🐼 Pandas: Filtrar datasets, agrupar y visualización básica

🛳️ Dataset Titanic

El dataset Titanic es uno de los más conocidos en el mundo de la ciencia de datos y aprendizaje automático. Fue creado a partir de los datos de pasajeros del famoso transatlántico RMS Titanic, que se hundió en su viaje inaugural en abril de 1912 tras chocar contra un iceberg.

El objetivo clásico al trabajar con este dataset es predecir si un pasajero sobrevivió o no, en base a diferentes características como clase, edad, sexo, etc. Es ideal para practicar tareas de limpieza, visualización, modelado y análisis exploratorio de datos.

📄 Descripción de las columnas del dataset

Columna	Descripción
PassengerId	ID único para cada pasajero
Survived	Indicador de supervivencia: 0 = No, 1 = Sí
Pclass	Clase del pasajero (1ra, 2da o 3ra clase)
Name	Nombre completo del pasajero (a menudo incluye título como Mr., Mrs., etc.)
Sex	Sexo del pasajero (male o female)
Age	Edad del pasajero en años. Puede contener valores nulos
SibSp	Número de hermanos o cónyuges que viajaban con el pasajero
Parch	Número de padres o hijos que viajaban con el pasajero
Ticket	Número del boleto
Fare	Tarifa pagada por el boleto
Cabin	Cabina del pasajero (muchas veces está vacía)
Embarked	Puerto de embarque: C = Cherbourg, Q = Queenstown, S = Southampton
Embarking_Date	Fecha en la que se embarcó el pasajero.

🐼 Práctica exploración y limpieza de datos:

• Titanic

• Explora el dataset Titanic:

  • Tamaño, estructura

  • Tipos de datos que contiene

  • Resumen estadístico

  • Valores únicos por columna

  • Visualiza 3 columnas con .plot()

• Limpieza y ajustes:

• ¿Coinciden los tipos de datos con la información de cada columna?

• ¿Cuantas nulos hay en cada columna y en todo el dataset?

• ¿Cual es la mejor forma de manejar los nulos de cada columna?

• Limpia los nulos de 3 columnas como mejor lo decidas, eliminacion, o imputación

• ¿Cuantos duplicados hay en el dataset? Eliminalos.

import pandas as pd

# Cargar el DataFrame desde un archivo CSV
url='https://raw.githubusercontent.com/gbuvoli/Datasets/refs/heads/main/titanic_with_dates.csv'

df = pd.read_csv(url)

df.head()

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	1912-04-10T12:14:08Z
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	1912-04-10T19:07:26Z
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	1912-04-10T16:15:48Z
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	1912-04-10T13:26:46Z
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	1912-04-10T17:31:29Z

🐼 Pandas: Filtrar datasets, agrupar y visualización básica (teoría)

🎯 Objetivo del bloque

Aprender a seleccionar subconjuntos de datos, resumirlos por grupos y comunicar hallazgos con visualizaciones simples.

1) 🔎 Filtrar datasets (selección de datos)

Filtrar es quedarte con una parte del dataset según un criterio. Se usa para:

• analizar un segmento específico (por ejemplo, un país, un producto, una cohorte),

• excluir registros inválidos o fuera de alcance,

• comparar grupos (A vs B) usando reglas consistentes.

Conceptos clave:

• Filtrado por condiciones: seleccionar filas que cumplan una regla (igualdad, rangos, pertenencia a una lista, combinaciones).

• Combinación de condiciones: unir reglas con lógica (y / o / no).

• Filtrado por columnas: quedarte solo con las variables necesarias para el análisis (reduce ruido y errores).

• Filtrado por fechas: seleccionar por intervalos temporales; requiere que las fechas estén bien interpretadas como fechas (no como texto).

• Evitar “filtros que mienten”: si hay nulos, categorías inconsistentes o tipos errados, el filtro puede excluir o incluir mal (por eso se explora y limpia antes).

Resultado esperado: un dataset más pequeño y relevante, listo para calcular métricas o construir tablas resumen.

