2  Preprocesamiento de datos

Esta práctica contiene ejercicios que muestran como preprocesar un conjunto de datos con Julia. El preprocesamiento de datos es una tarea fundamental en la construcción de modelos de aprendizaje automático que consiste en la limpieza, transformación y preparación de los datos para que puedan alimentar el proceso de entrenamiento de los modelos, así como para la evaluación de su rendimiento. El preprocesamiento de datos incluye tareas como

• Limpieza de datos.
• Imputación de valores perdidos.
• Recodificación de variables.
• Creación de nuevas variables.
• Transformación de variables.
• Selección de variables.
• Fusión de datos.
• Reestructuración del conjunto de datos.
• División del conjunto de datos en subconjuntos de entrenamiento y prueba.

2.1 Ejercicios Resueltos

Para la realización de esta práctica se requieren los siguientes paquetes:

using CSV  # Para la lectura de archivos CSV.
using DataFrames  # Para el manejo de datos tabulares.
using PrettyTables  # Para mostrar tablas formateadas.
using Plots  # Para el dibujo de gráficas.
using Makie  # Para obtener gráficos interactivos.

Ejercicio 2.1 La siguiente tabla contiene los ingresos y gastos de una empresa durante el primer trimestre del año.

1. Crear un data frame con los datos de la tabla.

   Ayuda

   Utilizar la función DataFrame del paquete DataFrames para partir el rango de valores en intervalos y asociar a cada intervalo una categoría.

   Solución

   using DataFrames
   df = DataFrame(
       Mes = ["Enero", "Febrero", "Marzo", "Abril"],
       Ingresos = [45000, 41500, 51200, 49700],
       Gastos = [33400, 35400, 35600, 36300],
       Impuestos = [6450, 6300, 7100, 6850]
       )

   4×4 DataFrame

   Row	Mes	Ingresos	Gastos	Impuestos
   	String	Int64	Int64	Int64
   1	Enero	45000	33400	6450
   2	Febrero	41500	35400	6300
   3	Marzo	51200	35600	7100
   4	Abril	49700	36300	6850

2. Crear una nueva columna con los beneficios de cada mes (ingresos - gastos - impuestos).

   Solución

   df.Beneficios = df.Ingresos - df.Gastos - df.Impuestos
   df

   4×5 DataFrame

   Row	Mes	Ingresos	Gastos	Impuestos	Beneficios
   	String	Int64	Int64	Int64	Int64
   1	Enero	45000	33400	6450	5150
   2	Febrero	41500	35400	6300	-200
   3	Marzo	51200	35600	7100	8500
   4	Abril	49700	36300	6850	6550

3. Crear una nueva columna con la variable Balance con dos posibles categorías: positivo si ha habido beneficios y negativo si ha habido pérdidas.

   Solución

   df.Balance = ifelse.(df.Beneficios .> 0, "positivo", "negativo")
   df

   4×6 DataFrame

   Row	Mes	Ingresos	Gastos	Impuestos	Beneficios	Balance
   	String	Int64	Int64	Int64	Int64	String
   1	Enero	45000	33400	6450	5150	positivo
   2	Febrero	41500	35400	6300	-200	negativo
   3	Marzo	51200	35600	7100	8500	positivo
   4	Abril	49700	36300	6850	6550	positivo

4. Filtrar el conjunto de datos para quedarse con los nombres de los meses y los beneficios de los meses con balance positivo.

   Solución

   df[df.Balance .== "positivo", [:Mes, :Beneficios]]

   3×2 DataFrame

   Row	Mes	Beneficios
   	String	Int64
   1	Enero	5150
   2	Marzo	8500
   3	Abril	6550

Ejercicio 2.2 El fichero colesterol.csv contiene información de una muestra de pacientes donde se han medido la edad, el sexo, el peso, la altura y el nivel de colesterol, además de su nombre.

1. Crear un data frame con los datos de todos los pacientes del estudio a partir del fichero colesterol.csv.

   Ayuda

   Utilizar la función CSV.read del paquete CSV para crear und data frame a partir de un fichero CSV. Si el fichero está en una url, utilizar la función download(url) para descargar el fichero y después leerlo con la función [CSV.read].

