Análisis Exploratorio de Datos (EDA)
Investigar un dataset de forma sistemática antes de plantear cualquier hipótesis o modelo.
ÁreaAnálisis Exploratorio y Comunicación de Datos
DificultadPrincipiante
Tiempo de aprendizaje2-3 semanas
¿Qué puedes lograr dominando este tema?
- Formarte una intuición sólida sobre un dataset antes de modelarlo
- Detectar relaciones, patrones y anomalías que orientan las siguientes preguntas
- Evitar construir modelos sobre datos mal entendidos
Descripción
El EDA es el proceso sistemático de explorar un dataset mediante estadística descriptiva y visualización, sin hipótesis previas rígidas, para entender su estructura, detectar problemas de calidad y generar preguntas para el análisis posterior. Es, junto con la limpieza de datos, el primer paso de cualquier proyecto serio.
Casos de uso
- Primer contacto con cualquier dataset nuevo
- Generación de hipótesis para modelado posterior
- Detección temprana de problemas de calidad de datos
- Comunicación inicial de hallazgos a stakeholders
Ejemplo práctico
import pandas as pd
import seaborn as sns
df = pd.read_csv("ventas.csv")
print(df.info())
sns.pairplot(df[["precio", "unidades", "descuento"]])Ventajas y limitaciones
Ventajas
- Previene construir modelos sobre datos mal entendidos o mal medidos
- Genera hipótesis de negocio útiles incluso sin llegar a modelar
- Herramientas visuales lo hacen accesible incluso a no expertos
Limitaciones
- Sin disciplina, puede volverse una exploración sin fin sin conclusiones
- El riesgo de 'ver patrones donde solo hay ruido' es real
Herramientas relacionadas
Librerías y plataformas más comunes para practicar este tema.
- Pandas
- Seaborn
- Tableau