Resultado 02

In [1]:

# librerias
from loguru import logger
import pandas as pd

import matplotlib.pyplot as plt
import seaborn as sns

import warnings
warnings.filterwarnings("ignore")
pd.set_option('display.max_columns', 500)
pd.set_option('display.max_rows', 500)
pd.set_option('display.float_format', lambda x: '%.3f' % x)

# librerias from loguru import logger import pandas as pd import matplotlib.pyplot as plt import seaborn as sns import warnings warnings.filterwarnings("ignore") pd.set_option('display.max_columns', 500) pd.set_option('display.max_rows', 500) pd.set_option('display.float_format', lambda x: '%.3f' % x)

Lectura de datos¶

In [2]:

logger.info("Leer Datos")

# paths
path_raw = "../../data/raw/"
path_procesed = "../../data/procesed/"
path_final = "../../data/final/"

logger.info("Leer Datos") # paths path_raw = "../../data/raw/" path_procesed = "../../data/procesed/" path_final = "../../data/final/"

2024-04-02 22:32:09.878 | INFO     | __main__:<module>:1 - Leer Datos

In [3]:

# leer datos
train = pd.read_csv(path_raw + "train.csv")
test = pd.read_csv(path_raw + "test.csv")

# leer datos train = pd.read_csv(path_raw + "train.csv") test = pd.read_csv(path_raw + "test.csv")

In [4]:

# Obtener nombres de columnas según tipos de datos
variable_objetivo = 'Survived'

columnas_flotantes = [x for x in list(train.select_dtypes(include=['float64']).columns) if x!=variable_objetivo]
columnas_enteras = [x for x in list(train.select_dtypes(include=['int32', 'int64']).columns) if x!=variable_objetivo] 
columnas_objetos =  [x for x in list(train.select_dtypes(include=['object']).columns) if x!=variable_objetivo]

# Obtener nombres de columnas según tipos de datos variable_objetivo = 'Survived' columnas_flotantes = [x for x in list(train.select_dtypes(include=['float64']).columns) if x!=variable_objetivo] columnas_enteras = [x for x in list(train.select_dtypes(include=['int32', 'int64']).columns) if x!=variable_objetivo] columnas_objetos = [x for x in list(train.select_dtypes(include=['object']).columns) if x!=variable_objetivo]

Feature Engineering¶

Esta etapa ofrece numerosas oportunidades para un análisis más profundo, especialmente al comparar con otras columnas. Sin embargo, para nuestros propósitos prácticos, seguiremos este enfoque:

• Eliminaremos las columnas 'Name' y 'Ticket', ya que inicialmente no contribuyen significativamente al modelo.
• Para la variable 'Age', rellenaremos los valores faltantes con la media de edades.
• Abordaremos la columna 'Cabin' al reemplazar los valores faltantes con el dato más frecuente, optimizando así la integridad devariabler
• Modificaremos el tipo de las variables 'Pclass', 'SibSp'y 'Parch'.iable.

In [5]:

logger.info("eliminar variables: 'Name' y 'Ticket'")

cols_delete = ['Name', 'Ticket']

train = train.drop(cols_delete,axis=1)
test = test.drop(cols_delete,axis=1)

logger.info("eliminar variables: 'Name' y 'Ticket'") cols_delete = ['Name', 'Ticket'] train = train.drop(cols_delete,axis=1) test = test.drop(cols_delete,axis=1)

2024-04-02 22:32:09.925 | INFO     | __main__:<module>:1 - eliminar variables: 'Name' y 'Ticket'

In [6]:

logger.info("Rellenar 'Age' con el promedio")
age_mean = round(train['Age'].mean())

train['Age'] = train['Age'].fillna(age_mean)
test['Age']  = test['Age'].fillna(age_mean)

logger.info("Rellenar 'Age' con el promedio") age_mean = round(train['Age'].mean()) train['Age'] = train['Age'].fillna(age_mean) test['Age'] = test['Age'].fillna(age_mean)

2024-04-02 22:32:09.941 | INFO     | __main__:<module>:1 - Rellenar 'Age' con el promedio

In [7]:

logger.info("Modificar y rellenar valores nulos 'Cabin'")
train['Cabin'] = train['Cabin'].fillna('N').str[0]
test['Cabin'] = test['Cabin'].fillna('N').str[0]

logger.info("Modificar y rellenar valores nulos 'Cabin'") train['Cabin'] = train['Cabin'].fillna('N').str[0] test['Cabin'] = test['Cabin'].fillna('N').str[0]

2024-04-02 22:32:09.956 | INFO     | __main__:<module>:1 - Modificar y rellenar valores nulos 'Cabin'

In [8]:

logger.info("Cambiar tipo de datos: 'Pclass', 'SibSp'y 'Parch'")

columns_to_convert = ['Pclass', 'SibSp','Parch']
train[columns_to_convert] = train[columns_to_convert].astype(str)
test[columns_to_convert] = test[columns_to_convert].astype(str)

logger.info("Cambiar tipo de datos: 'Pclass', 'SibSp'y 'Parch'") columns_to_convert = ['Pclass', 'SibSp','Parch'] train[columns_to_convert] = train[columns_to_convert].astype(str) test[columns_to_convert] = test[columns_to_convert].astype(str)

2024-04-02 22:32:09.972 | INFO     | __main__:<module>:1 - Cambiar tipo de datos: 'Pclass', 'SibSp'y 'Parch'

In [9]:

logger.info("Guardar Resultados")

train.to_csv(path_procesed+'train.csv',sep=',',index=False)
test.to_csv(path_procesed+'test.csv',sep=',',index=False)

logger.info("Guardar Resultados") train.to_csv(path_procesed+'train.csv',sep=',',index=False) test.to_csv(path_procesed+'test.csv',sep=',',index=False)

2024-04-02 22:32:09.987 | INFO     | __main__:<module>:1 - Guardar Resultados