Exam

La carpeta Exam reúne varios ejercicios desarrollados durante la certificación Data Analysis with Python de freeCodeCamp. A diferencia de un proyecto aislado, aquí se concentran soluciones de distintos tipos de problemas estadísticos:

1. Cálculo de estadísticas descriptivas sobre una matriz de 3 x 3.
2. Análisis demográfico de un dataset de población adulta.
3. Análisis médico y visualización de factores relacionados con enfermedad cardiovascular.

El conjunto muestra una progresión interesante: empieza con operaciones vectorizadas sobre NumPy, continúa con filtrado y agrupación de datos tabulares y termina con transformación, correlación y visualización estadística.

Repositorio original: AudiForze/freecodecamp/Exam.

Estructura del examen

Exam/
├── Mean-Variance-Standard_Deviation_Calculator.py
├── Demographic Data Analyzer/
│   ├── Demographic_Data_Analyzer.py
│   ├── adult.data.csv
│   └── test_module.py
└── medical examination/
    ├── medical_data_visualizer.py
    ├── medical_examination.csv
    └── test_module.py

El repositorio también contiene carpetas __pycache__, que son artefactos generados por Python y no forman parte de la lógica del examen.

Tecnologías utilizadas

• Python: implementación de todos los ejercicios.
• NumPy: matrices, medias, varianzas, desviaciones, mínimos, máximos y sumas.
• Pandas: lectura de CSV, filtrado, agrupación y transformación de columnas.
• Matplotlib: figuras y elementos visuales.
• Seaborn: gráficos de barras categóricos y mapa de calor.
• unittest: validación automatizada de resultados numéricos y visualizaciones.

1. Mean-Variance-Standard Deviation Calculator

Objetivo

El primer ejercicio recibe una lista de exactamente nueve números, la transforma en una matriz de 3 x 3 y calcula estadísticas por columnas, por filas y sobre el conjunto completo.

def calculate(list_of_numbers):
    if len(list_of_numbers) != 9:
        raise ValueError("List must contain nine numbers.")
    arr = np.array(list_of_numbers).reshape(3, 3)

La validación inicial es importante porque una matriz de 3 x 3 requiere exactamente nueve elementos. Si la lista tiene otra longitud, el programa lanza un ValueError explícito.

Estadísticas calculadas

El resultado es un diccionario con seis claves:

• mean
• variance
• standard deviation
• max
• min
• sum

Cada clave contiene tres resultados:

1. Una lista calculada por columnas.
2. Una lista calculada por filas.
3. Un valor global de toda la matriz.

Por ejemplo, la media se calcula así:

'mean': [
    np.mean(arr, axis=0).tolist(),
    np.mean(arr, axis=1).tolist(),
    float(np.mean(arr)),
]

La misma estructura se repite con np.var, np.std, np.max, np.min y np.sum.

Decisión técnica: ejes de NumPy

En NumPy:

• axis=0 reduce verticalmente y devuelve un resultado por columna.
• axis=1 reduce horizontalmente y devuelve un resultado por fila.
• Sin axis, la operación se aplica a todos los elementos.

Este ejercicio es pequeño, pero introduce una idea central del análisis de datos: una misma operación puede responder preguntas diferentes dependiendo del eje sobre el que se agreguen los datos.

Fortalezas y mejoras

La solución es compacta y aprovecha operaciones vectorizadas de NumPy. Como mejora, se podría validar también que los elementos sean numéricos antes de construir el array y añadir anotaciones de tipo para documentar el contrato de la función.

Código original: Mean-Variance-Standard_Deviation_Calculator.py.

2. Demographic Data Analyzer

Objetivo

Este ejercicio analiza el dataset adult.data.csv, basado en información demográfica y laboral. La función calculate_demographic_data() calcula indicadores relacionados con raza, edad, educación, salario, horas de trabajo, país de origen y ocupación.

def calculate_demographic_data(print_data=True):
    df = pd.read_csv("adult.data.csv")

El parámetro print_data separa el cálculo de la presentación: permite ejecutar la función mostrando resultados en consola o usarla desde las pruebas sin imprimir información innecesaria.

Indicadores producidos

La función devuelve un diccionario con estos resultados:

Conteo por raza

Pandas resuelve el primer indicador con value_counts():

race_count = df['race'].value_counts()

El resultado conserva la frecuencia de cada categoría y se devuelve como una serie de Pandas, por lo que las pruebas pueden convertirla a lista y comparar sus valores.

Edad y educación

La edad media de los hombres se obtiene filtrando por sexo:

average_age_men = round(
    df[df['sex'] == 'Male']['age'].mean(),
    1,
)

El porcentaje de personas con Bachelor se calcula aprovechando que una comparación booleana puede promediarse como True = 1 y False = 0:

percentage_bachelors = round(
    (df['education'] == 'Bachelors').mean() * 100,
    1,
)

Educación avanzada y salario

El análisis considera educación avanzada a las categorías Bachelors, Masters y Doctorate:

advanced_education = df['education'].isin(
    ['Bachelors', 'Masters', 'Doctorate']
)

higher_education = df[advanced_education]
lower_education = df[~advanced_education]

Luego calcula la proporción de salarios superiores a 50K en cada grupo:

higher_education_rich = round(
    (higher_education['salary'] == '>50K').mean() * 100,
    1,
)

La comparación es descriptiva y no demuestra causalidad. El resultado permite observar una asociación dentro de este dataset, pero no prueba que el nivel educativo sea por sí solo la causa del salario.

