¿Qué es el análisis exploratorio de datos?

Análisis exploratorio de datos en Power BI

Jacob H. Marquez

Data Scientist at Microsoft

¿Qué es el análisis exploratorio de datos?

"Un enfoque para analizar conjuntos de datos y resumir sus características principales, a menudo con gráficos estadísticos y otras visualizaciones."

¹ https://en.wikipedia.org/wiki/Exploratory_data_analysis

Seis pasos para EDA

Entender la estructura de los datos
Identificar datos faltantes
Describir con estadísticas descriptivas y distribuciones
Identificar valores atípicos
Examinar y cuantificar relaciones entre variables
Formular hipótesis

Seis pasos para EDA

Entender la estructura de los datos
Identificar datos faltantes
Describir con estadísticas descriptivas y distribuciones
Identificar valores atípicos
Examinar y cuantificar relaciones entre variables
Formular hipótesis

1. Entender la estructura de los datos

Continuas

Variables numéricas que pueden tomar un conjunto infinito de valores

Número de estrellas en el espacio
CTR (tasa de clics)
Distancia entre dos ciudades

Categóricas

Variables no numéricas, normalmente texto, con dos o más grupos

Tipos de vivienda
País
Empresa

2. Identificar datos faltantes

Faltantes al azar

Una matriz de nueve por cuatro con conjuntos de tres filas agrupadas para tres ciudades: Seattle, Nueva York y París. Hay valores que representan pulgadas de lluvia en 30 celdas y 6 están en blanco al azar en los tres grupos de ciudades.

Faltantes no al azar

Una matriz de nueve por cuatro con conjuntos de tres filas agrupadas para tres ciudades: Seattle, Nueva York y París. Hay valores que representan pulgadas de lluvia en 30 celdas y 4 están en blanco aleatoriamente solo en Seattle.

2. Tratar los datos faltantes

La misma matriz de nueve por cuatro excepto que se quitó la fila superior, para representar eliminar las celdas en blanco de la matriz.

La misma matriz de nueve por cuatro excepto que la fila superior ahora tiene valores, para representar imputar las celdas en blanco con la mediana.

3. Describir los datos

Mínimo
Máximo
Media: suma de todos los valores dividida por el número de observaciones
Mediana: el valor central del rango
Desviación típica: media de la diferencia respecto a la media en todos los puntos

3. Describe los datos con distribuciones

Un histograma de alturas de personas con los valores de altura en el eje x y el número de observaciones en el eje y.

Mediana y media son iguales
Curva simétrica

3. Describir los datos con distribuciones

Un histograma de ingresos del hogar con los valores de ingreso en el eje x y el número de observaciones en el eje y. El histograma es ancho a la izquierda y se estrecha hacia la derecha.

Mediana < Media
"Sesgo a la derecha": la cola va a la derecha

Un histograma de tiempo en línea con los valores de tiempo en el eje x y el número de observaciones en el eje y. El histograma es estrecho a la izquierda y se ensancha hacia la derecha.

Mediana > Media
"Sesgo a la izquierda": la cola va a la izquierda

El dataset: anuncios de Airbnb

Una imagen del conjunto de datos de Airbnb con cinco columnas: listing_id, host_id, host_since (columna de fecha), city y price.

¡Vamos a practicar!

Análisis exploratorio de datos en Power BI