PyDA Course
📖 Lección 4 Avanzado ⏱ 25 minutos ⚡ +100 XP ColabKagglenbviewerBinderDeepnoteGitHub univariate · categorical · count-plots · bar-charts · frequency

Análisis Univariado Categórico

Analiza distribuciones de frecuencia, proporciones y patrones en variables categóricas con gráficos de conteo y gráficos de barras.

🎯 Lo que aprenderás:
  • Calcular tablas de frecuencia, proporciones y frecuencias acumuladas para variables categóricas
  • Crear gráficos de conteo, gráficos de barras y gráficos de barras horizontales con matplotlib y seaborn
  • Distinguir entre variables categóricas nominales, ordinales y binarias
  • Manejar variables categóricas de alta cardinalidad con agrupación y filtrado top-N

Las variables categóricas describen grupos, categorías o etiquetas, género, etnia, tipo de almuerzo, nivel educativo. A diferencia de los datos numéricos, no puedes calcular medias ni desviaciones estándar. En su lugar, analizas frecuencias, proporciones y moda. Esta lección cubre las herramientas y técnicas para entender los datos categóricos.

Conceptos clave

Tablas de frecuencia

La base del análisis categórico es la tabla de frecuencia:

python
import pandas as pd

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

# Absolute frequencies
print("Gender counts:")
print(df["gender"].value_counts())

# Relative frequencies (proportions)
print("\nGender proportions:")
print(df["gender"].value_counts(normalize=True).round(3))

# Parental education — ordinal, so sort logically
edu_order = [
    "some high school",
    "high school",
    "some college",
    "associate's degree",
    "master's degree",
    "bachelor's degree",
]
print("\nParental education:")
print(df["parental level of education"].value_counts().reindex(edu_order))

Nominal vs ordinal vs binario

Entender el tipo de variable categórica determina cómo la analizas y visualizas:

TipoDescripciónEjemploAnálisis
BinariaDos categoríasgenderProporción, razón de probabilidades
NominalSin orden naturalrace/ethnicityFrecuencia, moda
OrdinalExiste un orden naturaleducation levelCategoría mediana, correlación de rangos

Las variables ordinales necesitan un ordenamiento explícito, no dejes que pandas las ordene alfabéticamente:

python
import seaborn as sns
import matplotlib.pyplot as plt

# Without ordering — misleading
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

sns.countplot(data=df, x="parental level of education", ax=axes[0])
axes[0].set_title("Without explicit order")
axes[0].tick_params(axis="x", rotation=45)

# With ordering — correct
sns.countplot(
    data=df,
    x="parental level of education",
    order=edu_order,
    ax=axes[1],
    palette="viridis"
)
axes[1].set_title("With explicit order")
axes[1].tick_params(axis="x", rotation=45)

plt.tight_layout()
plt.show()

Gráficos de conteo con seaborn

Los gráficos de conteo son el equivalente categórico de los histogramas, muestran frecuencias:

python
fig, axes = plt.subplots(2, 2, figsize=(12, 10))

# Binary variable
sns.countplot(data=df, x="gender", ax=axes[0, 0], palette="Set2")
axes[0, 0].set_title("Gender Distribution")

# Nominal variable
sns.countplot(data=df, x="race/ethnicity", ax=axes[0, 1], palette="Set3")
axes[0, 1].set_title("Ethnicity Distribution")

# Ordinal variable
sns.countplot(
    data=df,
    x="parental level of education",
    order=edu_order,
    ax=axes[1, 0],
    palette="viridis"
)
axes[1, 0].set_title("Parental Education Level")
axes[1, 0].tick_params(axis="x", rotation=45)

# Binary with hue
sns.countplot(data=df, x="test preparation course", hue="gender", ax=axes[1, 1], palette="Set1")
axes[1, 1].set_title("Test Prep by Gender")

plt.tight_layout()
plt.show()

Gráficos de barras horizontales

Cuando las etiquetas de las categorías son largas, las barras horizontales mejoran la legibilidad:

python
# Ethnicity with horizontal bars
ethnicity_counts = df["race/ethnicity"].value_counts()

fig, ax = plt.subplots(figsize=(8, 5))
ethnicity_counts.plot(kind="barh", ax=ax, color="steelblue", edgecolor="black")
ax.set_title("Ethnicity Distribution")
ax.set_xlabel("Count")
ax.set_ylabel("Ethnicity Group")
plt.show()

Gráficos de proporciones

Cuando los tamaños de muestra difieren, las proporciones aportan más información que los conteos:

python
# Proportion by gender
gender_prop = df["gender"].value_counts(normalize=True)

fig, axes = plt.subplots(1, 2, figsize=(12, 5))

# Bar chart of proportions
gender_prop.plot(kind="bar", ax=axes[0], color=["#4ECDC4", "#FF6B6B"], edgecolor="black")
axes[0].set_title("Gender Proportions")
axes[0].set_ylabel("Proportion")
axes[0].set_ylim(0, 1)

