Summary
This chapter covers data preprocessing techniques using pandas, including handling missing values, encoding categorical variables, and preparing features for consistent scaling.

General domain of usage
Machine learning

Comenzar el preprocesamiento explorando el conjunto de datos. A lo largo de este curso, se utilizará el **conjunto de datos de pingüinos**, con la tarea de predecir la especie de un pingüino.


Existen tres opciones posibles, a menudo denominadas **clases** en aprendizaje automático:

Las características son: `'island'`, `'culmen_depth_mm'`, `'flipper_length_mm'`, `'body_mass_g'` y `'sex'`.

El conjunto de datos está almacenado en el archivo `penguins.csv`. Se puede cargar desde un enlace con la función `pd.read_csv()` para examinar su contenido:


import pandas as pd

df = pd.read_csv('https://codefinity-content-media.s3.eu-west-1.amazonaws.com/a65bbc96-309e-4df9-a790-a1eb8c815a1c/penguins.csv')

print(df.head(10))

Este conjunto de datos presenta varios problemas que deben abordarse:

* Datos faltantes;
* Variables categóricas;
* Diferentes escalas de características.


## Datos faltantes

La mayoría de los algoritmos de aprendizaje automático no pueden procesar valores faltantes directamente, por lo que deben ser tratados antes del entrenamiento. Los valores faltantes pueden ser **eliminados** o **imputados** (reemplazados por valores sustitutos).

En `pandas`, las celdas vacías se representan como `NaN`. Muchos modelos de aprendizaje automático generarán un error si el conjunto de datos contiene incluso un solo `NaN`.


## Datos categóricos

El conjunto de datos incluye variables categóricas, que los modelos de aprendizaje automático no pueden procesar directamente.


Los datos categóricos deben ser **codificados** en formato numérico.


## Diferentes escalas

Los valores de `'culmen_depth_mm'` varían de 13.1 a 21.5, mientras que los valores de `'body_mass_g'` varían de 2700 a 6300. Debido a esto, algunos modelos de aprendizaje automático pueden considerar la característica `'body_mass_g'` **mucho más importante** que `'culmen_depth_mm'`.

**El escalado** resuelve este problema. Se abordará en capítulos posteriores.

El aprendizaje automático se utiliza actualmente en todas partes. ¿Quieres aprenderlo por ti mismo? Este curso es una introducción al mundo del aprendizaje automático para que puedas aprender los conceptos básicos, trabajar con Scikit-learn – la biblioteca más popular para ML – y construir tu primer proyecto de aprendizaje automático.
Este curso está dirigido a estudiantes con conocimientos básicos de Python, Pandas y Numpy.

Aprenda los conceptos de Machine Learning y el flujo de trabajo de un proyecto de ML.

El preprocesamiento es probablemente la etapa más importante de un proyecto de ML. Este capítulo abarca los pasos de preprocesamiento necesarios para casi cualquier conjunto de datos.

Una tubería es una forma ordenada de combinar todos los pasos de preprocesamiento junto con un modelo. Las tuberías facilitan considerablemente el entrenamiento y uso de un modelo.

El modelado es la etapa más divertida de un proyecto de ML. Aprendamos a construir, ajustar y evaluar el modelo.

Getting Familiar with the Dataset

Datos faltantes

Datos categóricos

Diferentes escalas