S03L01 – Diagrama de dispersión en el conjunto de datos Iris

html
Introducción a Seaborn, Análisis Exploratorio de Datos (EDA) y el Conjunto de Datos Iris

Tabla de Contenidos

    Seaborn: Mejorando la Visualización de Datos en Python
    Análisis Exploratorio de Datos (EDA): Revelando Insights de los Datos
    El Conjunto de Datos Iris: Un Clásico en Ciencia de Datos
    Implementación Práctica: Cargando y Visualizando el Conjunto de Datos Iris
    Avanzando: Visualización Avanzada con Pairplots
    Conclusión


1. Seaborn: Mejorando la Visualización de Datos en Python

Seaborn es una robusta biblioteca de visualización construida sobre Matplotlib, una de las bibliotecas de trazado más antiguas y ampliamente utilizadas de Python. Mientras que Matplotlib proporciona una base sólida para crear visualizaciones estáticas, animadas e interactivas, Seaborn extiende sus capacidades al ofrecer visualizaciones más avanzadas y estéticamente agradables con menos código repetitivo.

¿Por qué Usar Seaborn?

    Facilidad de Uso: Simplifica visualizaciones complejas con funciones intuitivas.
    Estética Mejorada: Viene con temas y paletas de colores integradas para hacer los gráficos más atractivos visualmente.
    Integración con Pandas: Funciona sin problemas con DataFrames de Pandas, haciendo que la manipulación y visualización de datos sea sencilla.


En nuestros próximos módulos, profundizaremos en las funcionalidades de Seaborn, construyendo sobre el conocimiento fundamental de Matplotlib para crear visualizaciones más sofisticadas.

2. Análisis Exploratorio de Datos (EDA): Revelando Insights de los Datos

Análisis Exploratorio de Datos (EDA) es el proceso de analizar conjuntos de datos para resumir sus características principales, a menudo utilizando métodos visuales. El EDA es un paso crucial en el flujo de trabajo de ciencia de datos ya que ayuda a comprender la estructura subyacente de los datos, detectar valores atípicos, identificar patrones y probar hipótesis.

Objetivos Clave del EDA:

    Comprender la Distribución de los Datos: Entender cómo se distribuyen los puntos de datos a través de diferentes variables.
    Identificar Relaciones: Descubrir correlaciones e interacciones entre variables.
    Detectar Anomalías: Identificar valores atípicos u observaciones inusuales que puedan indicar problemas de calidad de datos.
    Informar la Construcción de Modelos: Proporcionar insights que guíen la selección de técnicas de modelado apropiadas.


Al realizar EDA, los científicos de datos pueden tomar decisiones informadas sobre el preprocesamiento de datos, la selección de características y la selección de modelos, asegurando que los análisis subsecuentes se basen en una comprensión sólida de los datos.

3. El Conjunto de Datos Iris: Un Clásico en Ciencia de Datos

El Conjunto de Datos Iris es uno de los conjuntos de datos más renombrados en el campo de la ciencia de datos y el aprendizaje automático. Publicado por Ronald Fisher en 1936, sirve como un conjunto de datos introductorio para que estudiantes y profesionales practiquen técnicas de clasificación.

Descripción del Conjunto de Datos:

    
        Total de Registros
        Clases
        Características
    
    
        150
        3 (Iris-setosa, Iris-versicolor, Iris-virginica)
        
            
                Longitud del Sépalo
                Ancho del Sépalo
                Longitud del Pétalo
                Ancho del Pétalo
            
        
    


Cada clase en el conjunto de datos está perfectamente balanceada con 50 registros, lo que lo convierte en un excelente candidato para tareas de clasificación sin las complicaciones de datos desbalanceados.

¿Por qué el Conjunto de Datos Iris?

    Simplicidad: Su estructura directa lo hace ideal para principiantes.
    Clases Balanceadas: Asegura que los algoritmos de clasificación no estén sesgados hacia una clase particular.
    Características Informativas: Las cuatro características proporcionan suficiente información para distinguir entre las tres especies de Iris.


4. Implementación Práctica: Cargando y Visualizando el Conjunto de Datos Iris

Vamos a recorrer el proceso de cargar el conjunto de datos Iris y visualizarlo usando el entorno de Jupyter Notebook de Python.