# Pie chart (use sparingly — bar charts are almost always better)
axes[1].pie(gender_prop, labels=gender_prop.index, autopct="%1.1f%%", colors=["#4ECDC4", "#FF6B6B"])
axes[1].set_title("Gender Split")

plt.tight_layout()
plt.show()

Cómo manejar variables categóricas de alta cardinalidad

Cuando una columna categórica tiene muchos valores únicos, agrupa las categorías poco frecuentes en una categoría “Otro”:

python
def top_n_with_other(series, n=5):
    """Keep top n categories, merge the rest into 'Other'."""
    top = series.value_counts().head(n).index
    return series.where(series.isin(top), other="Other")

# Example with education level
df["education_grouped"] = top_n_with_other(df["parental level of education"], n=4)

print(df["education_grouped"].value_counts())

fig, ax = plt.subplots(figsize=(8, 5))
sns.countplot(data=df, x="education_grouped", palette="pastel", ax=ax)
ax.set_title("Parental Education (Top 4 + Other)")
plt.show()

Anotar los conteos en las barras

Añadir los conteos a las barras hace que los gráficos se expliquen solos:

python
fig, ax = plt.subplots(figsize=(8, 5))
counts = df["race/ethnicity"].value_counts()
bars = ax.bar(counts.index, counts.values, color=sns.color_palette("Set3", len(counts)), edgecolor="black")

for bar in bars:
    height = bar.get_height()
    ax.text(
        bar.get_x() + bar.get_width() / 2.,
        height + 0.5,
        f"{int(height)}",
        ha="center",
        va="bottom",
        fontweight="bold"
    )

ax.set_title("Ethnicity Distribution with Counts")
ax.set_ylabel("Count")
plt.show()

Inténtalo

Analiza las variables categóricas del conjunto de datos Students Performance.

python
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

cat_cols = ["gender", "race/ethnicity", "parental level of education",
            "lunch", "test preparation course"]

# Frequency tables
for col in cat_cols:
    print(f"\n{col}:")
    print(df[col].value_counts())

# Visualize all categorical variables
fig, axes = plt.subplots(2, 3, figsize=(15, 10))
axes = axes.flatten()

for i, col in enumerate(cat_cols):
    sns.countplot(data=df, x=col, ax=axes[i], palette="Set2")
    axes[i].set_title(col.title())
    axes[i].tick_params(axis="x", rotation=45)

# Hide unused subplot
axes[5].set_visible(False)

plt.tight_layout()
plt.show()

Conclusiones clave

  • Las tablas de frecuencia son la base del análisis categórico, calcúlalas siempre primero
  • Distingue las variables nominales, ordinales y binarias; las variables ordinales necesitan un ordenamiento explícito
  • Los gráficos de barras horizontales son mejores que los verticales cuando las etiquetas de las categorías son largas
  • Usa proporciones en lugar de conteos al comparar grupos de diferentes tamaños
  • Agrupa las categorías poco frecuentes en “Otro” cuando la cardinalidad es alta
  • Anota los conteos en las barras para que los gráficos se expliquen solos

Desafío de práctica

Crea una figura que muestre la distribución de los tipos de lunch, con barras coloreadas por la finalización de test preparation course. Añade anotaciones de conteo a cada segmento de barra. Luego calcula la proporción de estudiantes que completaron la preparación para el examen para cada tipo de almuerzo.

🧩 Desafío, piensa primero, luego revela
python
import pandas as pd
import seaborn as sns
import matplotlib.pyplot as plt

# students-performance.csv ships with the course — load it from the browser file system.
df = pd.read_csv("students-performance.csv")

fig, ax = plt.subplots(figsize=(8, 6))
sns.countplot(data=df, x="lunch", hue="test preparation course", ax=ax, palette="Set1")
ax.set_title("Lunch Type by Test Preparation Completion")
ax.set_xlabel("Lunch Type")
ax.set_ylabel("Count")
ax.legend(title="Test Prep")

# Add count annotations
for container in ax.containers:
    ax.bar_label(container, fontweight="bold")

plt.tight_layout()
plt.show()

# Proportions
print("\nTest prep completion by lunch type:")
print(df.groupby("lunch")["test preparation course"].value_counts(normalize=True).round(3))

🚀 Sigue construyendo

Pon en práctica las habilidades de esta lección en un proyecto guiado:

🐼 Constructor de Encuestas Crea encuestas con lógica de ramificación, recolecta respuestas y analiza los resultados con pandas y gráficos. 💻 Motor de Puntuación de Leads Puntúa y prioriza leads de ventas según participación, demografía y señales de comportamiento.
✅ Comprobación rápida +10 XP

1. Una columna categórica tiene 50 valores únicos. ¿Qué deberías hacer antes de graficar?

2. ¿Por qué deberías ordenar explícitamente las categorías ordinales en lugar de dejar que pandas las ordene alfabéticamente?

3. ¿Cuál es la diferencia entre datos categóricos nominales y ordinales?

univariatecategoricalcount-plotsbar-chartsfrequency
← Anterior Siguiente →
🌿 Cambiar a Normal Misma semana, ritmo más suave.