• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Cómo Explorar un Dataset antes de Modelar

Laboratorio

noviembre 17, 2026 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 9 minutos

Uno de los errores más frecuentes en ciencia de datos es lanzarse a construir un modelo sin explorar primero los datos. Un modelo ajustado sobre datos mal entendidos, con outliers no detectados, variables con distribuciones inesperadas, correlaciones que no se conocían o relaciones no lineales ignoradas, puede producir resultados incorrectos aunque las métricas de validación parezcan aceptables.

El análisis exploratorio de datos (EDA, por sus siglas en inglés) es el paso previo imprescindible. No es un trámite, es donde realmente aprendes qué hay en tus datos, qué variables son prometedoras, qué problemas existen y qué decisiones de preprocesado necesitas tomar antes de modelar.

Este tutorial muestra un flujo completo de análisis exploratorio usando cuatro aplicaciones del laboratorio de Analytics Lane conectadas entre sí:

  1. Estadísticos descriptivos: resumen numérico y visual de cada variable
  2. Test de normalidad: verificación del supuesto de normalidad
  3. Regresión lineal: exploración de relaciones entre variables numéricas
  4. Análisis bivariante del constructor de scorecards: relación de cada variable con el target en problemas de clasificación

El flujo es progresivo: cada app responde una pregunta distinta y los resultados de una informan las decisiones en la siguiente.

Tabla de contenidos

  • 1. El flujo completo de un vistazo
  • 2. Paso 1: Estadísticos descriptivos: el punto de partida
    • 2.1. Qué buscar
    • 2.2. Las tres preguntas que debes poder responder al terminar este paso
  • 3. Paso 2: Test de normalidad: ¿puedo usar métodos paramétricos?
    • 3.1. Lo que registras de este paso
  • 4. Paso 3: Regresión lineal: exploración de relaciones entre variables
    • 4.1. Carga los datos en el modo generador o interactivo
    • 4.2. Qué buscar
    • 4.3. La matriz de correlaciones como guía
    • 4.4. Lo que registras de este paso
  • 5. Paso 4: Análisis bivariante: la relación con el target en clasificación
    • 5.1. Lo que muestra el análisis bivariante
    • 5.2. Cómo usar este paso sin construir el scorecard completo
    • 5.3. Lo que registras de este paso
  • 6. Un ejemplo práctico completo
    • 6.1. En estadísticos descriptivos
    • 6.2. En el test de normalidad
    • 6.3. En el simulador de regresión lineal
    • 6.4. En el análisis bivariante
  • 7. Resumen del flujo
  • 8. Lo que el análisis exploratorio no puede hacer

El flujo completo de un vistazo

  1. Estadísticos descriptivos: ¿Cómo se distribuye cada variable? ¿Hay outliers? ¿Hay nulos? ¿Hay asimetría?
  2. Test de normalidad: ¿Los datos son compatibles con una distribución normal? ¿Necesito transformar alguna variable?
  3. Regresión lineal (variables numéricas): ¿Hay relaciones lineales entre variables? ¿Qué variables están correlacionadas entre sí?
  4. Análisis bivariante (si hay variable target): ¿Qué variables tienen más relación con lo que quiero predecir? ¿La relación es monótona, en U o irregular?

No todos los pasos son necesarios en todos los casos, el flujo se adapta según el tipo de problema y el tipo de datos. Pero seguirlos en orden garantiza que no te llevarás sorpresas desagradables cuando empieces a modelar.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Paso 1: Estadísticos descriptivos: el punto de partida

Abre la calculadora de estadísticos descriptivos y carga tu columna de datos, o si tienes varias variables, analiza cada una por separado.

