Proporción de un tipo
Devolvé la FRACCIÓN de Pokémon que son del tipo `tipo` (float entre 0 y 1). Ejemplo: con 2 de "agua" de 5 → proporcion_tipo(df, "agua") → 0.4
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
Devolvé la FRACCIÓN de Pokémon que son del tipo `tipo` (float entre 0 y 1). Ejemplo: con 2 de "agua" de 5 → proporcion_tipo(df, "agua") → 0.4
🎯 Meta: juntar TODO Johto en un mini-análisis real de punta a punta: cargar, limpiar, resumir, graficar y concluir. Así trabaja un analista de datos.
Llegaste al final de Johto. 🐉 Ahora ponés todo junto. Un análisis de datos siempre sigue los mismos pasos. Vamos a hacerlos con una Pokédex.
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard", "Bulbasaur", "Ivysaur", "Snorlax", "Eevee"],
"tipo": ["Eléctrico", "Fuego", "Planta", "Planta", "Normal", "Normal"],
"nivel": [25, 90, 12, 30, 70, None],
"hp": [35, 78, 45, 60, 160, 55],
})
print(pokedex)
Siempre: ¿cuántas filas? ¿faltan datos? Limpiamos lo que esté roto.
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard", "Snorlax", "Eevee"],
"tipo": ["Eléctrico", "Fuego", "Normal", "Normal"],
"nivel": [25, 90, 70, None],
})
print("faltan:", pokedex.isna().sum().sum())
limpia = pokedex.dropna().reset_index(drop=True)
print(limpia)
P: ¿Qué hace `pokedex.dropna().reset_index(drop=True)` en el paso de limpieza?
- Rellena los valores faltantes con 0 y reinicia el índice.
- Solo reinicia el índice sin tocar los NaN.
+ Elimina las filas con valores faltantes y renumera el índice desde 0.
> `dropna()` saca las filas con NaN. `reset_index(drop=True)` renumera las filas desde 0 (sin guardar el índice viejo como columna).
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Pikachu", "Charizard", "Bulbasaur", "Ivysaur", "Snorlax"],
"tipo": ["Eléctrico", "Fuego", "Planta", "Planta", "Normal"],
"nivel": [25, 90, 12, 30, 70],
})
print("cantidad:", len(pokedex))
print("nivel promedio:", pokedex["nivel"].mean())
print("tipo más común:", pokedex["tipo"].value_counts().idxmax())
print("promedio por tipo:")
print(pokedex.groupby("tipo")["nivel"].mean())
P: ¿En qué orden van los pasos del flujo de análisis de datos?
- Limpiar → Cargar → Resumir → Explorar → Graficar
- Graficar → Resumir → Limpiar → Cargar → Explorar
+ Cargar → Explorar → Limpiar → Resumir → Graficar
> El orden es siempre: primero cargás los datos, los explorás (`head`, `describe`), los limpiás (NaN, duplicados), los resumís (`groupby`, `mean`) y finalmente graficás.
import pandas as pd
import matplotlib.pyplot as plt
pokedex = pd.DataFrame({
"tipo": ["Eléctrico", "Fuego", "Planta", "Planta", "Normal"],
"nivel": [25, 90, 12, 30, 70],
})
promedio = pokedex.groupby("tipo")["nivel"].mean()
fig, ax = plt.subplots()
promedio.plot(kind="bar", ax=ax)
ax.set_title("Nivel promedio por tipo")
ax.set_ylabel("Nivel")
plt.show()
import pandas as pd
pokedex = pd.DataFrame({
"nombre": ["Bulbasaur", "Ivysaur", "Venusaur"],
"tipo": ["Planta", "Planta", "Planta"],
"nivel": [12, 30, 80],
})
planta = pokedex[pokedex["tipo"] == "Planta"]
campeon = planta.loc[planta["nivel"].idxmax(), "nombre"]
print("Campeón Planta:", campeon)
pd.DataFrame, read_csv).head, info, describe, isna).dropna, fillna, drop_duplicates).groupby, value_counts, mean).Ese ciclo es el mismo para 5 Pokémon o para 5 millones de filas de datos reales. 🚀
Cerrá Johto con los ejercicios de este tema. Cuando los completes, tenés la medalla Subida y sos Campeón de Johto. 🐉🏆
⚡ “Cargar, limpiar, resumir, graficar, concluir. Ese es el camino del analista.”