EDA, ¿Qué es Exploratory Data Analysis en auditoría?​

Los científicos de datos usan la exploración exploratorio de datos (EDA) para examinar e averiguar conjuntos de datos y resumir sus propiedades primordiales, comúnmente utilizando procedimientos de visualización de datos. Ayuda a establecer la mejor forma de manipular las fuentes de datos para obtener las respuestas que requiere, lo cual permite que los científicos de datos descubran patrones, detecten anomalías, prueben una conjetura o verifiquen suposiciones.

EDA se usa primordialmente para ver qué datos tienen la posibilidad de revelar más allá del modelado formal o la labor de prueba de premisa y da una mejor comprensión de las cambiantes del grupo de datos y las interrelaciones entre ellas.

¿Por qué es importante el análisis de datos exploratorios en la ciencia de datos?

El propósito primordial de EDA es contribuir a examinar los datos antecedente de hacer suposiciones.

Los científicos de datos tienen la posibilidad de usar la exploración exploratorio para asegurar que los resultados que generan sean válidos y aplicables a los resultados y fines comerciales deseados.

Herramientas de estudio de datos exploratorios

Visualización univariante de cada campo en el grupo de datos sin procesar, con estadísticas de resumen.

Visualizaciones bivariadas y estadísticas de resumen que le permiten evaluar la relación entre cada variable en el conjunto de datos y la variable de destino que está viendo.

Tipos de análisis de datos exploratorios

Hay 4 tipos primordiales de EDA:

• Univariante no gráfico: Esta es la manera más fácil de estudio de datos, donde los datos que se analizan constan de una sola variable. El objetivo primordial del estudio univariado es explicar los datos y descubrir patrones que hay en ellos.

• Gráfica univariante: Los métodos no gráficos no proporcionan una imagen completa de los datos. Por tanto, se requieren métodos gráficos. Los tipos comunes de gráficos univariados incluyen:
  • Gráficos de tallo y hojas, que presentan todos los valores de los datos y la manera de el reparto.
  • Histogramas, un diagrama de barras en el cual cada barra representa la frecuencia (recuento) o proporción (recuento / recuento total) de casos para un rango de valores.
  • Diagramas de caja, que representan gráficamente el resumen de cinco números de mínimo, primer cuartil, mediana, tercer cuartil y máximo.

• Multivariante no gráfico: los datos multivariados emergen de bastante más de una variable. Las técnicas de EDA no gráficas multivariadas principalmente presentan la interacción entre 2 o más cambiantes de los datos por medio de tabulaciones cruzadas o estadísticas.

• Gráfico multivariante: los datos multivariados usan gráficos para demostrar las interacciones entre 2 o más conjuntos de datos. El gráfico más usado es un gráfico de barras agrupadas o un gráfico de barras en el cual cada conjunto representa un grado de una de las cambiantes y cada barra en un conjunto representa los niveles de la otra variable.

Herramientas de estudio de datos exploratorios

Algunas de las herramientas de ciencia de datos más comunes que se utilizan para crear una EDA incluyen:

• Python: Python y EDA tienen la posibilidad de utilizar ligados para detectar los valores perdidos en un grupo de datos, lo que es fundamental para que logre dictaminar cómo manejar los valores perdidos para el aprendizaje automático.

• R: Un lenguaje de programación de código abierto y un entorno de software libre para la computación estadística y los gráficos respaldado por la Fundación R para Computación Estadística.

IBM y estudio de datos exploratorios

El método Explore de IBM otorga una pluralidad de resúmenes de datos visuales y numéricos, así sea para todos los casos o por separado para conjuntos de casos.