Qué buscar

  • Media vs mediana: Si la media y la mediana difieren significativamente, la distribución es asimétrica, hay una cola larga en alguna dirección. Esto es especialmente frecuente en variables financieras (ingresos, precios, importes de transacciones) donde unos pocos valores extremos elevan la media muy por encima de la mediana.
  • Asimetría (skewness): Valores absolutos de asimetría superiores a 1 indican una asimetría relevante. Por encima de 2 la distribución es muy asimétrica y probablemente necesitarás una transformación (logarítmica, raíz cuadrada) si vas a usar modelos que asumen normalidad.
  • Curtosis: Valores muy por encima de 3 (la curtosis de una distribución normal) indican colas pesadas, más valores extremos de lo esperado. Valores muy por debajo de 3 indican colas ligeras. Ambos casos merecen atención si el modelo que vas a usar asume normalidad.
  • Mínimo, máximo y boxplot: Los outliers aparecen como puntos individuales fuera de los bigotes del boxplot. Para cada outlier que detectes hazte la pregunta: ¿es un error de medición o captura de datos, o es un valor genuino aunque extremo? Un ingreso de 2.500.000€ en un dataset de solicitudes de crédito al consumo puede ser un error o un cliente genuinamente atípico, la respuesta cambia completamente lo que harás con ese dato.
  • Porcentaje de nulos: La calculadora muestra cuántos valores nulos hay y qué porcentaje representan. Por encima del 20-30% de nulos una variable se vuelve problemática, el modelo puede estar aprendiendo principalmente del patrón de nulos, no del valor de la variable.

Las tres preguntas que debes poder responder al terminar este paso

  1. ¿Hay variables con distribuciones muy asimétricas que podrían necesitar transformación?
  2. ¿Hay outliers que merecen investigación antes de modelar?
  3. ¿Hay variables con demasiados nulos para ser útiles?

Paso 2: Test de normalidad: ¿puedo usar métodos paramétricos?

Usa el botón “Test de normalidad →” en la calculadora de estadísticos descriptivos para transferir los datos directamente a la app de test de normalidad.

El tutorial Cómo Verificar la Normalidad de tus Datos cubre este paso en detalle. Aquí el resumen de lo que buscas en el contexto del análisis exploratorio previo al modelado:

  • Variables que vas a usar como predictoras en modelos lineales: La regresión lineal no asume normalidad de las variables predictoras, solo de los residuos. Pero una variable predictora muy asimétrica puede producir residuos no normales. Si detectas asimetría severa en el paso 1, verifica la normalidad y considera una transformación logarítmica antes de incluirla en el modelo.
  • Variables que quieres comparar entre grupos: Si vas a usar un t-test o ANOVA para comparar grupos antes de modelar, necesitas verificar normalidad. Con n > 30 el teorema central del límite te protege, pero con muestras pequeñas es un paso obligatorio.
  • La variable objetivo en problemas de regresión: Una variable objetivo muy asimétrica (como precio de viviendas, ingresos, tiempos de respuesta) a menudo se modela mejor en escala logarítmica. El Q-Q plot te dirá visualmente si es el caso.

Lo que registras de este paso

Para cada variable analizada: ¿es compatible con la normalidad? ¿Necesita transformación? ¿Qué tipo de transformación? Esta información guía directamente las decisiones de preprocesado antes del modelado.

Paso 3: Regresión lineal: exploración de relaciones entre variables

Abre el simulador de regresión lineal para explorar las relaciones entre pares de variables numéricas.

Este uso del simulador es exploratorio, no estás ajustando un modelo final, estás entendiendo la estructura de tus datos. Para cada par de variables que te interese:

Carga los datos en el modo generador o interactivo

Si tienes dos variables numéricas y quieres ver su relación, pega los valores en el modo de datos del simulador. El gráfico de dispersión con la recta de regresión ajustada aparece de forma inmediata.