---

# Filtro por una condición

adultos = df[df["Age"] >= 18]
display(adultos.head())

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
0	1	0	3	Braund, Mr. Owen Harris	male	22.0	1	0	A/5 21171	7.2500	NaN	S	1912-04-10T12:14:08Z
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	1912-04-10T19:07:26Z
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	1912-04-10T16:15:48Z
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	1912-04-10T13:26:46Z
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	1912-04-10T17:31:29Z

# Filtro multiples condiciones

fem_adultos = df[(df["Age"] >= 18) & (df["Sex"] == "female")]
display(fem_adultos.head())

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	1912-04-10T19:07:26Z
2	3	1	3	Heikkinen, Miss. Laina	female	26.0	0	0	STON/O2. 3101282	7.9250	NaN	S	1912-04-10T16:15:48Z
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	1912-04-10T13:26:46Z
8	9	1	3	Johnson, Mrs. Oscar W (Elisabeth Vilhelmina Berg)	female	27.0	0	2	347742	11.1333	NaN	S	1912-04-10T15:16:49Z
11	12	1	1	Bonnell, Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S	1912-04-10T14:58:44Z

#Filtrar por lista de valores

clase_1_2 = df[df["Pclass"].isin([1, 2])]
display(clase_1_2.head())

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	1912-04-10T19:07:26Z
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	1912-04-10T13:26:46Z
6	7	0	1	McCarthy, Mr. Timothy J	male	54.0	0	0	17463	51.8625	E46	S	1912-04-10T15:47:09Z
9	10	1	2	Nasser, Mrs. Nicholas (Adele Achem)	female	14.0	1	0	237736	30.0708	NaN	C	1912-04-10T19:08:11Z
11	12	1	1	Bonnell, Miss. Elizabeth	female	58.0	0	0	113783	26.5500	C103	S	1912-04-10T14:58:44Z

#Filtrar por valores nulos
nulos_age = df[df["Age"].isnull()]
display(nulos_age.head())

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
5	6	0	3	Moran, Mr. James	male	NaN	0	0	330877	8.4583	NaN	Q	1912-04-11T11:40:07Z
17	18	1	2	Williams, Mr. Charles Eugene	male	NaN	0	0	244373	13.0000	NaN	S	1912-04-10T14:19:48Z
19	20	1	3	Masselmani, Mrs. Fatima	female	NaN	0	0	2649	7.2250	NaN	C	1912-04-10T18:36:32Z
26	27	0	3	Emir, Mr. Farred Chehab	male	NaN	0	0	2631	7.2250	NaN	C	1912-04-10T19:40:54Z
28	29	1	3	O'Dwyer, Miss. Ellen "Nellie"	female	NaN	0	0	330959	7.8792	NaN	Q	1912-04-11T11:46:17Z

#Filtrar por rango de edad
rango_edad = df[df["Age"].between(30, 40)]
display(rango_edad.head())

	PassengerId	Survived	Pclass	Name	Sex	Age	SibSp	Parch	Ticket	Fare	Cabin	Embarked	Embarked_Date
1	2	1	1	Cumings, Mrs. John Bradley (Florence Briggs Th...	female	38.0	1	0	PC 17599	71.2833	C85	C	1912-04-10T19:07:26Z
3	4	1	1	Futrelle, Mrs. Jacques Heath (Lily May Peel)	female	35.0	1	0	113803	53.1000	C123	S	1912-04-10T13:26:46Z
4	5	0	3	Allen, Mr. William Henry	male	35.0	0	0	373450	8.0500	NaN	S	1912-04-10T17:31:29Z
13	14	0	3	Andersson, Mr. Anders Johan	male	39.0	1	5	347082	31.2750	NaN	S	1912-04-10T16:00:15Z
18	19	0	3	Vander Planke, Mrs. Julius (Emelia Maria Vande...	female	31.0	1	0	345763	18.0000	NaN	S	1912-04-10T12:36:57Z

# Filtrar por filas y columnas específicas
subset = df.loc[df["Age"] >= 18, ["Name", "Age", "Sex"]]
display(subset.head())

	Name	Age	Sex
0	Braund, Mr. Owen Harris	22.0	male
1	Cumings, Mrs. John Bradley (Florence Briggs Th...	38.0	female
2	Heikkinen, Miss. Laina	26.0	female
3	Futrelle, Mrs. Jacques Heath (Lily May Peel)	35.0	female
4	Allen, Mr. William Henry	35.0	male

2) 🧩 Agrupar datos (resúmenes por categoría)

Agrupar es convertir datos “a nivel registro” en información agregada por una o varias categorías (por ejemplo, por ciudad, mes, canal, tipo de cliente). Es esencial para responder preguntas de negocio.

Conceptos clave:

• Clave(s) de agrupación: columnas que definen los grupos (una o varias).
  Ejemplo conceptual: agrupar por ciudad y mes crea un grupo por cada combinación ciudad–mes.