   Solución

   using CSV
   df = CSV.read(download("https://aprendeconalf.es/aprendizaje-automatico-practicas-julia/datos/colesterol.csv"), DataFrame)

   14×6 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol
   	String	Int64	String1	Float64?	Float64	Float64?
   1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0
   2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0
   3	Javier García Sánchez	24	H	missing	1.81	191.0
   4	Carmen López Pinzón	35	M	65.0	1.7	200.0
   5	Marisa López Collado	46	M	51.0	1.58	148.0
   6	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0
   7	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0
   8	Pilar Martín González	22	M	60.0	1.66	missing
   9	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0
   10	Santiago Reillo Manzano	46	H	75.0	1.85	280.0
   11	Macarena Álvarez Luna	53	M	55.0	1.62	262.0
   12	José María de la Guía Sanz	58	H	78.0	1.87	198.0
   13	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0
   14	Carolina Rubio Moreno	20	M	61.0	1.77	194.0

2. Crear una nueva columna con el índice de masa corporal, usando la siguiente fórmula

   $$\text{IMC}=\frac{\text{Peso (kg)}}{{\text{Altura (cm)}}^2}$$

   Solución

   df.imc = df.peso ./ (df.altura .^ 2)
   df

   14×7 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol	imc
   	String	Int64	String1	Float64?	Float64	Float64?	Float64?
   1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285
   2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181
   3	Javier García Sánchez	24	H	missing	1.81	191.0	missing
   4	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913
   5	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294
   6	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994
   7	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573
   8	Pilar Martín González	22	M	60.0	1.66	missing	21.7738
   9	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133
   10	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138
   11	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572
   12	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055
   13	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033
   14	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708

3. Crear una nueva columna con la variable obesidad recodificando la columna imc en las siguientes categorías.

   Rango IMC	Categoría
   Menor de 18.5	Bajo peso
   De 18.5 a 24.5	Saludable
   De 24.5 a 30	Sobrepeso
   Mayor de 30	Obeso

   Ayuda

   Utilizar la función cut del paquete CategoricalArrays para partir el rango de valores en intervalos y asociar a cada intervalo una categoría.

   Solución

   using CategoricalArrays
   df.obesidad = cut(df.imc, [0, 18.5, 24.5, 30, Inf],
                   labels=["Bajo peso", "Saludable", "Sobrepeso", "Obeso"],
                   extend=true)
   df

   14×8 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
   	String	Int64	String1	Float64?	Float64	Float64?	Float64?	Cat…?
   1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
   2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
   3	Javier García Sánchez	24	H	missing	1.81	191.0	missing	missing
   4	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
   5	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
   6	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
   7	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
   8	Pilar Martín González	22	M	60.0	1.66	missing	21.7738	Saludable
   9	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
   10	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
   11	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
   12	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
   13	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
   14	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

4. Seleccionar las columnas nombre, sexo y edad.

   Solución

   df[:, [:nombre, :sexo, :edad]]

   14×3 DataFrame

   Row	nombre	sexo	edad
   	String	String1	Int64
   1	José Luis Martínez Izquierdo	H	18
   2	Rosa Díaz Díaz	M	32
   3	Javier García Sánchez	H	24
   4	Carmen López Pinzón	M	35
   5	Marisa López Collado	M	46
   6	Antonio Ruiz Cruz	H	68
   7	Antonio Fernández Ocaña	H	51
   8	Pilar Martín González	M	22
   9	Pedro Gálvez Tenorio	H	35
   10	Santiago Reillo Manzano	H	46
   11	Macarena Álvarez Luna	M	53
   12	José María de la Guía Sanz	H	58
   13	Miguel Angel Cuadrado Gutiérrez	H	27
   14	Carolina Rubio Moreno	M	20

5. Anonimizar los datos eliminando la columna nombre.

   Ayuda

   Utilizar la función select del paquete DataFrames para seleccionar las columnas deseadas y eliminar las columnas no deseadas. Existe también la función select! que modifica el data frame original eliminando las columnas no seleccionadas.

