Palmer Penguins

4.2. Palmer Penguins#

Para comenzar a analizar datos, lo primero que necesitamos son, precisamente, datos que analizar. Aunque cada conjunto de datos varía según el contexto de la investigación que lo generó, para aprender técnicas de análisis es común utilizar arreglos ya conocidos y diseñados para ser fáciles de explorar.

Ronald Fisher, considerado por muchos como el padre de la estadística moderna, desarrolló en 1936 un conjunto de datos multivariados conocido como Iris, que contiene información sobre tres especies de flores del género Iris. Este arreglo ha sido utilizado durante décadas como recurso introductorio para aprender análisis estadístico.

En 2020, Allison Marie Horst, Alison Presmanes Hill y Kristen B. Gorman publicaron un conjunto de datos con objetivos similares, pero esta vez basado en tres especies de pingüinos de las islas Palmer, en la Antártida [Horst et al., 2020].

En esta unidad y la siguiente, utilizaremos este conjunto de datos para aprender a realizar análisis estadístico en Python.

Referencias

Fisher, R. A. (1936). The use of multiple measurements in taxonomic problems. Annals of Eugenics, 7(2), 179–188. Horst, A. M., Hill, A. P., & Gorman, K. B. (2020). palmerpenguins: Data for Introductory Data Science. https://allisonhorst.github.io/palmerpenguins

4.2.1. Ejercicio antes de continuar#

Importante

Por favor revisa el repositorio oficial del dataset «Palmer Penguins» en la siguiente liga: https://allisonhorst.github.io/palmerpenguins/

Aqui podrás conocer cómo está compuesto el dataset y qué significa cada dato. Por favor no lo omitas.

4.2.2. Importar el dataset#

El arreglo de datos, en adelante dataset está disponible a travez de muchos paquetes y librerías en python, pero la forma más sencilla de importar los datos es por medio de una url.

Importante

Siempre verifica de dónde proviene la información antes de importar o instalar nada. En este caso la URL es de un paquete de muy buena reputación pingouin que usaremos más adelante. Pero en este momento no es necesario instalar.

import pandas as pd

url = 'https://raw.githubusercontent.com/raphaelvallat/pingouin/refs/heads/main/src/pingouin/datasets/penguins.csv'

df = pd.read_csv(url)
df
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
0 Adelie Biscoe 37.8 18.3 174.0 3400.0 female
1 Adelie Biscoe 37.7 18.7 180.0 3600.0 male
2 Adelie Biscoe 35.9 19.2 189.0 3800.0 female
3 Adelie Biscoe 38.2 18.1 185.0 3950.0 male
4 Adelie Biscoe 38.8 17.2 180.0 3800.0 male
... ... ... ... ... ... ... ...
339 Gentoo Biscoe NaN NaN NaN NaN NaN
340 Gentoo Biscoe 46.8 14.3 215.0 4850.0 female
341 Gentoo Biscoe 50.4 15.7 222.0 5750.0 male
342 Gentoo Biscoe 45.2 14.8 212.0 5200.0 female
343 Gentoo Biscoe 49.9 16.1 213.0 5400.0 male

344 rows × 7 columns

4.2.3. Exploración inicial#

Para explorar inicialmente el conjunto de datos, lo primero que queremos hacer es ver cómo está constuido. Qué columnas tiene, qué tipos de datos son. Los datasets que utilizaremos están en formato tidy, así que será fácil de analizar.

4.2.3.1. Cabeza#

El primer paso en casi todos los flujos de trabajo es mostrar un pequeño encabezado para ver cómo son los datos. Hicimos ya esto en la celda de código anterior, pero tenemos demasiados datos y puedes ver en medio de la tabla «…» significa que se recortaron muchas celdas.

La forma de mostrar un número controlado de filas es con el método head, como lo veremos a continuación.

df.head() # muestra las primeras 5 filas.
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
0 Adelie Biscoe 37.8 18.3 174.0 3400.0 female
1 Adelie Biscoe 37.7 18.7 180.0 3600.0 male
2 Adelie Biscoe 35.9 19.2 189.0 3800.0 female
3 Adelie Biscoe 38.2 18.1 185.0 3950.0 male
4 Adelie Biscoe 38.8 17.2 180.0 3800.0 male 
df.head(3) # es posible especificar el número de celdas a mostrar pasando un argumento.
species island bill_length_mm bill_depth_mm flipper_length_mm body_mass_g sex
0 Adelie Biscoe 37.8 18.3 174.0 3400.0 female
1 Adelie Biscoe 37.7 18.7 180.0 3600.0 male
2 Adelie Biscoe 35.9 19.2 189.0 3800.0 female

4.2.3.2. Información general#

Posteriormente lo que haremos es obtener información general del arreglo de datos, para conocer qué tipo de datos están en cada columna. Solo al ver el encabezado con head podríamos no estar biendo todo, quizá los números son strings, o quizá haya datos faltantes.

