Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                
Scribd Logo
Cargar

¡Te damos la bienvenida a Scribd!

  • 15 vistas

    Laboratorio 4 Python

    Cargado por

    Orlando Soto
    Este documento realiza análisis estadísticos de los datos del Mundial de Fútbol de 2014 segregados por continente. Primero se dividen los datos en dataframes por continente. Luego, se calculan métricas como el promedio y desviación estándar de goles por continente y se muestra su probabilidad de clasificación y de ganar partidos. Por último, se cuentan las frecuencias de cada continente y se expresan como probabilidades.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd

    Laboratorio 4 Python

    Cargado por

    Orlando Soto
    15 vistas3 páginas
    Este documento realiza análisis estadísticos de los datos del Mundial de Fútbol de 2014 segregados por continente. Primero se dividen los datos en dataframes por continente. Luego, se calculan métricas como el promedio y desviación estándar de goles por continente y se muestra su probabilidad de clasificación y de ganar partidos. Por último, se cuentan las frecuencias de cada continente y se expresan como probabilidades.

    Título original

    Laboratorio_4_python

    Derechos de autor

    © © All Rights Reserved

    Formatos disponibles

    PDF, TXT o lea en línea desde Scribd

    ¿Le pareció útil este documento?

    ¿Este contenido es inapropiado?

    Este documento realiza análisis estadísticos de los datos del Mundial de Fútbol de 2014 segregados por continente. Primero se dividen los datos en dataframes por continente. Luego, se calculan métricas como el promedio y desviación estándar de goles por continente y se muestra su probabilidad de clasificación y de ganar partidos. Por último, se cuentan las frecuencias de cada continente y se expresan como probabilidades.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    15 vistas3 páginas

    Laboratorio 4 Python

    Cargado por

    Orlando Soto
    Este documento realiza análisis estadísticos de los datos del Mundial de Fútbol de 2014 segregados por continente. Primero se dividen los datos en dataframes por continente. Luego, se calculan métricas como el promedio y desviación estándar de goles por continente y se muestra su probabilidad de clasificación y de ganar partidos. Por último, se cuentan las frecuencias de cada continente y se expresan como probabilidades.

    Copyright:

    © All Rights Reserved
    Descargue como PDF, TXT o lea en línea desde Scribd
    Descargar como pdf o txt
    de 3

    Laboratorio_4

    October 8, 2019

    Se importan las librerías:


    [0]: import pandas as pd
    import numpy as np
    Se hace lectura del archivo:
    [2]: df = pd.read_csv('worldcup2014.csv')
    df.head()
    [2]: team continent group ... goles_diferencia puntos clasificado
    0 Brazil southamerica A ... 5 7 1
    1 Mexico northamerica A ... 3 7 1
    2 Croatia europe A ... 0 3 0
    3 Cameroon africa A ... 8 0 0
    4 Netherlands europe B ... 7 9 1

    [5 rows x 13 columns]
    Se obtienen los continenetes:
    [3]: df['continent'].unique()
    [3]: array(['southamerica', 'northamerica', 'europe', 'africa', 'asia'],
    dtype=object)
    Se hacen dataframes de cada uno de los continentes:
    [0]: africa_df = df[df['continent'] == 'africa']
    europe_df = df[df['continent'] == 'europe']
    asia_df = df[df['continent'] == 'asia']
    northamerica_df = df[df['continent'] == 'northamerica']
    southamerica_df = df[df['continent'] == 'southamerica']
    Se genera un dataframe reportando las metricas:
    [5]: continent = []
    store_mean = []
    store_std = []
    for d in [africa_df, europe_df, asia_df, northamerica_df, southamerica_df]:
    continent.append(d.iloc[0,1])
    store_mean.append(round(np.mean(d['goles_favor']),2))
    store_std.append(round(np.var(d['goles_favor']),2))
    tmp = pd.DataFrame({'continente': continent, 'media_goles': store_mean,␣
    ,→'std_goles': store_std})

    1
    tmp
    [5]: continente media_goles std_goles
    0 africa 3.60 2.64
    1 europe 4.77 6.33
    2 asia 2.25 0.69
    3 northamerica 3.25 1.69
    4 southamerica 5.67 3.89
    Frecuencias según continente:
    [6]: count_group = df['continent'].value_counts()
    count_group
    [6]: europe 13
    southamerica 6
    africa 5
    northamerica 4
    asia 4
    Name: continent, dtype: int64
    Expresando como probabilidad:
    [7]: count_group = df['continent'].value_counts('%').round(1)
    count_group
    [7]: europe 0.4
    southamerica 0.2
    africa 0.2
    northamerica 0.1
    asia 0.1
    Name: continent, dtype: float64
    Probabilidad de pasar a la siguiente ronda por continente:
    [8]: for d in [africa_df, europe_df, asia_df, northamerica_df, southamerica_df]:
    print(d.iloc[0, 1],"\nProbabilidad de clasificación:\n",d['clasificado'].
    ,→value_counts('%'))

    africa
    Probabilidad de clasificación:
    0 0.6
    1 0.4
    Name: clasificado, dtype: float64
    europe
    Probabilidad de clasificación:
    0 0.538462
    1 0.461538
    Name: clasificado, dtype: float64
    asia
    Probabilidad de clasificación:
    0 1.0
    Name: clasificado, dtype: float64

    2
    northamerica
    Probabilidad de clasificación:
    1 0.75
    0 0.25
    Name: clasificado, dtype: float64
    southamerica
    Probabilidad de clasificación:
    1 0.833333
    0 0.166667
    Name: clasificado, dtype: float64

    [9]: for d in [africa_df, europe_df, asia_df, northamerica_df, southamerica_df]:


    print(d.iloc[0, 1])
    tmp = pd.Series(np.where(d['juegos_ganados'] == 0, 0, 1))
    print(tmp.value_counts('%'))

    africa
    1 0.6
    0 0.4
    dtype: float64
    europe
    1 0.846154
    0 0.153846
    dtype: float64
    asia
    0 1.0
    dtype: float64
    northamerica
    1 0.75
    0 0.25
    dtype: float64
    southamerica
    1 1.0
    dtype: float64

    También podría gustarte