   Solución

   select(df, Not(:nombre))

   14×7 DataFrame

   Row	edad	sexo	peso	altura	colesterol	imc	obesidad
   	Int64	String1	Float64?	Float64	Float64?	Float64?	Cat…?
   1	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
   2	32	M	65.0	1.73	232.0	21.7181	Saludable
   3	24	H	missing	1.81	191.0	missing	missing
   4	35	M	65.0	1.7	200.0	22.4913	Saludable
   5	46	M	51.0	1.58	148.0	20.4294	Saludable
   6	68	H	66.0	1.74	249.0	21.7994	Saludable
   7	51	H	62.0	1.72	276.0	20.9573	Saludable
   8	22	M	60.0	1.66	missing	21.7738	Saludable
   9	35	H	90.0	1.94	241.0	23.9133	Saludable
   10	46	H	75.0	1.85	280.0	21.9138	Saludable
   11	53	M	55.0	1.62	262.0	20.9572	Saludable
   12	58	H	78.0	1.87	198.0	22.3055	Saludable
   13	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
   14	20	M	61.0	1.77	194.0	19.4708	Saludable

6. Reordenar las columnas poniendo la columna sexo antes que la columna edad.

   Solución

   select(df, Cols(:sexo, :edad, Not(:sexo, :edad)))

   14×8 DataFrame

   Row	sexo	edad	nombre	peso	altura	colesterol	imc	obesidad
   	String1	Int64	String	Float64?	Float64	Float64?	Float64?	Cat…?
   1	H	18	José Luis Martínez Izquierdo	85.0	1.79	182.0	26.5285	Sobrepeso
   2	M	32	Rosa Díaz Díaz	65.0	1.73	232.0	21.7181	Saludable
   3	H	24	Javier García Sánchez	missing	1.81	191.0	missing	missing
   4	M	35	Carmen López Pinzón	65.0	1.7	200.0	22.4913	Saludable
   5	M	46	Marisa López Collado	51.0	1.58	148.0	20.4294	Saludable
   6	H	68	Antonio Ruiz Cruz	66.0	1.74	249.0	21.7994	Saludable
   7	H	51	Antonio Fernández Ocaña	62.0	1.72	276.0	20.9573	Saludable
   8	M	22	Pilar Martín González	60.0	1.66	missing	21.7738	Saludable
   9	H	35	Pedro Gálvez Tenorio	90.0	1.94	241.0	23.9133	Saludable
   10	H	46	Santiago Reillo Manzano	75.0	1.85	280.0	21.9138	Saludable
   11	M	53	Macarena Álvarez Luna	55.0	1.62	262.0	20.9572	Saludable
   12	H	58	José María de la Guía Sanz	78.0	1.87	198.0	22.3055	Saludable
   13	H	27	Miguel Angel Cuadrado Gutiérrez	109.0	1.98	210.0	27.8033	Sobrepeso
   14	M	20	Carolina Rubio Moreno	61.0	1.77	194.0	19.4708	Saludable

7. Filtrar el data frame para quedarse con las mujeres.

   Solución

   df[df.sexo .== "M", :]

   6×8 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
   	String	Int64	String1	Float64?	Float64	Float64?	Float64?	Cat…?
   1	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
   2	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
   3	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
   4	Pilar Martín González	22	M	60.0	1.66	missing	21.7738	Saludable
   5	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
   6	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

8. Filtrar el data frame para quedarse con los hombres mayores de 30 años.

   Solución

   df[(df.sexo .== "H") .& (df.edad .> 30), :]

   5×8 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
   	String	Int64	String1	Float64?	Float64	Float64?	Float64?	Cat…?
   1	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
   2	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
   3	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
   4	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
   5	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable

9. Filtrar el data frame para quedarse con las filas sin valores perdidos.

   Ayuda

   Utilizar la función dropmissing del paquete DataFrames para eliminar las filas con valores perdidos.

   Solución

   dropmissing(df)

   12×8 DataFrame

   Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
   	String	Int64	String1	Float64	Float64	Float64	Float64	Cat…
   1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
   2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
   3	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
   4	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
   5	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
   6	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
   7	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
   8	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
   9	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
   10	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
   11	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
   12	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

10. Filtrar el data frame para eliminar las filas con datos perdidos en la columna colesterol.

    Ayuda

    Utilizar la función dropmissing, col donde col es el nombre de la columna que contiene los valores perdidos.

    Solución

    dropmissing(df, :colesterol)    

    13×8 DataFrame

    Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
    	String	Int64	String1	Float64?	Float64	Float64	Float64?	Cat…?
    1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
    2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
    3	Javier García Sánchez	24	H	missing	1.81	191.0	missing	missing
    4	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
    5	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
    6	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
    7	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
    8	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
    9	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
    10	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
    11	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
    12	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
    13	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

11. Imputar los valores perdidos en la columna colesterol con la media de los valores no perdidos.

    Ayuda

    Utilizar la función coalesce para reemplazar los valores perdidos por otros valores.