• Agregaciones: operaciones que resumen cada grupo (conteo, suma, promedio, mediana, mínimo/máximo, porcentajes, etc.).

• Métricas derivadas: después de agrupar, a menudo se calculan ratios (por ejemplo, tasa, margen, participación, crecimiento).

• Orden y legibilidad: un buen resumen suele incluir ordenamiento por una métrica clave y un formato claro.

• Granularidad: agrupar demasiado fino (muchas categorías) produce ruido; agrupar demasiado grueso oculta patrones. La clave es elegir el nivel correcto para la pregunta.

Resultado esperado: una tabla resumen que responde “qué pasa” por segmento.

#Supervivencia
survival_rate = df.groupby(['Survived'])['PassengerId'].count().reset_index()
display(survival_rate)

	Survived	PassengerId
0	0	549
1	1	340

#Visualización de la tasa de supervivencia
survival_rate.plot(kind='bar', x='Survived', y='PassengerId', title='Survival Rate', legend=False, ylabel='Number of Passengers', xlabel='Survived', color=['red', 'green'])

<Axes: title={'center': 'Survival Rate'}, xlabel='Survived', ylabel='Number of Passengers'>

#survival age

survival_age = df.groupby(['Survived'])['Age'].mean().reset_index()
display(survival_age)

	Survived	Age
0	0	30.626179
1	1	28.193299

#plot
survival_age.plot(kind='bar', x='Survived', y='Age', title='Average Age by Survival Status', legend=False, ylabel='Average Age', xlabel='Survived', color=['orange', 'blue'])

<Axes: title={'center': 'Average Age by Survival Status'}, xlabel='Survived', ylabel='Average Age'>

# survival avg age and avg fare

survival_stats = df.groupby(['Survived'])[['Age', 'Fare']].mean().reset_index()
#ajuste de nombres de columnas
survival_stats.columns = ['Survived', 'Avg_Age', 'Avg_Fare']
display(survival_stats)

	Survived	Avg_Age	Avg_Fare
0	0	30.626179	22.117887
1	1	28.193299	48.209498

#visualización
survival_stats.plot(kind='bar', x='Survived', y=['Avg_Age', 'Avg_Fare'], title='Average Age and Fare by Survival Status', ylabel='Values', xlabel='Survived', color=['orange', 'blue'])

<Axes: title={'center': 'Average Age and Fare by Survival Status'}, xlabel='Survived', ylabel='Values'>

#survival avg age and sum fare

survival_stats_sum = df.groupby(['Survived'])[['Age', 'Fare']].agg(

    Avg_Age = ('Age', 'mean'),
    Total_Fare = ('Fare', 'sum')
).reset_index()

display(survival_stats_sum)

	Survived	Avg_Age	Total_Fare
0	0	30.626179	12142.7199
1	1	28.193299	16391.2294

#visualización
survival_stats_sum.plot(kind='bar', x='Survived', y=['Avg_Age', 'Total_Fare'], title='Average Age and Fare by Survival Status', ylabel='Values', xlabel='Survived', color=['orange', 'blue'])

<Axes: title={'center': 'Average Age and Fare by Survival Status'}, xlabel='Survived', ylabel='Values'>

# Edad promedio por clase y supervivencia
survival_by_class = df.groupby(['Pclass', 'Survived'])['Age'].mean()
display(survival_by_class)

Pclass  Survived
1       0           43.695312
        1           35.124333
2       0           33.544444
        1           25.901566
3       0           26.555556
        1           20.646118
Name: Age, dtype: float64

survival_by_class.plot(kind='bar',y='Age', title='Average Age by Class and Survival Status', ylabel='Average Age', xlabel='Passenger Class')

<Axes: title={'center': 'Average Age by Class and Survival Status'}, xlabel='Passenger Class', ylabel='Average Age'>

survival_by_class = df.groupby(['Pclass', 'Survived'])['Age'].mean().unstack()

display(survival_by_class)

Survived	0	1
Pclass
1	43.695312	35.124333
2	33.544444	25.901566
3	26.555556	20.646118

survival_by_class.plot(kind='bar', title='Average Age by Class and Survival Status', ylabel='Average Age', xlabel='Passenger Class', color=['orange', 'blue'])

<Axes: title={'center': 'Average Age by Class and Survival Status'}, xlabel='Passenger Class', ylabel='Average Age'>

Ahora tu

• Genera 3 agrupaciones que respondan a una pregunta sobre el dataset

¿Que aprendiste hoy?