Paso 1: Importar las Bibliotecas Necesarias




		
		
			
			
Java
			
			import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Mejorar la estética de Matplotlib con Seaborn
sns.set()
			
				
					
				
					1
2
3
4
5
6
7
				
						import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
 
# Mejorar la estética de Matplotlib con Seaborn
sns.set()
					
				
			
		



Paso 2: Cargar el Conjunto de Datos




		
		
			
			
Java
			
			# Leer el archivo de datos Iris
iris = pd.read_csv('Iris.data', header=None)

# Definir los nombres de las columnas basados en la descripción del conjunto de datos
column_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class']
iris.columns = column_names
			
				
					
				
					1
2
3
4
5
6
				
						# Leer el archivo de datos Iris
iris = pd.read_csv('Iris.data', header=None)
 
# Definir los nombres de las columnas basados en la descripción del conjunto de datos
column_names = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'class']
iris.columns = column_names
					
				
			
		



Paso 3: Explorar el Conjunto de Datos




		
		
			
			
Java
			
			# Mostrar las primeras filas
print(iris.head())

# Verificar el número de registros en cada clase
print(iris['class'].value_counts())
			
				
					
				
					1
2
3
4
5
				
						# Mostrar las primeras filas
print(iris.head())
 
# Verificar el número de registros en cada clase
print(iris['class'].value_counts())
					
				
			
		


Salida:




		
		
			
			
Java
			
			Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
Name: class, dtype: int64
			
				
					
				
					1
2
3
4
				
						Iris-setosa        50
Iris-versicolor    50
Iris-virginica     50
Name: class, dtype: int64
					
				
			
		



Paso 4: Visualización de Diagrama de Dispersión

Visualizando la relación entre la longitud del sépalo y el ancho del sépalo:




		
		
			
			
Java
			
			sns.scatterplot(x='sepal_length', y='sepal_width', hue='class', data=iris)
plt.show()
			
				
					
				
					1
2
				
						sns.scatterplot(x='sepal_length', y='sepal_width', hue='class', data=iris)
plt.show()
					
				
			
		


Este diagrama de dispersión ayuda a identificar patrones y superposiciones entre diferentes especies de Iris. Por ejemplo, los puntos de Iris-setosa están claramente separados, mientras que Iris-versicolor e Iris-virginica muestran cierta superposición.

Diagrama de Dispersión 3D Usando Plotly

Mientras que Seaborn no soporta directamente gráficos 3D, puedes usar Plotly para visualizaciones 3D interactivas:




		
		
			
			
Java
			
			import plotly.express as px

fig = px.scatter_3d(iris, x='sepal_length', y='sepal_width', z='petal_length',
                    color='class', title='Diagrama de Dispersión 3D del Conjunto de Datos Iris')
fig.show()
			
				
					
				
					1
2
3
4
5
				
						import plotly.express as px
 
fig = px.scatter_3d(iris, x='sepal_length', y='sepal_width', z='petal_length',
                    color='class', title='Diagrama de Dispersión 3D del Conjunto de Datos Iris')
fig.show()
					
				
			
		


Este gráfico interactivo proporciona una visión más profunda de cómo interactúan las tres características para diferenciar entre las especies de Iris.

5. Avanzando: Visualización Avanzada con Pairplots

En módulos posteriores, exploraremos la funcionalidad pairplot de Seaborn, que permite un análisis visual completo creando una matriz de diagramas de dispersión para cada par de características. Esto permitirá un examen más detallado de las relaciones entre las cuatro características, ayudando a una mejor comprensión de los datos y la construcción de modelos.

¿Por qué Pairplots?

    Análisis Integral: Visualizar relaciones entre múltiples pares de características simultáneamente.
    Separación de Clases: Distinguir fácilmente cómo se agrupan diferentes clases a través de diversas combinaciones de características.
    Detectar Multicolinealidad: Identificar características altamente correlacionadas que podrían afectar el rendimiento del modelo.


6. Conclusión

Comprender y visualizar los datos son habilidades fundamentales en la ciencia de datos. Herramientas como Seaborn y técnicas como el EDA empoderan a los profesionales de datos para extraer insights significativos a partir de datos brutos. El conjunto de datos Iris sirve como un excelente punto de partida para aplicar estos conceptos, ofreciendo un conjunto de datos balanceado y bien estructurado para la práctica. A medida que continuamos nuestro viaje, construiremos sobre estos fundamentos para desarrollar modelos y análisis más sofisticados.

¡Gracias por leer! Mantente atento para más discusiones perspicaces en nuestros próximos artículos.