    Solución

    using Statistics
    media_colesterol = mean(skipmissing(df.colesterol))
    df.colesterol = coalesce.(df.colesterol, media_colesterol)
    df

    14×8 DataFrame

    Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
    	String	Int64	String1	Float64?	Float64	Float64	Float64?	Cat…?
    1	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
    2	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
    3	Javier García Sánchez	24	H	missing	1.81	191.0	missing	missing
    4	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
    5	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
    6	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
    7	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
    8	Pilar Martín González	22	M	60.0	1.66	220.231	21.7738	Saludable
    9	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
    10	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
    11	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
    12	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
    13	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
    14	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

12. Ordenar el data frame según la columna nombre.

    Ayuda

    Utilizar la función sort para ordenar las filas del data frame según los valores de una o varias columnas. Utilizar el parámetro rev para especificar mediante un vector de booleanos si el orden es ascendente o descendente.

    Solución

    sort(df, :nombre)

    14×8 DataFrame

    Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
    	String	Int64	String1	Float64?	Float64	Float64	Float64?	Cat…?
    1	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
    2	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
    3	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
    4	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable
    5	Javier García Sánchez	24	H	missing	1.81	191.0	missing	missing
    6	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
    7	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
    8	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
    9	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
    10	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
    11	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
    12	Pilar Martín González	22	M	60.0	1.66	220.231	21.7738	Saludable
    13	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
    14	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable

13. Ordenar el data frame ascendentemente por la columna sexo y descendentemente por la columna edad.

    Solución

    sort(df, [:sexo, :edad], rev=[false, true])

    14×8 DataFrame

    Row	nombre	edad	sexo	peso	altura	colesterol	imc	obesidad
    	String	Int64	String1	Float64?	Float64	Float64	Float64?	Cat…?
    1	Antonio Ruiz Cruz	68	H	66.0	1.74	249.0	21.7994	Saludable
    2	José María de la Guía Sanz	58	H	78.0	1.87	198.0	22.3055	Saludable
    3	Antonio Fernández Ocaña	51	H	62.0	1.72	276.0	20.9573	Saludable
    4	Santiago Reillo Manzano	46	H	75.0	1.85	280.0	21.9138	Saludable
    5	Pedro Gálvez Tenorio	35	H	90.0	1.94	241.0	23.9133	Saludable
    6	Miguel Angel Cuadrado Gutiérrez	27	H	109.0	1.98	210.0	27.8033	Sobrepeso
    7	Javier García Sánchez	24	H	missing	1.81	191.0	missing	missing
    8	José Luis Martínez Izquierdo	18	H	85.0	1.79	182.0	26.5285	Sobrepeso
    9	Macarena Álvarez Luna	53	M	55.0	1.62	262.0	20.9572	Saludable
    10	Marisa López Collado	46	M	51.0	1.58	148.0	20.4294	Saludable
    11	Carmen López Pinzón	35	M	65.0	1.7	200.0	22.4913	Saludable
    12	Rosa Díaz Díaz	32	M	65.0	1.73	232.0	21.7181	Saludable
    13	Pilar Martín González	22	M	60.0	1.66	220.231	21.7738	Saludable
    14	Carolina Rubio Moreno	20	M	61.0	1.77	194.0	19.4708	Saludable

Ejercicio 2.3 El fichero notas-curso2.csv contiene información de las notas de los alumnos de un curso.

1. Crear un data frame con los datos de los alumnos del curso a partir del fichero notas-curso2.csv.

   Solución

   using CSV, DataFrames
   df = CSV.read(download("https://aprendeconalf.es/aprendizaje-automatico-practicas-julia/datos/notas-curso2.csv"), DataFrame; missingstring="NA")

