UNIVERSIDAD TECNOLÓGICA DE SANTIAGO, UTESA

SISTEMA CORPORATIVO
FACULTAD DE ARQUITECTURA E INGENIERÍA

Lab. Inteligencia Artificial

Tarea II

Facilitador
Tomás F. Ramírez

Presentado por
Jonathan Rodríguez 1-18-0622

Jueves 11 de Febrero del año 2021

Santiago de los Caballeros Rep. Dom.
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

1- Describe el uso de las librerías pandas, numpy y matplotlib.

Pandas: es una librería que nos permite realizar el análisis y manipulación de los datos que
queremos utilizar. Gracias a esta libreria podemos utilizar los dataframe para poder guardar o
almacenar nuestros datos para que estos puedan ser analizados y limpiados.

Numpy: esta libreria es muy usada en la ciencia de datos y permite, al igual que la libreria
pandas, la manipulación de datos. Podemos utilizar esta libreria para trabajar con arreglos
multidimensionales de alta eficiencia. Además, proporciona potentes estructuras de datos para
realizar los cálculos matemáticos.

Matplotlib: con esta libreria podemos realizar gráficas en 2D dentro de Python, permitiendonos
representar listas y vectores gráficamente. Esta libreria nos ofrece tener una mejor comprensión
de los resultados tras realizar los análisis, puesto que muchas veces una imagen vale mas que
mil palabras y son mas faciles de interpretar.

Ejercicios

In [ ]:
import pandas as pd
data = pd.read_csv("titanic3.csv")

In [2]:
data.head()

Out[2]:
pclass survived name sex age sibsp parch ticket fare cabin embarked

Allen,
Miss.
0 1 1 female 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 1 1 male 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Miss. C22
2 1 0 female 2.0000 1 2 113781 151.5500 S
Helen C26
Loraine

Allison,
Mr.
C22
3 1 0 Hudson male 30.0000 1 2 113781 151.5500 S
C26
Joshua
Creighton

1 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

pclass survived name sex age sibsp parch ticket fare cabin embarked

Allison,

2- Desarrollar una función para aplicar a la columna sexo del dataset titanic3, donde sustituya
female por el valor 0 y male por el 1.

In [ ]:
data["sex"].replace(["female", "male"], [0, 1], inplace=True)

In [4]:
data.head()

Out[4]:
pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allen,
Miss.
0 1 1 0 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 1 1 1 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Miss. C22
2 1 0 0 2.0000 1 2 113781 151.5500 S NaN
Helen C26
Loraine

Allison,
Mr.
C22
3 1 0 Hudson 1 30.0000 1 2 113781 151.5500 S NaN
C26
Joshua
Creighton

Allison,
Mrs.
Hudson J C22
4 1 0 0 25.0000 1 2 113781 151.5500 S NaN
C (Bessie C26
Waldo
Daniels)

3- Eliminar la primera coincidencia de valores duplicados.

In [25]:
data.duplicated()

Out[25]:

2 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

0 False
1 False
2 False
3 False

In [26]:
data = data.drop_duplicates()

In [27]:
data.duplicated()

Out[27]: 0 False
1 False
2 False
3 False
4 False
...
1304 False
1305 False
1306 False
1307 False
1308 False
Length: 1309, dtype: bool

4- Remplazar Miss por Srta, Mr. por Sr., Mrs por Sra en la columna name.

In [5]:
data["name"] = data["name"].replace({"Miss":"Srta", "Mr":"Sr", "Mrs":"Sra"

In [6]:
data.head()

Out[6]:
pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allen,
Srta.
0 1 1 0 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 1 1 1 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Srta. C22
2 1 0 0 2.0000 1 2 113781 151.5500 S NaN
Helen C26
Loraine

Allison,
Sr.
C22
3 1 0 Hudson 1 30.0000 1 2 113781 151.5500 S NaN
C26
Joshua
Creighton

3 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allison,
Srs.
Hudson J C22
4 1 0 0 25.0000 1 2 113781 151.5500 S NaN
C (Bessie C26
Waldo

5- Sustituir los valores nulos por el valor 0 en la columna Body.

In [7]:
data["body"] = data["body"].fillna(0)

In [8]:
data.head()

Out[8]:
pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allen,
Srta.
0 1 1 0 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 1 1 1 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Srta. C22
2 1 0 0 2.0000 1 2 113781 151.5500 S NaN
Helen C26
Loraine

Allison,
Sr.
C22
3 1 0 Hudson 1 30.0000 1 2 113781 151.5500 S NaN
C26
Joshua
Creighton

Allison,
Srs.
Hudson J C22
4 1 0 0 25.0000 1 2 113781 151.5500 S NaN
C (Bessie C26
Waldo
Daniels)

6- Sustituir los valores faltantes en la edad por el valor promedio de la edad.

In [9]:
promedio_edad = data["age"].mean()

In [10]:
promedio_edad

Out[10]: 29.8811345124283

4 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

In [11]:
data["age"] = data["age"].fillna(promedio_edad)

In [12]:
data.head()

Out[12]:
pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allen,
Srta.
0 1 1 0 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 1 1 1 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Srta. C22
2 1 0 0 2.0000 1 2 113781 151.5500 S NaN
Helen C26
Loraine

Allison,
Sr.
C22
3 1 0 Hudson 1 30.0000 1 2 113781 151.5500 S NaN
C26
Joshua
Creighton

Allison,
Srs.
Hudson J C22
4 1 0 0 25.0000 1 2 113781 151.5500 S NaN
C (Bessie C26
Waldo
Daniels)

In [13]:
data.tail()

Out[13]:
pclass survived name sex age sibsp parch ticket fare cabin embarked

Zabour,
1304 3 0 0 14.500000 1 0 2665 14.4542 NaN
Srta. Hileni

Zabour,
1305 3 0 Srta. 0 29.881135 1 0 2665 14.4542 NaN
Thamine

Zakarian,
1306 3 0 Sr. 1 26.500000 0 0 2656 7.2250 NaN
Mapriededer

Zakarian,
1307 3 0 1 27.000000 0 0 2670 7.2250 NaN
Sr. Ortin

Zimmerman,
1308 3 0 1 29.000000 0 0 315082 7.8750 NaN
Sr. Leo

5 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

7- Hacer un mapping para sustituir la clase en la columna pclass:

1)Alto

2)medio

3)Bajo

In [20]:
data.dtypes

Out[20]: pclass int64

survived int64
name object
sex int64
age float64
sibsp int64
parch int64
ticket object
fare float64
cabin object
embarked object
boat object
body float64
home.dest object
dtype: object

In [23]:
mapping = {1:"Alto", 2:"Medio", 3:"Bajo"}
data["pclass"] = data["pclass"].replace(mapping)

In [24]:
data.head()

Out[24]:
pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allen,
Srta.
0 Alto 1 0 29.0000 0 0 24160 211.3375 B5 S
Elisabeth
Walton

Allison,
Master. C22
1 Alto 1 1 0.9167 1 2 113781 151.5500 S
Hudson C26
Trevor

Allison,
Srta. C22
2 Alto 0 0 2.0000 1 2 113781 151.5500 S NaN
Helen C26
Loraine

6 of 7 2/11/2021, 12:27 AM
TareaLab - Jupyter Notebook http://localhost:8889/notebooks/Downloads/TareaLab.ipynb#

pclass survived name sex age sibsp parch ticket fare cabin embarked boat

Allison,
Sr.
C22
3 Alto 0 Hudson 1 30.0000 1 2 113781 151.5500 S NaN
C26
Joshua
Creighton

Allison,

In [ ]:

7 of 7 2/11/2021, 12:27 AM