Los científicos de datos utilizan el análisis exploratorio de datos (EDA) para analizar e investigar conjuntos de datos y resumir sus características principales, a menudo empleando métodos de visualización de datos. Ayuda a determinar la mejor manera de gestionar las fuentes de datos para obtener las respuestas que necesita, lo que facilita que los científicos de datos descubran patrones, detecten anomalías, prueben una hipótesis o verifiquen suposiciones.
EDA se utiliza principalmente para ver qué pueden revelar los datos más allá del modelado formal o tarea de prueba de hipótesis y proporciona una mejor comprensión de las variables del conjunto de datos y las relaciones entre ellas. También puede ayudar a determinar si las técnicas estadísticas que está considerando para el análisis de datos son apropiadas. Desarrolladas originalmente por el matemático estadounidense John Tukey en la década de 1970, las técnicas EDA continúan siendo un método ampliamente utilizado en el proceso de descubrimiento de datos en la actualidad.
¿Por qué es importante el análisis exploratorio de datos en la ciencia de datos?
El objetivo principal del EDA es ayudar a analizar los datos antes de hacer suposiciones. Puede ayudar a identificar errores obvios, así como a comprender mejor los patrones dentro de los datos, detectar valores atípicos o eventos anómalos y encontrar relaciones interesantes entre las variables.
Los científicos de datos pueden utilizar el análisis exploratorio para garantizar que los resultados que producen sean válidos y aplicables a los resultados y objetivos de negocio deseados. EDA también ayuda a los stakeholders mediante la confirmación de que están haciendo las preguntas correctas. El EDA puede ayudar a responder preguntas sobre desviaciones estándar, variables categóricas e intervalos de confianza. Una vez que el EDA está completo y se obtienen los insights, sus características se pueden usar para un análisis o modelado de datos más sofisticado, incluyendo el machine learning.
Tipos de análisis exploratorios de datos
Hay cuatro tipos principales de EDA:
- Univariante no gráfico. Esta es la forma más simple de análisis de datos, donde los datos que se analizan constan de una sola variable. Dado que es una sola variable, no se ocupa de causas o relaciones. El propósito principal del análisis univariante es describir los datos y encontrar patrones que existen dentro de ellos.
- Univariante gráfico. Los métodos no gráficos no proporcionan una imagen completa de los datos. Por tanto, se requieren métodos gráficos. Los tipos comunes de gráficos univariantes incluyen:
- Diagramas de tallos y hojas, que muestran todos los valores de los datos y la forma de la distribución.
- Histogramas, un diagrama de barras en el que cada barra representa la frecuencia (recuento) o proporción (recuento/recuento total) de casos para un rango de valores.
- Diagramas de caja, que representan gráficamente el resumen de cinco números de mínimo, primer cuartil, mediana, tercer cuartil y máximo.
- No gráfico multivariante: los datos multivariantes surgen de más de una variable. Las técnicas del EDA no gráfico multivariante generalmente muestran la relación entre dos o más variables de los datos a través de tabulaciones cruzadas o estadísticas.
- Gráfico multivariante: los datos multivariantes utilizan gráficos para mostrar las relaciones entre dos o más conjuntos de datos. El gráfico más utilizado es un gráfico de barras agrupadas o un gráfico de barras en el que cada grupo representa un nivel de una de las variables y cada barra dentro de un grupo representa los niveles de la otra variable.
Otros tipos comunes de gráficos multivariantes incluyen:
- Diagrama de dispersión, que se utiliza para trazar puntos de datos en un eje horizontal y vertical para mostrar cuánto se ve afectada una variable por otra.
- Gráfico multivariante, que es una representación gráfica de las relaciones entre factores y una respuesta.
- Gráfico de ejecución, que es un gráfico de líneas de datos trazados a lo largo del tiempo.
- Gráfico de burbujas, que es una visualización de datos que muestra varios círculos (burbujas) en un gráfico bidimensional.