   120×9 DataFrame

   95 rows omitted

   Row	sexo	turno	grupo	trabaja	notaA	notaB	notaC	notaD	notaE
   	String7	String7	String1	String1	Float64	Float64?	Float64?	Float64?	Float64?
   1	Mujer	Tarde	C	N	5.2	6.3	3.4	2.3	2.0
   2	Hombre	Mañana	A	N	5.7	5.7	4.2	3.5	2.7
   3	Hombre	Mañana	B	N	8.3	8.8	8.8	8.0	5.5
   4	Hombre	Mañana	B	N	6.1	6.8	4.0	3.5	2.2
   5	Hombre	Mañana	A	N	6.2	9.0	5.0	4.4	3.7
   6	Hombre	Mañana	A	S	8.6	8.9	9.5	8.4	3.9
   7	Mujer	Mañana	A	N	6.7	7.9	5.6	4.8	4.2
   8	Mujer	Tarde	C	S	4.1	5.2	1.7	0.3	1.0
   9	Hombre	Tarde	C	N	5.0	5.0	3.3	2.7	6.0
   10	Hombre	Tarde	C	N	5.3	6.3	4.8	3.6	2.3
   11	Mujer	Mañana	A	N	7.8	missing	6.5	6.7	2.8
   12	Hombre	Mañana	A	N	6.5	8.0	5.0	3.2	3.3
   13	Hombre	Mañana	B	N	6.6	7.6	5.3	4.0	1.0
   ⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
   109	Mujer	Tarde	C	N	5.4	7.3	3.5	2.5	4.6
   110	Hombre	Mañana	B	N	7.4	7.4	6.2	5.8	1.1
   111	Mujer	Tarde	C	S	5.1	8.1	5.2	5.1	4.5
   112	Hombre	Mañana	A	N	6.9	7.8	3.9	2.8	missing
   113	Hombre	Tarde	C	N	3.6	4.8	2.1	0.5	5.6
   114	Hombre	Tarde	C	S	5.9	6.2	5.0	3.9	1.9
   115	Hombre	Mañana	B	N	6.8	7.2	4.9	3.8	2.8
   116	Hombre	Mañana	A	N	6.5	6.1	5.8	4.9	1.2
   117	Mujer	Mañana	B	N	6.2	7.0	5.6	5.4	1.7
   118	Mujer	Tarde	C	N	5.0	6.5	4.0	2.8	3.6
   119	Hombre	Tarde	C	N	4.7	6.0	1.3	0.4	2.2
   120	Hombre	Tarde	C	S	4.5	4.7	6.0	4.9	1.8

2. Obtener el número de datos perdidos en cada columna.

   Solución

   describe(df)[:, [:variable, :nmissing]]

   9×2 DataFrame

   Row	variable	nmissing
   	Symbol	Int64
   1	sexo	0
   2	turno	0
   3	grupo	0
   4	trabaja	0
   5	notaA	0
   6	notaB	5
   7	notaC	1
   8	notaD	2
   9	notaE	2

3. Recodificar la variable grupo en una colección de columnas binarias.

   Ayuda

   Utilizar la función onehotbatch del paquete OneHotArrays para recodificar una variable categórica en una colección de columnas binarias.

   Solución

   using OneHotArrays
   codificacion = permutedims(onehotbatch(df.grupo, unique(df.grupo)))
   hcat(df, DataFrame(codificacion, :auto))

