Entradas

Mostrando las entradas con la etiqueta Visualización de Datos

Which FIFA World Cup 2026 Match Should You Watch Again? A Python Data Analysis

Imagen
Which FIFA World Cup 2026 Match Should You Watch Again? After every FIFA World Cup, one question always comes up: Which matches are worth watching again? Instead of answering this question based on personal opinion, I decided to analyze every match from the FIFA World Cup 2026 using Python, Pandas and Matplotlib. The objective was simple: Find the matches with the most goals. Identify the strongest defensive performances. List every game that required extra time. Show every match decided by a penalty shootout. The result is a collection of custom visualizations generated entirely with Python using the FIFA World Cup 2026 dataset. ⚽ Highest Scoring Matches If you enjoy attacking football and goal-filled games, this ranking is the perfect place to start. Using the official match results, I ranked every match by the total number of goals scored by both teams. The visualization highlights the ten highest-scoring matches of the tournament. NOTE : Englan...

¿Qué partido del Mundial 2026 deberías volver a ver? 5 análisis con Python para elegir el mejor partido

Imagen
¿Qué partidos del Mundial 2026 vale la pena volver a ver? Un análisis con Python Después de cada Copa del Mundo siempre surge la misma pregunta: ¿Qué partidos realmente vale la pena volver a ver? En lugar de responder con una opinión pe rsonal, analicé todos los partidos del Mundial FIFA 2026 utilizando Python , Pandas y Matplotlib para identificar distintos tipos de encuentros inolvidables. ⚽ Los partidos con más goles. 🛡 Los mejores encuentros defensivos. ⏱ Los partidos que necesitaron tiempo extra. 🥅 Los encuentros definidos por penales. El resultado es una colección de visualizaciones creadas completamente con Python utilizando el dataset del FIFA World Cup 2026. Conjunto de datos disponible en Kaggle, url Football 2026 World Cup Dataset ⚽ Partidos con más goles Si disfrutas los partidos abiertos y llenos de emociones, este ranking es el mejor punto para comenzar. Clasifiqué todos los encuentros según la cantidad total de goles anotados por ambos equi...

Top 15 partidos más emocionantes del Mundial FIFA 2026 con Python | Sport Analytics

Imagen
Top 15 partidos más emocionantes del Mundial FIFA 2026 con Python | Sport Analytics Cuando pensamos en el mejor partido de una Copa del Mundo normalmente recordamos las emociones que vivimos frente a la pantalla. Sin embargo, desde la perspectiva del Sport Analytics , surge una pregunta muy interesante. ¿Es posible medir qué tan emocionante fue un partido utilizando únicamente datos? En este proyecto desarrollé un modelo con Python , Pandas y Matplotlib para identificar los 15 partidos más emocionantes del Mundial FIFA 2026 utilizando estadísticas ofensivas del juego. El objetivo no es reemplazar la emoción de los aficionados, sino demostrar cómo la ciencia de datos puede complementar nuestra percepción mediante métricas objetivas. 📊 Origen de los datos Para este análisis utilicé el mismo Football 2026 World Cup Dataset de Kaggle empleado en artículos anteriores de esta serie. Eventos del partido Expected Goals (xG) Posesión del balón Tiros y tiros a puerta ...

Cómo utilizar Inteligencia Artificial para descubrir historias en un dataset de Kaggle: México en el Mundial 2026

Imagen
 Introducción Cuando trabajamos con un conjunto de datos, normalmente el siguiente paso consiste en crear gráficos y calcular estadísticas. Sin embargo, un gráfico por sí solo no siempre explica lo que realmente está ocurriendo. En este proyecto utilicé un dataset público de Kaggle con información del Mundial de la FIFA 2026. Después de preparar los datos con Python y Pandas, decidí incorporar Inteligencia Artificial como apoyo para formular preguntas, identificar patrones y convertir los números en una historia con sentido. El objetivo no fue que la IA reemplazara el análisis, sino utilizarla como un asistente capaz de proponer nuevas perspectivas y ayudar a interpretar los resultados obtenidos. ¿Qué información contiene el dataset? El conjunto de datos incluye información de todas las selecciones participantes en el Mundial 2026, entre ellas: Información de los jugadores. Estadísticas por partido. Eventos del encuentro. Goles esperados (Expected Goals). Disparos realizados. Posic...

Radiografía del Matrimonio en México: Un Análisis de Datos con Python (2018-2024)

Imagen
  Introducción El matrimonio, más allá de ser un vínculo afectivo, es un acto jurídico que genera datos valiosos para entender la evolución de la sociedad mexicana. Tras analizar los divorcios en mi artículo anterior te comparto la liga Análisis divorcios en México , surge una pregunta obligada: ¿Cómo se están comportando las uniones en nuestro país? En este post, utilizaremos Python y Jupyter Notebook para explorar el conjunto de datos oficiales del INEGI. A través de la limpieza de datos y visualizaciones, identificaremos tendencias, cambios generacionales y el impacto de factores externos en la formalización de estas uniones. Metodología: El Camino de los Datos Para obtener resultados confiables, seguí una estructura de trabajo clara: Extracción: Obtención de microdatos desde el portal oficial del INEGI. Exploración (EDA): Análisis previo de la estructura de los archivos comprimidos. Procesamiento: Lectura y limpieza profunda con la librería Pandas . Visualización: Creación...

