Gráficos Interactivos en Python con Pandas y Plotly | Curso de Visualización de Datos en Python

Lección 7 de 1070%

Ya has superado la mitad. Estás muy cerca de completar el curso.

Sobre esta lección

🔥 Únete a mí Curso Completo de Data Science en Python (Udemy): https://www.udemy.com/course/curso-completo-de-data-science-en-python-desde-cero-2022/?referralCode=0E40DB77E31230D57FA7 En este tutorial vamos a aprender como hacer gráficos interactivos en Python usando Pandas y Plotly. Plotly nos va a permitir ver fácilmente los valores de un gráfico. 📚 Cursos que recomiendo Fundamentos de Datos en Python: https://datacamp.pxf.io/XmymVa Fundamentos de la IA: https://datacamp.pxf.io/EEbE34 🔗 Link del dataset: https://drive.google.com/file/d/1QpCcE4U8NIhznbqf0kdeO2ITKPEs9OSm/view 👨🏻‍💻 Código y/o dataset usado en este video: https://github.com/ifrankandrade/data-visualization 🎮 Discord (aquí puedes descargar mi formulario de Python): https://discord.gg/6xyQaj8bJK 📩 Recibe emails semanales en mi Substack: https://andradefrank.substack.com/ 🔥 Curso Completo de Web Scraping en Python 8 horas: https://www.udemy.com/course/curso-completo-de-web-scraping-en-python-de-cero-a-experto/?referralCode=8F4DE225290091734DAC ✅ Sígueme en Medium: https://frank-andrade.medium.com/ -------------------- Contenido del video: 0:00 Intro 0:44 Instalar librerias Pandas, Plotly y Cufflinks 3:50 Leer dataset y transformar data 9:39 Lineplot (grafico de linea) 13:08 Barplot (grafico de barras) 20:47 Boxplot (grafico de caja) 23:36 Histogram (histograma) 25:50 Piechart (grafico de pastel) 30:29 Scatterplot (grafico de dispersion)

Sobre este curso

Curso Ciencia de Datos con Python desde cero en Jupyter Notebook/Pycharm. Curso de +4 horas 100% gratuito en español desde lo más básico. En este curso aprenderemos Matplotlib, Pandas, scikit-learn, web scraping, entre otros.

Lección 7 de 10Nivel: principianteDuración total: 4h 51m

Lo que aprenderás en este curso:

  • Comprender los fundamentos del aprendizaje automático
  • Implementar algoritmos de clasificación y regresión
  • Preparar y limpiar datos para modelos predictivos
  • Evaluar y optimizar modelos de machine learning