Realizar un proyecto de ciencia de datos con Python

a. El notebook de EDA

El notebook de EDA cubrirá la adquisición, limpieza, exploración, análisis y finalización de datos. Nuestro conjunto de datos solo presenta 15 variables, pero algunas como la marca, el modelo...

a. Adquisición de datos y comprobaciones iniciales

Antes de comenzar, es necesario descargar los datos cuyo enlace se proporcionó al comienzo del capítulo y guardarlos en una carpeta de nuestra elección.

Procedamos, pues, con la adquisición:

import pandas as pd  
import numpy as np  
  
pd.set_option("display.max_columns", 999)  
raw = pd.read_csv(r"YOUR_PATH\data.csv",low_memory=False,sep=",")  
  
brut.head() 

El archivo, presentado en dos partes por restricciones de legibilidad, incluye 15 variables y 251 079 observaciones.

La primera variable es un índice incremental que se puede eliminar inmediatamente:

raw = raw.drop(["Unnamed: 0"],axis=1) 

A continuación, cambiaremos el nombre de la variable offer_description a version para mayor comodidad:

raw.rename(columns={'offer_description': 'version'},  
           inplace=True) 

Ahora podemos ver las características globales del conjunto de datos:

raw.info() 

La calidad de cumplimentación es globalmente muy buena, con una tasa de finalización general promedio del 99,22 %. La variable fuel_comsumption_l_100km tiene la tasa de relleno más baja, con un 89,3 %.

Al desplazarse por los datos, se observa que algunos precios han sido reemplazados por el nombre de la empresa. Dado que nuestro modelo se centrará en la predicción de precios, en este momento podemos eliminar todas las observaciones que no tengan un precio numérico. Recuperaremos los valores numéricos en una nueva variable price y cuantificaremos el número de observaciones no numéricas:

raw['price'] = pd.to_numeric(raw["price_in_euro"],  
                             errors='coerce')  
non_num_price = raw[raw['price'].isna() &  
                    raw["price_in_euro"].notna()]  
non_num_price.shape  
  
# Output: (199,15) 

Disponemos...