de datos.

Conclusiones y reflexiones: El Data Set en Python es un conjunto de datos; que nos brinda la oportunidad para explorar, analizar, visualizar y obtener información valiosa a partir de datos. La combinación de herramientas y técnicas proporciona un enfoque integral para trabajar con datos de manera efectiva. Se usó datos ficticios que me ayudaron a entender y realizar este trabajo.