MAT281 - Laboratorio N°05¶

Problema 01¶

El Iris dataset es un conjunto de datos que contiene muestras de tres especies de Iris (Iris setosa, Iris virginica e Iris versicolor). Se midieron cuatro características en cada muestra: el largo y ancho del sépalo y del pétalo, ambos en centímetros. Este conjunto de datos es comúnmente utilizado para análisis de clasificación y para demostrar algoritmos de machine learning en la ciencia de datos.

Descripción de los Datos:¶

1. sepal_length: Largo del sépalo en centímetros.
2. sepal_width: Ancho del sépalo en centímetros.
3. petal_length: Largo del pétalo en centímetros.
4. petal_width: Ancho del pétalo en centímetros.
5. species: La especie de la flor (Iris setosa, Iris virginica, Iris versicolor).

Lo primero es cargar el conjunto de datos y ver las primeras filas que lo componen:

In [ ]:

# librerias
 
import os
import numpy as np
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns 
pd.set_option('display.max_columns', 500)  # Ver más columnas de los dataframes


# Ver gráficos de matplotlib en jupyter notebook/lab
%matplotlib inline

# librerias import os import numpy as np import pandas as pd import matplotlib.pyplot as plt import seaborn as sns pd.set_option('display.max_columns', 500) # Ver más columnas de los dataframes # Ver gráficos de matplotlib en jupyter notebook/lab %matplotlib inline

In [ ]:

# cargar datos
data= pd.read_csv("https://raw.githubusercontent.com/fralfaro/MAT281_2024/main/docs/labs/data/iris_contaminados.csv")

data.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species']

data.head()

# cargar datos data= pd.read_csv("https://raw.githubusercontent.com/fralfaro/MAT281_2024/main/docs/labs/data/iris_contaminados.csv") data.columns = ['sepal_length', 'sepal_width', 'petal_length', 'petal_width', 'species'] data.head()

Bases del Experimento¶

El primer paso en el análisis es identificar las variables clave del estudio y definir su naturaleza:

• species:
  • Descripción: Nombre de la especie de Iris a la que pertenece cada observación.
  • Tipo de dato: string.
  • Restricciones: Solo se consideran tres especies (Iris setosa, Iris virginica, e Iris versicolor).
• sepalLength:
  • Descripción: Longitud del sépalo en centímetros.
  • Tipo de dato: float.
  • Rango: Los valores oscilan entre 4.0 cm y 7.0 cm.
• sepalWidth:
  • Descripción: Ancho del sépalo en centímetros.
  • Tipo de dato: float.
  • Rango: Los valores varían entre 2.0 cm y 4.5 cm.
• petalLength:
  • Descripción: Longitud del pétalo en centímetros.
  • Tipo de dato: float.
  • Rango: Los valores están comprendidos entre 1.0 cm y 7.0 cm.
• petalWidth:
  • Descripción: Ancho del pétalo en centímetros.
  • Tipo de dato: float.
  • Rango: Los valores se encuentran entre 0.1 cm y 2.5 cm.

Esta descripción clara de las variables y sus limitaciones es esencial para establecer una base sólida en el análisis de datos.

Su objetivo es realizar un Análisis Exploratorio de Datos (EDA) completo y riguroso. Para lograrlo, siga las instrucciones proporcionadas a continuación, asegurándose de extraer conclusiones intermedias después de cada pregunta, y de elaborar una conclusión general al finalizar todas las preguntas.

Esto le permitirá identificar patrones, anomalías y relaciones clave entre las variables antes de proceder con un análisis más profundo.

1. Realice un conteo de los elementos en la columna species y ajuste cualquier valor que considere incorrecto. Reemplace los valores NaN con "default".

In [ ]:

# FIXME

# FIXME

2. Genere un gráfico de box-plot para visualizar la distribución del largo y ancho de los pétalos y sépalos. Antes de crear el gráfico, reemplace los valores NaN por 0.

In [ ]:

# FIXME

# FIXME

3. Utilizando los rangos de valores válidos previamente definidos para el largo y ancho de los pétalos y sépalos, agregue una nueva columna denominada label. Esta columna debe identificar si algún valor se encuentra fuera del rango permitido. Marque los valores fuera de rango con "fuera de rango" y los valores dentro del rango con "dentro del rango".

In [ ]:

# FIXME

# FIXME

4. Genere dos gráficos de dispersión:

   • El primero, mostrando la relación entre sepal_length y petal_length.
   • El segundo, mostrando la relación entre sepal_width y petal_width.

En ambos gráficos, los puntos deben estar categorizados por la columna label (es decir, "dentro del rango" o "fuera del rango").

Concluya los resultados evaluando la relación entre las variables y si los valores fuera de rango afectan significativamente la distribución o comportamiento de los datos.

In [ ]:

# FIXME

# FIXME

5. Filtre los datos para conservar solo aquellos que estén dentro del rango válido. Luego, genere un gráfico de dispersión mostrando la relación entre sepal_length y petal_length, categorizando los puntos por la columna species. Esto permitirá visualizar cómo varían estas dimensiones entre las diferentes especies de Iris.

In [ ]:

# FIXME

# FIXME