El método info nos va a dar mucha información.

df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 344 entries, 0 to 343
Data columns (total 7 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   species            344 non-null    object 
 1   island             344 non-null    object 
 2   bill_length_mm     342 non-null    float64
 3   bill_depth_mm      342 non-null    float64
 4   flipper_length_mm  342 non-null    float64
 5   body_mass_g        342 non-null    float64
 6   sex                333 non-null    object 
dtypes: float64(4), object(3)
memory usage: 18.9+ KB

Si leemos con detenimiento el output veremos que el dataset contiene datos de 344 pingüinos, que están numerados del 0 al 343, además, tenemos 7 columnas. Podemos ver además que de esos 344 pingüinos, no tenemos los datos de todos, por ejemplo, solo tenemos el sexo de 333 individuos.

En la última columna de info nos dicen el tipo de datos que tenemos. Todos los casos donde diga object quiere decir que la columna tiene datos str, es decir, es categórica nominal. Pandas tiene soporte para datos ordinales, pero eso se verá más adelante en el curso.

4.2.3.3. Columnas#

Puede ser que solo querramos ver el nombre de las columnas de nuestro dataset, y es fácil con el atributo columns.

df.columns

Index(['species', 'island', 'bill_length_mm', 'bill_depth_mm',
       'flipper_length_mm', 'body_mass_g', 'sex'],
      dtype='object')

4.2.3.4. Descriptivos básicos#

Como vimos en el tema previo, es muy sencillo utilizar el método describe para obtener descriptivos generales, pero si observas la siguiente celda, verás que solo está funcionando con los datos numéricos, faltan los nominales.

df.describe()
bill_length_mm bill_depth_mm flipper_length_mm body_mass_g
count 342.000000 342.000000 342.000000 342.000000
mean 43.921930 17.151170 200.915205 4201.754386
std 5.459584 1.974793 14.061714 801.954536
min 32.100000 13.100000 172.000000 2700.000000
25% 39.225000 15.600000 190.000000 3550.000000
50% 44.450000 17.300000 197.000000 4050.000000
75% 48.500000 18.700000 213.000000 4750.000000
max 59.600000 21.500000 231.000000 6300.000000

Para obtener descriptivos para los tipo object necesitamos pedirlo explícitamente.

df.describe(include='object')
species island sex
count 344 344 333
unique 3 3 2
top Adelie Biscoe male
freq 152 168 168

Nota que en esta ocasión solo obtuvimos los descriptivos para los tipo object y tenemos la cuenta, el número de categorías únicas (unique), la categoría más frecuente y su respectiva frecuencia.

4.2.3.5. Distribuciones#

Es igualmente sencillo, utilizando pandas obtener gráficos de distribuciones para las variables numércias.

df.hist()

array([[<Axes: title={'center': 'bill_length_mm'}>,
        <Axes: title={'center': 'bill_depth_mm'}>],
       [<Axes: title={'center': 'flipper_length_mm'}>,
        <Axes: title={'center': 'body_mass_g'}>]], dtype=object)
../_images/1472d8fc4198b668705d4f3b4912dc5f1cf49656ee911617d9435c4ba47f17e9.png

También es posible generar otro tipo de gráficos, aunque esto es conveniente, pandas no se especializa en visualizaciones, veremos en otra lección como utilizar librerías especialidadas para ese fin, por lo que no exploraremos más al respecto en este momento.

4.2.4. Guardar los datos en forma local#

Es posible guardar cualquier arreglo de datos cargado en pandas utilizando los métodos to_, por ejemplo, to_csv.


df.to_csv('penguins.csv')

4.2.5. Ejercicio#

  1. Utiliza el método que acabamos de discutir df.to_csv('penguins.csv') para guardar los datos en forma local.

  2. Abre el archivo penguins.csv con tu programa de hojas de cálculo favorito:

    • Google Sheets

    • Microsoft Excel

    • Libre Office Calc

    • Mac OS numbers

    • Incluso SPSS, JASP, Jamovi

  3. Utiliza el programa que elijas para explorar los datos como lo harías normalmente con una base de datos. Intenta conocer lo más posible sobre los pingüinos. Esto te facilitará mucho el aprendizaje en las siguientes lecciones.

Contenido