Qué buscar

  • R² — fuerza de la relación lineal: El simulador muestra el R² en tiempo real. Un R² alto indica una relación lineal fuerte entre las dos variables. En el contexto exploratorio esto puede significar dos cosas distintas según las variables que estés analizando:
  • Si es la relación entre una variable predictora y la variable objetivo → es una señal de que esa variable puede ser útil en el modelo
  • Si es la relación entre dos variables predictoras esto implica que es una señal de multicolinealidad que puede causar problemas si ambas entran en el modelo
  • La forma de la nube de puntos: Una nube que sigue una línea recta sugiere relación lineal. Una nube en forma de curva sugiere una relación no lineal que el modelo lineal no capturará bien. Una nube difusa sin estructura visible sugiere que no hay relación entre las dos variables.
  • El impacto de los outliers: El simulador tiene un modo específico para ver cómo un outlier distorsiona la recta de regresión. Activa el botón “Añadir outlier” para ver cuánto cambia la recta, si cambia mucho, tienes una variable sensible a valores extremos que merece atención.

La matriz de correlaciones como guía

Si tienes muchas variables y no sabes por dónde empezar, la calculadora de estadísticos descriptivos incluye la opción de calcular la correlación de Pearson entre dos variables. Úsala para identificar los pares más correlacionados antes de explorarlos en el simulador de regresión.

Lo que registras de este paso

  • ¿Qué variables tienen relaciones lineales fuertes con la variable objetivo?
  • ¿Hay pares de variables predictoras muy correlacionadas entre sí (multicolinealidad)?
  • ¿Hay relaciones claramente no lineales que necesitarán transformación o un modelo no lineal?

Paso 4: Análisis bivariante: la relación con el target en clasificación

Este paso es específico para problemas de clasificación, cuando tienes una variable objetivo binaria (0/1) y quieres entender qué variables predictoras tienen más relación con ella.

Abre el constructor de scorecards, carga tu dataset en el paso 1 y avanza al paso 2 — Análisis bivariante sin necesidad de completar el scorecard completo. Puedes usar este paso de forma independiente como herramienta de análisis exploratorio.

Lo que muestra el análisis bivariante

Para cada variable predictora el análisis bivariante muestra:

  • La tasa de evento por cuantil (variables numéricas): Divide la variable en 10 grupos de igual tamaño y muestra qué porcentaje de los positivos (eventos) hay en cada grupo. Esto te permite ver inmediatamente la forma de la relación entre la variable y el target:
  • Relación monótona: la tasa de evento sube o baja consistentemente al aumentar el valor de la variable, señal de que la variable es predictiva y la relación es estable
  • Relación en U: la tasa de evento es alta en ambos extremos y baja en el centro, la variable es predictiva pero de forma no lineal
  • Relación irregular: la tasa sube y baja sin patrón claro, puede indicar ruido estadístico o que la variable simplemente no es predictiva
  • El IV (Information Value) preliminar: Una estimación del poder predictivo global de cada variable. Variables con IV < 0,02 probablemente no aporten al modelo. Variables con IV > 0,50 merecen revisión por posible data leakage.
  • La tasa de evento por categoría (variables categóricas): Para variables categóricas muestra la tasa de evento de cada categoría, ordenada de mayor a menor. Permite identificar qué categorías tienen comportamientos distintos y cuáles podrían agruparse porque son similares.

Cómo usar este paso sin construir el scorecard completo

No necesitas completar todos los pasos del constructor para beneficiarte del análisis bivariante. Carga el dataset, configura la variable target en el paso 1, avanza al paso 2 y explora las variables que te interesen. Puedes volver al análisis sin comprometerte a construir ningún modelo.

Lo que registras de este paso

  • ¿Qué variables tienen mayor IV y por tanto más poder predictivo?
  • ¿Qué forma tiene la relación de cada variable con el target, monótona, en U, irregular?
  • ¿Hay variables con categorías muy distintas en su tasa de evento que merezca la pena separar?
  • ¿Hay alguna variable con IV sospechosamente alto que pueda ser data leakage?

Un ejemplo práctico completo

Supón que tienes un dataset de 3.000 clientes con información sociodemográfica y quieres predecir si van a contratar un producto financiero (variable target binaria).

