Objetivos. Entender el EDA como una fase de decisiones, no de gráficas; saber qué mirar en el análisis univariante, bivariante y multivariante; interpretar correlaciones sin caer en las trampas habituales; y terminar el EDA con una lista de acciones concretas.
1. Qué es y qué no es
El análisis exploratorio busca entender los datos antes de modelarlos. Su producto no es un cuaderno lleno de gráficas: es una lista de decisiones justificadas sobre cómo tratar cada variable y qué esperar del problema.
Tres preguntas lo guían:
- ¿Qué hay? Distribuciones, rangos, categorías, calidad.
- ¿Qué se relaciona con qué? En particular, con la variable objetivo.
- ¿Qué problemas hay? Faltantes, extremos, redundancias, fugas.
El EDA es también donde se detecta que el proyecto no es viable. Si ninguna variable se relaciona con el objetivo, mejor saberlo ahora que después de tres semanas de modelado.
2. Análisis univariante
Una variable a la vez.
Numéricas
Estadísticos: media, mediana, desviación, cuartiles, mínimo y máximo (describe()).
Visualización: histograma para la forma, diagrama de caja para los extremos.
Qué buscar:
- Forma de la distribución. ¿Simétrica, asimétrica, bimodal? Una distribución bimodal suele indicar dos poblaciones mezcladas — y a menudo revela una variable de agrupación que faltaba.
- Asimetría. Ingresos, precios y tiempos suelen tener cola derecha larga. Candidatos a transformación logarítmica.
- Valores imposibles. Negativos donde no puede haberlos, porcentajes mayores que 100.
- Concentraciones sospechosas. Un pico en un valor concreto (0, 999) suele delatar faltantes disfrazados.
La media y la mediana juntas dicen mucho: si difieren bastante, hay asimetría o extremos.
Categóricas
Frecuencias absolutas y relativas (value_counts()). Visualización: gráfico de barras.
Qué buscar:
- Cardinalidad. Una variable con 500 categorías distintas necesita un tratamiento especial (agrupar, o codificaciones distintas de one-hot).
- Categorías raras. Un nivel con 2 observaciones no permite aprender nada y complica la validación cruzada. Suelen agruparse en “otros”.
- Inconsistencias.
"Pereira","pereira"y" PEREIRA "son la misma ciudad y tres categorías. - Desbalance en la variable objetivo, si es categórica: condiciona la métrica y la estrategia de modelado (sesión 9).
3. Análisis bivariante
Dos variables, y sobre todo cada variable frente al objetivo. Es la parte más informativa del EDA.
| Tipo de par | Herramienta |
|---|---|
| Numérica vs. numérica | Diagrama de dispersión; correlación |
| Numérica vs. categórica | Diagramas de caja por categoría; medias por grupo |
| Categórica vs. categórica | Tabla de contingencia; barras agrupadas |
| Cualquiera vs. objetivo | Tasa del objetivo por grupo o por rango |
La operación más útil del EDA en un problema de clasificación es simple:
df.groupby("variable")["objetivo"].agg(["mean", "count"])La tasa del objetivo por grupo, con el número de observaciones al lado. Siempre con el conteo: una tasa del 100 % sobre 3 observaciones no significa nada.
4. Correlación: cuatro trampas
Para dos variables numéricas, el coeficiente de Pearson mide la asociación lineal:
Cuatro errores frecuentes al interpretarlo:
- Correlación no implica causalidad. El caso más citado del curso: en el Titanic, la tarifa correlaciona con la supervivencia, pero pagar más no salvaba a nadie — la clase determinaba la ubicación en el barco y el acceso a los botes.
- Pearson solo ve relaciones lineales. Una relación en forma de U da correlación cercana a cero. La edad y la supervivencia en el Titanic son un ejemplo: sobrevivieron más los niños y, en menor medida, los mayores, y la correlación global es apenas . Hay que mirar la gráfica, no solo el número. Para relaciones monótonas no lineales, Spearman es preferible.
- Es sensible a los extremos. Unos pocos puntos alejados pueden crear o destruir una correlación.
- Correlación entre predictoras es un problema aparte. No dice nada sobre la utilidad de las variables, sino que anticipa multicolinealidad: coeficientes inestables en modelos lineales (sesión 7).
Un mapa de calor de correlaciones sirve para dos cosas distintas: ver qué se relaciona con el objetivo (última fila) y detectar redundancia entre predictoras (el resto de la matriz).
5. Análisis multivariante: las interacciones
Aquí es donde el EDA aporta lo que ningún resumen automático da.
Una interacción ocurre cuando el efecto de una variable depende del valor de otra. En el Titanic:
| 1.ª clase | 2.ª clase | 3.ª clase | |
|---|---|---|---|
| Mujeres | 96.8 % | 92.1 % | 50.0 % |
| Hombres | 36.9 % | 15.7 % | 13.5 % |
Ser mujer aumentaba la supervivencia en todas las clases, pero la magnitud del efecto cambia radicalmente: de 60 puntos en primera a 36 en tercera. El efecto del sexo no es independiente de la clase.
Esto tiene consecuencias directas de modelado:
- Un modelo aditivo (regresión lineal o logística sin términos de interacción) no puede representar esto. Hay que añadir el término de interacción explícitamente (sesión 7).
- Los árboles y ensambles capturan interacciones de forma automática, porque cada rama condiciona sobre las anteriores. Es una de las razones por las que dominan en datos tabulares (sesiones 10 y 11).
Detectar interacciones en el EDA es lo que informa la elección del modelo.
6. Visualización: unas pocas reglas
- Una gráfica debe responder una pregunta. Si no sabes cuál, no la hagas.
- Elige el tipo según los datos, no según lo que se ve bonito: histograma para distribuciones, dispersión para relaciones, barras para categorías, líneas solo para series temporales.
- Etiqueta los ejes, con unidades. Una gráfica sin etiquetas no es interpretable.
- Evita los gráficos de torta con más de tres categorías: comparar ángulos es más difícil que comparar longitudes.
- No empieces el eje Y en un valor arbitrario para exagerar diferencias.
- Muestra el tamaño de los grupos cuando compares tasas.
7. El resultado del EDA
Un EDA termina en una tabla de decisiones. Del notebook 01 sobre el Titanic:
| Decisión | Justificación |
|---|---|
Eliminar alive | Fuga de datos: es el objetivo en texto |
Eliminar class, embark_town, adult_male | Redundantes |
Imputar age por mediana de la clase | Faltante MAR |
Añadir indicador falta_edad | La ausencia es informativa |
Convertir deck en binaria | 77 % faltante, MNAR |
| No eliminar duplicados | Sin ID, filas iguales ≠ registros repetidos |
No eliminar extremos de fare | Valores legítimos |
Transformar fare con logaritmo | Asimetría fuerte |
| Considerar interacción sexo × clase | Detectada en el análisis multivariante |
Ese es el entregable. Las gráficas son el medio.
Para recordar
- El EDA produce decisiones, no gráficas.
- Univariante: forma, extremos, cardinalidad, faltantes disfrazados.
- Bivariante: la tasa del objetivo por grupo, siempre con el conteo al lado.
- La correlación de Pearson solo ve lo lineal, y no implica causalidad.
- Las interacciones detectadas en el EDA determinan qué familia de modelos conviene.
- Si ninguna variable se relaciona con el objetivo, el EDA acaba de ahorrarte semanas.
Notebooks relacionados
../notebooks/01-limpieza-eda-aplicado.ipynb— EDA completo del Titanic, incluida la interacción sexo × clase.
Documento siguiente
04-ingenieria-caracteristicas.md— construir variables.