   120×12 DataFrame

   95 rows omitted

   Row	sexo	turno	grupo	trabaja	notaA	notaB	notaC	notaD	notaE	x1	x2	x3
   	String7	String7	String1	String1	Float64	Float64?	Float64?	Float64?	Float64?	Bool	Bool	Bool
   1	Mujer	Tarde	C	N	5.2	6.3	3.4	2.3	2.0	true	false	false
   2	Hombre	Mañana	A	N	5.7	5.7	4.2	3.5	2.7	false	true	false
   3	Hombre	Mañana	B	N	8.3	8.8	8.8	8.0	5.5	false	false	true
   4	Hombre	Mañana	B	N	6.1	6.8	4.0	3.5	2.2	false	false	true
   5	Hombre	Mañana	A	N	6.2	9.0	5.0	4.4	3.7	false	true	false
   6	Hombre	Mañana	A	S	8.6	8.9	9.5	8.4	3.9	false	true	false
   7	Mujer	Mañana	A	N	6.7	7.9	5.6	4.8	4.2	false	true	false
   8	Mujer	Tarde	C	S	4.1	5.2	1.7	0.3	1.0	true	false	false
   9	Hombre	Tarde	C	N	5.0	5.0	3.3	2.7	6.0	true	false	false
   10	Hombre	Tarde	C	N	5.3	6.3	4.8	3.6	2.3	true	false	false
   11	Mujer	Mañana	A	N	7.8	missing	6.5	6.7	2.8	false	true	false
   12	Hombre	Mañana	A	N	6.5	8.0	5.0	3.2	3.3	false	true	false
   13	Hombre	Mañana	B	N	6.6	7.6	5.3	4.0	1.0	false	false	true
   ⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮	⋮
   109	Mujer	Tarde	C	N	5.4	7.3	3.5	2.5	4.6	true	false	false
   110	Hombre	Mañana	B	N	7.4	7.4	6.2	5.8	1.1	false	false	true
   111	Mujer	Tarde	C	S	5.1	8.1	5.2	5.1	4.5	true	false	false
   112	Hombre	Mañana	A	N	6.9	7.8	3.9	2.8	missing	false	true	false
   113	Hombre	Tarde	C	N	3.6	4.8	2.1	0.5	5.6	true	false	false
   114	Hombre	Tarde	C	S	5.9	6.2	5.0	3.9	1.9	true	false	false
   115	Hombre	Mañana	B	N	6.8	7.2	4.9	3.8	2.8	false	false	true
   116	Hombre	Mañana	A	N	6.5	6.1	5.8	4.9	1.2	false	true	false
   117	Mujer	Mañana	B	N	6.2	7.0	5.6	5.4	1.7	false	false	true
   118	Mujer	Tarde	C	N	5.0	6.5	4.0	2.8	3.6	true	false	false
   119	Hombre	Tarde	C	N	4.7	6.0	1.3	0.4	2.2	true	false	false
   120	Hombre	Tarde	C	S	4.5	4.7	6.0	4.9	1.8	true	false	false

2.2 Ejercicios propuestos

Ejercicio 2.4 El fichero vinos.csv contiene información sobre las características de una muestra de vinos portugueses de la denominación “Vinho Verde”. Las variables que contiene son:

Variable	Descripción	Tipo (unidades)
tipo	Tipo de vino	Categórica (blanco, tinto)
meses.barrica	Mesesde envejecimiento en barrica	Numérica(meses)
acided.fija	Cantidadde ácidotartárico	Numérica(g/dm3)
acided.volatil	Cantidad de ácido acético	Numérica(g/dm3)
acido.citrico	Cantidad de ácidocítrico	Numérica(g/dm3)
azucar.residual	Cantidad de azúcarremanente después de la fermentación	Numérica(g/dm3)
cloruro.sodico	Cantidad de clorurosódico	Numérica(g/dm3)
dioxido.azufre.libre	Cantidad de dióxido de azufreen formalibre	Numérica(mg/dm3)
dioxido.azufre.total	Cantidadde dióxido de azufretotal en forma libre o ligada	Numérica(mg/dm3)
densidad	Densidad	Numérica(g/cm3)
ph	pH	Numérica(0-14)
sulfatos	Cantidadde sulfato de potasio	Numérica(g/dm3)
alcohol	Porcentajede contenidode alcohol	Numérica(0-100)
calidad	Calificación otorgada porun panel de expertos	Numérica(0-10)

1. Crear un data frame con los datos de los vinos a partir del fichero vinos.csv.

2. Obtener el número de valores perdidos en cada columna.

3. Imputar los valores perdidos del alcohol con la media de los valores no perdidos para cada tipo de vino.

4. Crear la variable categórica Envejecimiento recodificando la variable meses.barrica en las siguientes categorías.

   Rango en meses	Categoría
   Menos de 3	Joven
   Entre 3 y 12	Crianza
   Entre 12 y 18	Reserva
   Más de 18	Gran reserva

5. Crear la variable categórica Dulzor recodificando la variable azucar.residual en las siguientes categorías.

   Rango azúcar	Categoría
   Menos de 4	Seco
   Más de 4 y menos de 12	Semiseco
   Más de 12 y menos de 45	Semidulce
   Más de 45	Dulce

6. Filtrar el conjunto de datos para quedarse con los vinos Reserva o Gran Reserva con una calidad superior a 7 y ordenar el data frame por calidad de forma descendente.

7. ¿Cuántos vinos blancos con un contenido en alcohol superior al 12% y una calidad superior a 8 hay en el conjunto de datos?

8. ¿Cuáles son los 10 mejores vinos tintos crianza secos?