Contenido del Curso

Procesamiento Previo de Datos

1. Introducción Breve

Tipos de Datos Métodos de Procesamiento de Datos Conjunto de datos: Prueba y Entrenamiento Eliminando un Dato "Extra"Cambio del Tipo de Datos

2. Procesamiento de Datos Cuantitativos

Escalado de Datos Escalado de Datos vs Normalización de Datos Eliminación de Valores Atípicos Eliminando Valores Faltantes Aumento de Datos: Datos Sintéticos

3. Procesamiento de Datos Categóricos

Métodos para Codificar los Datos Categóricos Codificación One-Hot Codificación Ordinal Codificación de Etiquetas de la Variable Objetivo Reto

4. Procesamiento de Datos de Series Temporales

Conversión de Tipos de Datos Limpieza de Datos Estacionariedad Reducción de Ruido División de Entrenamiento/Prueba y Validación Cruzada Reto

5. Ingeniería de Características

Idea de Técnica Realización Extracción de Características de Texto Extracción de Características de Imágenes Extracción de Características de Series Temporales Desafío

6. Avanzando a Tareas

Desafío 1 Desafío 2 Desafío 3

Eliminación de Valores Atípicos

Los valores atípicos son puntos de datos que difieren significativamente de los demás puntos de un conjunto de datos. ¿Por qué es importante tratarlos? Los valores atípicos pueden deberse a errores de medición o de introducción de datos, o a otros factores, y pueden afectar significativamente al análisis de los datos.

Los valores atípicos pueden afectar significativamente al análisis estadístico, los modelos de aprendizaje automático y la visualización de datos. Pueden distorsionar los resultados del análisis estadístico, dar lugar a modelos de aprendizaje automático sesgados y dificultar la visualización precisa de los datos. Eliminar los valores atípicos puede ayudar a mejorar la precisión y fiabilidad del análisis y a mejorar la interpretabilidad de los resultados.

Hay varias formas de eliminar valores atípicos en Python, pero una técnica común es el método de puntuación Z:


              123456789101112131415
            
import numpy as np

# Generate small dataset
dataset = np.random.normal(0, 1, 1000)

# Calculate the Z-scores 
z_scores = (dataset - np.mean(dataset)) / np.std(dataset)

# Find the indices of the outliers
outlier_indices = np.where(np.abs(z_scores) > 3)[0]

# Print outliers
print('Outliers are: ', dataset[outlier_indices])
# Remove the outliers
filtered_data = np.delete(dataset, outlier_indices)

En este ejemplo, primero generamos algunos datos de muestra utilizando el método random.normal(). A continuación, calculamos las puntuaciones Z de los datos restando la media y dividiendo por la desviación estándar. Definimos los valores atípicos como cualquier punto de datos cuya puntuación Z absoluta sea superior a 3 (un umbral común para identificar valores atípicos). Encontramos los índices de estos valores atípicos utilizando el método .where() y luego los eliminamos de los datos originales utilizando el método .delete().

Hay que aclarar que este método sólo funciona para datos gaussianos. Si sus datos tienen una distribución no simétrica, puede utilizar una puntuación Z modificada. La puntuación Z modificada se calcula como la diferencia entre un punto de datos y la mediana, dividida por la desviación absoluta de la mediana.

También es importante recordar que no es necesario eliminar todos los valores atípicos, ya que a veces pueden ser una parte natural de los datos y proporcionar información importante sobre el proceso o fenómeno subyacente que se está estudiando.

En algunos casos, los valores atípicos pueden representar sucesos raros o extremos que es importante captar en el análisis. Por ejemplo, en la investigación médica, los valores atípicos en los datos de pacientes hospitalizados pueden representar casos raros pero importantes que deben estudiarse por separado.

Además, los valores atípicos pueden deberse a errores de medición o fluctuaciones aleatorias de los datos. En estos casos, la eliminación de todos los valores atípicos puede no ser necesaria o apropiada.

¿Todo estuvo claro?

Sección 2. Capítulo 3