Ejemplo Análisis de datos con Python, Jupyter. Datasciense de divorcios en México

Imagen
Los divorcios son un fenómeno social que refleja cambios en la estructura familiar y las dinámicas de pareja en México. Analizar estos datos nos permite entender patrones, tendencias y diferencias según el sexo de los integrantes, duración del matrimonio y otras variables relevantes. En este artículo, exploraremos un conjunto de datos oficiales sobre divorcios en México utilizando Python y Jupyter Notebook. A través de limpieza de datos, visualizaciones y análisis estadístico, obtendremos conclusiones que nos ayudan a comprender mejor la dinámica de estos eventos. A continuación, describo los pasos que seguí para realizar este análisis de manera clara y estructurada: Obtener los datos de una fuente oficial Analizar la información descargada  Leer los datos con Panda Limpiar Datos Hacer análisis con graficas Generar una descripción de estas gráficas para obtener algunas conclusiones Las Herramientas tecnológicas que vamos a utilizar son Python Jupyter  Matplotlib seaborn ...

Análisis de redes sociales con minería de datos: ¿Quién usa qué plataforma?

Imagen
Análisis Demográfico de las Redes Sociales: Un Enfoque desde la Ciencia de Datos En la era digital, las redes sociales se han convertido en una fuente masiva de datos útiles para entender comportamientos humanos, segmentar audiencias y tomar decisiones estratégicas. Desde la perspectiva de la minería de datos y la ciencia de datos (data science), analizar los patrones demográficos de plataformas como Facebook, Instagram o TikTok ofrece un terreno fértil para extraer conocimiento. ¿Quién usa qué red social? Los datos más recientes sobre la distribución por género en redes sociales revelan patrones interesantes: Facebook : Con más de 3 mil millones de usuarios activos mensuales, es la red social más usada del mundo. Tiene una distribución bastante equilibrada: aproximadamente 51% mujeres y 49% hombres. Pinterest : Predominantemente femenina, con alrededor del 76% de sus usuarios identificados como mujeres. Reddit : Mayoritariamente masculina, con 63.6% hombres y 35.1% mujeres...

Cómo Crear Gráficos con Palabras Clave en Python: Tutorial y Ejemplos Prácticos

Imagen
Quizá han visto algunos gráficos en internet o en publicidad donde podemos ver una serie de palabras ordenadas y que resaltan las palabras mas populares o mas utilizadas en un texto, si no lo han visto hablo de una imagen como la siguiente. Este tipo de diagramas pueden construirse con la ayuda de Natural Language Processing , es decir un procesador de lenguaje que es capaz de interpretar las palabras. Tenemos varias aplicaciones para el procesamiento de lenguaje natura: Como es en los chatbot En los correctores de ortografía En las aplicaciones que nos ayudan con la gramática Resultados de búsqueda en navegadores Texto predictivo en nuestros celulares o en correos Traducción de texto Análisis de datos  Hoy les quiero platicar acerca del ultima aplicación,  Análisis de Datos utilizando  Python y la librería Word Cloud para poder analizar datos y generar un diagrama como la primer imagen de esta publicación.  Para hacerlo interesante tome...

📊 Ejemplos de Python para Hacer Gráficas: Visualiza tus Datos con Matplotlib

Imagen
Como hemos visto en otras publicaciones del blog Python es un lenguaje muy amigable y con muchas librarías que permiten apoyarnos para realizar tareas de la manera más ágil. En esta ocasión quiero mostrarles como pueden hacer para mostrar datos en mapas, por ejemplo si quieren representar en el mapa de México la cantidad de universidades por cada estado y obtener una imagen como la siguiente: Tendremos que utilizar las librería   geopandas  matplotlib.pyplot   numpy   pandas  Para este ejemplo necesitamos: Instalar Jupyter ,  https://jupyter.org/install Descargar un mapa de México, yo encontré  un Github de Jon Schleuss  https://github.com/jschleuss/mexican-states Vamos a utilizar el siguiente código import geopandas as gpd import matplotlib.pyplot as plt import numpy as np import pandas as pd direccion = 'tu directorio //mexican-states-master' direccion2 = 'tu directorio\\carpeta\\' shapefile = gpd.read_file(direccion+'\mexica...

🚀 Mantener este blog funcionando requiere tiempo y café. ¡Puedes contribuir con uno aquí!