Taller Semana 2: Utilización de Datos de un Data Set¶

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import ssl
print(" Librerías importadas correctamente")
print(f"   • Pandas versión: {pd.__version__}")
print(f"   • NumPy versión: {np.__version__}")

# URL del dataset de diabetes (datos tabulados con separador de tabulación)
url = "https://www4.stat.ncsu.edu/~boos/var.select/diabetes.tab.txt"

# Cargamos el dataset.
datos = pd.read_csv(url, sep='\t')

# Confirmamos la carga exitosa
print("Dataset cargado exitosamente")
print(f"   - Total de filas: {len(datos)}")
print(f"   - Total de columnas: {len(datos.columns)}")

print("Primeras 10 filas del dataset:")
print("="*60)
datos.head(10)

datos.hist(figsize=(14,10), bins=25, color= '#23BACA')
plt.show()

print("Información del Dataset:")
print("="*60)
datos.info()

print("\nInformación del dataset:")
datos.info()
print("\nEstadísticas descriptivas:") # se muestran las características estadisiticas (cantidad numeros nulos,media,desviación estandar,valor mínimo)
datos.describe().T

print("MEDIDAS DE TENDENCIA CENTRAL - Variable AGE (Edad)")
print("="*60)

# Calculamos la MEDIA de la edad
# mean() calcula el promedio de todos los valores
media_edad = datos['AGE'].mean()
print(f"Media (Promedio): {media_edad:.2f} años")

# Calculamos la MEDIANA de la edad
# median() encuentra el valor central de los datos ordenados
mediana_edad = datos['AGE'].median()
print(f"Mediana: {mediana_edad:.2f} años")

# Calculamos la MODA de la edad
# mode() encuentra el valor que más se repite
moda_edad = datos['AGE'].mode()[0]  # [0] porque mode() devuelve una Serie
print(f"Moda: {moda_edad} años")

# Interpretación
print("\nInterpretación:")
print(f"   La edad promedio de los pacientes es de {media_edad:.1f} años.")
print(f"   El 50% de los pacientes tiene {mediana_edad:.0f} años o menos.")
print(f"   La edad más frecuente en el dataset es {moda_edad} años.")

print("MEDIDAS DE TENDENCIA CENTRAL - Variable BMI")
print("="*60)

# Calculamos la MEDIA del BMI
media_bmi = datos['BMI'].mean()
print(f"Media (Promedio): {media_bmi:.2f}")

# Calculamos la MEDIANA del BMI
mediana_bmi = datos['BMI'].median()
print(f"Mediana: {mediana_bmi:.2f}")

# Calculamos la MODA del BMI
moda_bmi = datos['BMI'].mode()[0]
print(f"Moda: {moda_bmi}")

# Interpretación
print("\nInterpretación:")
print(f"   El BMI promedio de los pacientes es {media_bmi:.2f}.")
print(f"   Según la OMS, un BMI > 25 indica sobrepeso.")
print(f"   Este valor sugiere que la mayoría de pacientes tienen sobrepeso.")

print("MEDIDAS DE DISPERSIÓN - Variable AGE (Edad)")
print("="*60)

# Valor MÁXIMO de la edad
maximo_edad = datos['AGE'].max()
print(f"Valor Máximo: {maximo_edad} años")

# Valor MÍNIMO de la edad
minimo_edad = datos['AGE'].min()
print(f"Valor Mínimo: {minimo_edad} años")

# RANGO (diferencia entre máximo y mínimo)
rango_edad = maximo_edad - minimo_edad
print(f"Rango: {rango_edad} años")

# DESVIACIÓN ESTÁNDAR
desv_std_edad = datos['AGE'].std()
print(f"Desviación Estándar: {desv_std_edad:.2f} años")

# VARIANZA
varianza_edad = datos['AGE'].var()
print(f"Varianza: {varianza_edad:.2f}")

# Interpretación
print("\nInterpretación:")
print(f"   Los pacientes tienen edades entre {minimo_edad} y {maximo_edad} años.")
print(f"   La desviación estándar de {desv_std_edad:.1f} indica variabilidad moderada.")

print("📏 MEDIDAS DE DISPERSIÓN - Variable BMI")
print("="*60)

# Valor MÁXIMO del BMI
maximo_bmi = datos['BMI'].max()
print(f"Valor Máximo: {maximo_bmi}")

# Valor MÍNIMO del BMI
minimo_bmi = datos['BMI'].min()
print(f"Valor Mínimo: {minimo_bmi}")

# RANGO
rango_bmi = maximo_bmi - minimo_bmi
print(f"Rango: {rango_bmi:.2f}")

# DESVIACIÓN ESTÁNDAR
desv_std_bmi = datos['BMI'].std()
print(f"Desviación Estándar: {desv_std_bmi:.2f}")

# VARIANZA
varianza_bmi = datos['BMI'].var()
print(f"Varianza: {varianza_bmi:.2f}")

# Interpretación
print("\nInterpretación:")
print(f"   El BMI varía entre {minimo_bmi} y {maximo_bmi}.")
print(f"   Un BMI de {maximo_bmi} indica obesidad severa.")

print("ANÁLISIS POR SEXO")
print("="*60)

# Contamos cuántos pacientes hay de cada sexo
conteo_sexo = datos['SEX'].value_counts()
print("Distribución por sexo:")
print(f"   - Masculino (1): {conteo_sexo[1]} pacientes")
print(f"   - Femenino (2): {conteo_sexo[2]} pacientes")

# Calculamos la media de edad por sexo
print("\nEdad promedio por sexo:")
media_edad_por_sexo = datos.groupby('SEX')['AGE'].mean()
print(f"   - Masculino: {media_edad_por_sexo[1]:.2f} años")
print(f"   - Femenino: {media_edad_por_sexo[2]:.2f} años")

# Calculamos la media de BMI por sexo
print("\nBMI promedio por sexo:")
media_bmi_por_sexo = datos.groupby('SEX')['BMI'].mean()
print(f"   - Masculino: {media_bmi_por_sexo[1]:.2f}")
print(f"   - Femenino: {media_bmi_por_sexo[2]:.2f}")

print("TABLA RESUMEN DE ESTADÍSTICAS")
print("="*60)

# Creamos un diccionario con las estadísticas
resumen = {
    'Estadística': ['Media', 'Mediana', 'Moda', 'Máximo', 'Mínimo', 'Desv. Estándar', 'Varianza'],
    'AGE (Edad)': [
        f"{media_edad:.2f}",
        f"{mediana_edad:.2f}",
        f"{moda_edad}",
        f"{maximo_edad}",
        f"{minimo_edad}",
        f"{desv_std_edad:.2f}",
        f"{varianza_edad:.2f}"
    ],
    'BMI': [
        f"{media_bmi:.2f}",
        f"{mediana_bmi:.2f}",
        f"{moda_bmi}",
        f"{maximo_bmi}",
        f"{minimo_bmi}",
        f"{desv_std_bmi:.2f}",
        f"{varianza_bmi:.2f}"
    ]
}

# Convertimos a DataFrame para mejor visualización
df_resumen = pd.DataFrame(resumen)
df_resumen