Empiezo a trabajar con el lenguaje Julia ante la insistencia de JL Cañadas. Lo primero es comentar que este trabajo está hecho en Julia 1.6.2 con una máquina Ubuntu 18. Para instalar Julia en Ubuntu: Descarga de Julia tar -xvzf julia-1.6.2-linux-x86_64.tar.gz sudo cp -r julia-1.6.2 /opt/ sudo ln -s /opt/julia-1.6.2/bin/julia /usr/local/bin/julia Una vez instalado, he valorado los posibles IDE; parece ser que VS Code es lo más apropiado, pero en mi caso particular tengo un problema con él. He optado por usarlo en Jupyter y, para ello, es necesario abrir julia en el terminal y poner: ...

Revisión de los gráficos más habituales que realizaremos en labores descriptivas de variables con Python; se emplea Seaborn para ilustrar estos ejemplos. El tipo de gráfico dependerá del tipo de variable que deseamos describir e incluso del número de variables que deseamos describir. Como aproximación inicial, describiremos variables cuantitativas o variables cualitativas, análisis univariables o análisis bivariables. Se trabaja con el conjunto de datos iris: import seaborn as sns import pandas as pd import numpy as np import io import requests url = 'https://raw.githubusercontent.com/uiuc-cse/data-fa14/gh-pages/data/iris.csv' s = requests.get(url).content df = pd.read_csv(io.StringIO(s.decode('utf-8'))) df.head() Análisis univariables Variables cuantitativas Cuando describimos variables cuantitativas, lo principal es conocer su forma, sobre qué valores se hallan los datos y cómo son de dispersos; para ello, el gráfico estrella es el histograma: ...

Se abre una nueva categoría en el blog dedicada al uso de herramientas para la elaboración de cuadros de mando y dashboards. En esta primera entrega trabajaremos con Power BI y la creación de medidas dinámicas para ver en un mismo gráfico una medida u otra en función de una segmentación. No es una labor “inmediata”; por ello he preferido ilustrar el trabajo con un vídeo donde, de forma velada, se pueden intuir mejoras y trucos a aplicar. ...

Está abierta la convocatoria para 2022 del programa modular en Big Data y Data Science aplicados a la economía y a la administración y dirección de empresas: https://www.masterbigdataonline.com/ Por supuesto, además de recomendar el propio programa, os recomiendo el módulo específico de seguros, donde trabajamos cómo un modelo no sólo crea segmentos, sino que explica un problema y sus parámetros nos sirven para crear precios en entornos regulados.

Estoy desarrollando cosas muy interesantes con leaflet en R y quería poner unos breves apuntes por si a alguien le sirvieran. En Stack Overflow y otras webs al uso tenéis mucha más ayuda y código de mayor interés, pero en pocas líneas espero sentar las bases de uso de leaflet. Para ilustrar el ejemplo, me he descargado unos datos de datos.gob.es con las coordenadas de los parques de bomberos de Madrid capital; la idea es representar estos puntos en un mapa. Lo primero es descargar los datos y ponerlos en una ubicación de nuestro equipo: ...

Entrada para recordar cómo transponer data frames con R: cómo pasar de $n$ filas a $n$ columnas manteniendo campos identificativos y cómo pasar de columnas a filas y crear un campo identificativo. Siento que últimamente, más que un blog, tengo un cuaderno de apuntes, pero si estos apuntes pueden ayudar a alguien, mejor. En realidad, la entrada es un ejemplo ilustrativo de las funciones de tidyr pivot_wider y pivot_longer. Pasar de filas a columnas # install.packages("palmerpenguins") library(palmerpenguins) library(tidyr) library(dplyr) agregado_especies <- penguins %>% group_by(species, year) %>% summarise(bill_depth_mm = mean(bill_depth_mm, na.rm = TRUE)) %>% pivot_wider(names_from = year, values_from = bill_depth_mm, names_prefix = "ANIO_") Teníamos un campo por filas que contenía el año; hemos transpuesto por ese campo año y creado tantas variables (names_from) como años tengo para las variables numéricas deseadas (values_from); además, hemos creado esas variables con el prefijo ANIO_. ...

Las animaciones con Python que mostramos hoy, al final, son animaciones con ImageMagick, pero esta entrada es un ejemplo de cómo podemos usar Python para la creación de gráficos que posteriormente generarán esa animación con las instrucciones concretas de ImageMagick (que tiene que estar instalado). La idea es realizar un mapa animado con el porcentaje de vacunas de COVID administradas. Obtención de datos Los datos los descargamos directamente del GitHub de datadista. ...

Se ha trabajado un mapa de España con ggplot2 al que podemos añadir subplots en función de unas coordenadas; en este caso, es un mapa de España que incluye gráficos de líneas para cada Comunidad Autónoma. Vamos a representar el exceso de mortalidad que está suponiendo la pandemia por COVID, un dato que se puede seguir con MoMo del ISCIII. Los que seguís el blog ya conocéis una entrada en la que se escribió sobre la inclusión de pie charts en mapas con R; esta entrada supone ir un paso más allá. ...

En alguna ocasión me habéis planteado cómo repetir celdas en Excel en función del valor de una celda; es decir, repetir una celda tantas veces como nos indica otra celda. Disponía de una versión con fórmulas más complejas que programar el proceso en Visual Basic; si alguien está interesado, cuelgo un ejemplo en Excel sin describir el funcionamiento porque es muy complejo; quizá en el futuro retome esas fórmulas e intente simplificar el proceso. ...

La comparación de series es otro de los usos que le estoy dando a las animaciones; en este caso quiero comparar la cotización de Tesla frente a la cotización del Bitcoin e intentar establecer paralelismo (o no). Obtenemos los datos vía quantmod y comenzamos a traficar: library(quantmod) library(tidyverse) library(gganimate) library(lubridate) cartera = c("BTC-USD", "TSLA") getSymbols(cartera, src="yahoo", from="2019-12-31") chartSeries(`BTC-USD`) tail(`BTC-USD`) btc = data.frame(date=index(`BTC-USD`), coredata(`BTC-USD`)) tesla = data.frame(date=index(`TSLA`), coredata(`TSLA`)) Ya tenemos dos data frames con la cotización de Tesla y la cotización del Bitcoin desde el 31/12/2019 hasta la fecha. Ahora vamos a unir los dos objetos en uno para facilitar los gráficos. ...