El Análisis Exploratorio de Datos (AED), o EDA por sus siglas en inglés (Exploratory Data Analysis), es una metodología fundamental en el campo de la ciencia de datos. Su objetivo principal es desarrollar una comprensión profunda de tus datos a través del uso sistemático de la transformación y la visualización. Este proceso es crucial para examinar la calidad de los datos, identificar patrones y generar nuevas preguntas para una investigación más detallada.
¿Qué es el Análisis Exploratorio de Datos (AED)? Definición y Propósito
El AED es una parte esencial de cualquier análisis de datos porque permite examinar la calidad de los datos, lo cual es siempre necesario. No hay reglas estrictas sobre las preguntas específicas a formular, pero el AED comprende un ciclo iterativo y dinámico:
- Generar preguntas acerca de tus datos.
- Buscar respuestas visualizando, transformando y modelando tus datos.
- Usar lo aprendido para refinar tus preguntas o generar nuevas interrogantes.
En este ciclo, te harás dos tipos de preguntas fundamentales para descubrir información valiosa:
- ¿Qué tipo de variación existe dentro de cada una de mis variables?
- ¿Qué tipo de covariación ocurre entre mis diferentes variables?
Estas preguntas guiarán tu exploración y te permitirán entender mejor la estructura y las características de tus conjuntos de datos.
Conceptos Clave en AED: Repaso de Definiciones
Para embarcarse en el AED, es vital recordar algunas definiciones básicas:
- Una unidad es una entidad perteneciente a una población.
- Los aspectos, características o cantidades observadas en estas unidades se denominan variables, ya que cambian de una unidad a otra.
- Un dato es el producto de observar una variable, también conocido como observación.
- Un conjunto de datos es una colección de observaciones de una o más variables medidas sobre varias unidades de la población.
Las variables se clasifican en dos grandes grupos:
- Variables cualitativas (categóricas): Representan cualidades o categorías. Pueden ser nominales (sin orden) u ordinales (con un orden).
- Variables cuantitativas (numéricas): Representan cantidades. Se subdividen en discretas (conteo de eventos) y continuas (mediciones que pueden tomar cualquier valor dentro de un rango).
Herramientas para el AED: Explorando con Tidyverse y ggplot2
Dentro del ecosistema Tidyverse, ggplot2 es una herramienta poderosa para crear visualizaciones. Se carga junto con otros paquetes al ejecutar library(tidyverse) en R. ggplot2 se basa en la gramática de los gráficos, que permite construir visualizaciones por capas usando una plantilla con varios parámetros:
ggplot(data = <DATOS>) +
<GEOM_FUNCIÓN>(
mapping = aes(<MAPEOS>),
stat = <ESTADÍSTICAS>,
position = <POSICIÓN>) +
<FUNCIÓN_COORDENADAS> +
<FUNCIÓN_FACETAS>
Esta estructura te permite construir gráficos complejos de manera intuitiva y controlada.
Entendiendo la Variación en los Datos
La variación se refiere a la tendencia de los valores de una variable a cambiar de una medición a otra. Incluso al medir una variable continua dos veces, es probable que obtengas resultados ligeramente diferentes debido a pequeños errores. Esto también se aplica a cantidades que son teóricamente constantes, como la velocidad de la luz, donde cada medición incluye un margen de error variable.
Las variables categóricas también muestran variación. Por ejemplo, el color de ojos varía entre diferentes personas, o la opinión sobre un tema político puede variar en diferentes momentos. El objetivo del AED es entender y cuantificar esta variación.
Tarjetas
Toca para girar · Desliza para navegar
Análisis Univariado: Visualizando Distribuciones
El primer paso en el AED es el análisis univariado, que consiste en examinar una variable a la vez. El objetivo es aprender sobre la distribución de cada variable: cuáles son los posibles valores que puede tomar y con qué frecuencia esperamos que tome esos valores.
La forma de visualizar la distribución de una variable dependerá de si es categórica o numérica, y se realiza mediante el cálculo de medidas resúmenes y la creación de gráficos.
Análisis de Variables Categóricas
Las variables categóricas adoptan valores de un grupo limitado de categorías. En R, suelen almacenarse como vectores de factores o caracteres. Los valores son simplemente etiquetas asignadas a estas categorías. La distribución de una variable categórica enumera las categorías y proporciona el recuento o porcentaje de unidades en cada una.
Tabla de Frecuencias
Una tabla de frecuencias es una forma sencilla de resumir variables categóricas. Por ejemplo, si analizamos la procedencia de vehículos:
| Región | Frecuencia | Porcentaje |
|---|---|---|
| Asia | 158 | 36.92 |
| Europa | 123 | 28.74 |
| EE.UU. | 147 | 34.35 |
Esta tabla nos muestra la frecuencia absoluta y el porcentaje de vehículos de cada región.
Gráfico de Sectores (o de Torta)
Un gráfico de sectores divide un círculo en secciones, donde el área de cada sección es proporcional a la frecuencia de su categoría. Sin embargo, su uso a menudo no es recomendado para la comparación precisa entre categorías. (Ver razones para no usar gráficos de sectores).
Gráfico de Barras
El gráfico de barras es una de las maneras más simples y efectivas de visualizar la distribución de una variable categórica. En este gráfico:
- El eje horizontal representa las categorías de la variable.
- La altura de cada barra se corresponde con la frecuencia (absoluta o relativa) de la categoría.
Si las categorías tienen un orden inherente (como