En estadísticos descriptivos

Cargas la variable ingreso_anual y observas:

  • Media: 42.300€, Mediana: 31.500€ — diferencia significativa
  • Asimetría: 2,3 — muy asimétrica hacia la derecha
  • Máximo: 2.400.000€ — outlier evidente en el boxplot

Decisión: la variable necesita revisión. El valor de 2.400.000€ puede ser un error de captura, merece verificación. La asimetría sugiere considerar una transformación logarítmica.

En el test de normalidad

El test de Shapiro-Wilk rechaza la normalidad con p < 0,001. El Q-Q muestra una S pronunciada con el extremo derecho muy alejado de la diagonal.

Decisión: si vas a usar esta variable en un modelo que asume normalidad, aplica transformación logarítmica. El simulador de regresión lineal te permitirá verificar si la relación con el target mejora con la transformación.

En el simulador de regresión lineal

Exploras la relación entre ingreso_anual y edad, dos de tus variables predictoras. R² = 0,04, prácticamente sin correlación entre ellas. Buena señal: no hay multicolinealidad entre estas dos variables.

Exploras la relación entre ingreso_anual y num_productos_contratados. R² = 0,31, correlación moderada. Si ambas entran en el modelo juntas puede haber multicolinealidad que dificulte la interpretación de los coeficientes.

En el análisis bivariante

Cargas el dataset completo en el constructor de scorecards (o ScoreFlow)  con contratacion como variable target.

Para ingreso_anual ves una relación monótona creciente, a mayor ingreso, mayor tasa de contratación. IV = 0,18, poder predictivo medio. La relación es estable y se puede modelar bien.

Para edad ves una relación en U, los clientes muy jóvenes y los mayores de 60 tienen tasas de contratación más altas que los de mediana edad. IV = 0,09, poder predictivo débil pero con una forma interesante que merece atención en el modelado.

Para codigo_postal ves IV = 0,52, sospechosamente alto. Miles de categorías con pocas observaciones cada una. El detector automático lo marca como posible pseudo-ID.

Decisión: excluir codigo_postal de forma provisional, probablemente está memorizando el target. Incluir ingreso_anual y edad. Tener precaución con num_productos_contratados por su correlación con ingreso_anual.

Resumen del flujo

PasoAppPregunta que respondeResultado
1Estadísticos descriptivos¿Cómo se distribuye cada variable?Lista de variables con asimetría, outliers y nulos problemáticos
2Test de normalidad¿Puedo usar métodos paramétricos?Decisión de transformar o no cada variable
3Regresión lineal¿Hay relaciones lineales entre variables?Mapa de correlaciones y detección de multicolinealidad
4Análisis bivariante¿Qué variables predicen el target?Ranking de variables por IV y forma de la relación

Lo que el análisis exploratorio no puede hacer

El análisis exploratorio responde preguntas sobre los datos que tienes, no sobre los datos que necesitas. Hay preguntas que solo se responden con conocimiento del negocio o del proceso que generó los datos:

  • ¿Esta variable estaba disponible en el momento de la decisión o contiene información del futuro?
  • ¿Este outlier es un error de captura o un cliente genuinamente atípico?
  • ¿Estas dos variables aparentemente no correlacionadas tienen una relación condicional que el análisis bivariante no captura?

El análisis exploratorio es el primer paso, no el único. Los hallazgos de este flujo deben revisarse siempre con conocimiento del dominio antes de tomar decisiones de preprocesado y modelado.

Nota: La imagen de este artículo fue generada utilizando un modelo de inteligencia artificial.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

Publicado en: Ciencia de datos Etiquetado como: Laboratorio

Interacciones con los lectores

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Instalar Rocky Linux 9 en VirtualBox publicado el octubre 20, 2023 | en Herramientas
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • Solución a ‘IndentationError: unexpected indent’ en Python paso a paso publicado el marzo 24, 2025 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto