Searbon es una de las bibliotecas para la visualización de datos más popular en Python porque ofrece una amplia gama de gráficos predefinidos y la capacidad de personalizarlos para adaptarlos a las necesidades de cada usuario. Lo que permite crear las visualizaciones al gusto y preferencia de los diferentes usuarios. En esta entrada, se explorarán algunas de las algunas de las … [Leer más...] acerca de Personalización de gráficos en Seaborn: Cambiar colores, estilos y etiquetas
Diagramas de dispersión y gráficos de regresión con Seaborn: Visualización de relaciones entre variables numéricas
La visualización de las relaciones existentes entre las variables numéricas de un conjunto de datos es clave para poder comprender los patrones y tendencias existentes. Seaborn, una biblioteca de visualización de datos en Python, ofrece varias funciones para representar estas relaciones. En esta entrada, se mostrará cómo se pueden crear diagramas de dispersión y gráficos de … [Leer más...] acerca de Diagramas de dispersión y gráficos de regresión con Seaborn: Visualización de relaciones entre variables numéricas
Creación de gráficos de barras y gráficos de columnas con Seaborn
Los gráficos de barras y los gráficos de columnas son una forma altamente efectiva de visualizar datos categóricos. Permitiendo comparar los valores asociados a cada categoría. Seaborn, una de las principales bibliotecas de visualización de datos en Python, ofrece varias funciones para crear este tipo de gráficos. En esta entrada, se mostrará las principales opciones que … [Leer más...] acerca de Creación de gráficos de barras y gráficos de columnas con Seaborn
Visualización de distribuciones de datos con Seaborn: Histogramas, gráficos de densidad y boxplots
La visualización de la distribución de datos es una parte fundamental a la hora de realizar análisis exploratorios. Seaborn, una biblioteca de visualización de datos en Python cuenta con múltiples herramientas para ello. Tales como histogramas, gráficos de densidad y diagramas de caja (también llamados boxplots). En esta entrada, continuando la serie de publicaciones sobre esta … [Leer más...] acerca de Visualización de distribuciones de datos con Seaborn: Histogramas, gráficos de densidad y boxplots
Introducción a Seaborn: Una visión general de la biblioteca
Seaborn es una biblioteca de visualización de datos para Python basada en Matplotlib. La principal característica de Seaborn es una interfaz de alto nivel con la que es fácil crear gráficos elegantes de una forma sencilla. Siendo una excelente opción para analizar datos en Python. En esta entrada, una introducción a Seaborn, comienza una serie de publicaciones sobre Seaborn en … [Leer más...] acerca de Introducción a Seaborn: Una visión general de la biblioteca
Publicaciones para el verano 2023: Seaborn
Como ya es tradición en Analytics Lane durante los meses de verano de 2023 las publicaciones serán sobre un único tema. Además de cambiar la frecuencia de publicación a dos entradas que aparecerán los martes y jueves. Durante los meses de julio y agosto, en base al éxito de la serie del año pasado dedicada a Matplotlib y las peticiones de algunos de vosotros, dedicaremos una … [Leer más...] acerca de Publicaciones para el verano 2023: Seaborn
Curiosidad: El uso del número 42 para fijar la semilla
Si habitualmente revisáis el código de otros programadores o científicos de datos, algo que es muy recomendable, seguramente os habréis encontrado con el uso del número 42 como semilla. Pero ¿por qué es tan habitual usar el número 42 para fijar la semilla en lugar de otros que podrían ser más intuitivos como 0 o 1?Origen del número 42 para fijar la semillaEl uso tan … [Leer más...] acerca de Curiosidad: El uso del número 42 para fijar la semilla
800 publicaciones en Analytics Lane
Estoy emocionando de anunciar que ayer hemos alcanzado un nuevo hito en la trayectoria de Analytics Lane: ¡se ha publicado el artículo número 800! Un paso más que ayuda a consolidar este proyecto de divulgación y formación. Desde que la primera publicación, allá por el 2 de mayo de 2018, en este blog se ha publicado regularmente recursos sobre ciencia de datos, lenguajes de … [Leer más...] acerca de 800 publicaciones en Analytics Lane
Cuatro aplicaciones de la Inteligencia Artificial en la Agricultura
La agricultura es un sector clave para garantizar la subsistencia de la civilización. Actualmente, la combinación del aumento de la población y el cambio climático hace que sea necesario mejorar la producción de alimentos de forma sostenible, para garantizar el suministro actual y futuro. Siendo la inteligencia artificial (IA) una herramienta indispensable para abordar estos … [Leer más...] acerca de Cuatro aplicaciones de la Inteligencia Artificial en la Agricultura
Reseña: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlowReseña:
Hands-On Machine Learning de Aurélien Géron es un libro de referencia en el campo del aprendizaje automático. Cubre una amplia gama de técnicas y algoritmos empleados en el desarrollo de soluciones de aprendizaje automático. El autor es una referencia dentro de la industria y ha creado un recurso valioso tanto para principiantes como para profesionales experimentados.La … [Leer más...] acerca de Reseña: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlowReseña:
Ordenar un DataFrame en base a dos o más columnas
Los DataFrames de Pandas cuentan con el método sort_values() para ordenar los registros de un conjunto de datos en base a sus valores. Siendo una herramienta que ofrece múltiples opciones. En su uso básico permite ordenar los datos en base a los valores de una columna, pero también es posible ordenar un DataFrame en base a dos o más columnas. Pudiendo llegar a combinar unas en … [Leer más...] acerca de Ordenar un DataFrame en base a dos o más columnas
El índice de Davies-Bouldinen para estimar los clústeres en k-means e implementación en Python
Uno de los mayores problemas a la hora de trabajar con el algoritmo de k-means es la necesidad de conocer el número de clústeres en los que se debe dividir el conjunto de datos. Para lo que existen diferentes métodos como el del codo, la Silhouette, Gap Statistics o Calinski-Harabasz. En esta ocasión se va a ver otro método bastante popular, el braseado en el índice de … [Leer más...] acerca de El índice de Davies-Bouldinen para estimar los clústeres en k-means e implementación en Python