Horas mínimas y país con mayores ingresos

El mínimo de horas semanales se obtiene directamente:

min_work_hours = df['hours-per-week'].min()
min_workers = df[df['hours-per-week'] == min_work_hours]

Después se calcula qué porcentaje de ese grupo supera los 50K.

Para analizar países, el proyecto agrupa por native-country y aplica una función que calcula el porcentaje de salarios altos:

country_salary = (
    df.groupby('native-country')['salary']
    .apply(lambda values: (values == '>50K').mean() * 100)
)

highest_earning_country = country_salary.idxmax()
highest_earning_country_percentage = round(country_salary.max(), 1)

Esta combinación de groupby, función personalizada, idxmax y max es el núcleo del análisis por país.

Ocupación predominante en India

El último indicador encadena dos filtros y obtiene la moda:

top_IN_occupation = (
    df[
        (df['native-country'] == 'India') &
        (df['salary'] == '>50K')
    ]['occupation'].mode()[0]
)

La solución supone que el subconjunto contiene al menos una ocupación. En una versión más robusta se podría comprobar si mode() está vacío antes de acceder a [0].

Pruebas del analizador demográfico

Las pruebas esperan, entre otros resultados:

• Conteos raciales concretos.
• Edad media masculina de 39.4.
• 16.4% con Bachelor.
• 46.5% de salarios altos en el grupo de educación avanzada.
• 17.4% en el grupo sin educación avanzada.
• Una hora semanal como mínimo.
• Irán como país con mayor porcentaje de salarios altos.
• Prof-specialty como ocupación más frecuente en India dentro del filtro solicitado.

Estas pruebas fijan tanto los resultados como el significado exacto de cada consulta.

3. Medical Data Visualizer

Objetivo

El proyecto médico analiza factores relacionados con enfermedades cardiovasculares. Utiliza el archivo medical_examination.csv y genera dos visualizaciones:

• Un gráfico categórico que compara hábitos y características por estado cardiovascular.
• Un mapa de calor de correlaciones después de limpiar observaciones inconsistentes y extremos.

Preparación de datos

El índice de masa corporal no se guarda directamente. Se crea una variable binaria overweight a partir de peso y altura:

df['overweight'] = (
    df['weight'] / ((df['height'] / 100) ** 2) > 25
).astype(int)

La fórmula corresponde al BMI o IMC. La altura se convierte de centímetros a metros antes de elevarla al cuadrado.

También se recodifican colesterol y glucosa para que el valor 0 represente la categoría normal y 1 una categoría superior:

df['cholesterol'] = df['cholesterol'].apply(
    lambda value: 0 if value == 1 else 1
)
df['gluc'] = df['gluc'].apply(
    lambda value: 0 if value == 1 else 1
)

Este paso convierte variables ordinales en indicadores binarios adecuados para comparar conteos.

Gráfico categórico

draw_cat_plot() transforma las columnas de factores a formato largo usando pd.melt():

df_cat = pd.melt(
    df,
    id_vars=['cardio'],
    value_vars=[
        'cholesterol', 'gluc', 'smoke',
        'alco', 'active', 'overweight',
    ],
)

Después agrupa por enfermedad cardiovascular, variable y valor:

df_cat = (
    df_cat
    .groupby(['cardio', 'variable', 'value'])
    .size()
    .reset_index(name='total')
)

Finalmente crea dos paneles, uno para cada valor de cardio:

fig = sns.catplot(
    data=df_cat,
    kind='bar',
    x='variable',
    y='total',
    hue='value',
    col='cardio',
).fig

El gráfico permite comparar cuántas personas presentan cada condición en los grupos con y sin enfermedad cardiovascular. Es una visualización de conteos, no de causalidad ni de riesgo relativo.

Mapa de calor

Antes de calcular correlaciones, se filtran tres tipos de problemas:

df_heat = df[
    (df['ap_lo'] <= df['ap_hi']) &
    (df['height'] >= df['height'].quantile(0.025)) &
    (df['height'] <= df['height'].quantile(0.975)) &
    (df['weight'] >= df['weight'].quantile(0.025)) &
    (df['weight'] <= df['weight'].quantile(0.975))
]

La primera condición elimina registros con presión diastólica superior a la sistólica. Las otras condiciones quitan el 2,5% inferior y superior de altura y peso para reducir la influencia de valores extremos.

La matriz de correlación y la máscara triangular se construyen así:

corr = df_heat.corr()
mask = np.triu(corr)

La máscara evita duplicar la mitad simétrica de la matriz:

sns.heatmap(
    corr,
    mask=mask,
    annot=True,
    fmt='.1f',
    center=0,
    square=True,
    linewidths=0.5,
    cbar_kws={'shrink': 0.5},
)

El resultado muestra correlaciones en una escala centrada en cero. Una correlación no implica causalidad; solo describe la relación lineal entre variables dentro de los datos filtrados.

El código genera catplot.png y heatmap.png cuando se ejecutan ambas funciones. Esas imágenes no estaban almacenadas en la carpeta original del repositorio, por lo que este documento explica su generación a partir del código fuente en lugar de duplicar artefactos que no formaban parte del commit original.

Pruebas del visualizador médico

Las pruebas del gráfico categórico verifican:

• Etiqueta X: variable.
• Etiqueta Y: total.
• Orden de las seis categorías.
• Cantidad esperada de rectángulos.

Las pruebas del mapa de calor verifican:

• Etiquetas de las catorce variables.
• Valores anotados de la matriz de correlación.
• Correspondencia entre el resultado y el dataset procesado.

Este tipo de test es especialmente valioso en visualización porque un gráfico puede renderizarse sin excepción y, aun así, estar mal agrupado o mostrar etiquetas equivocadas.

Comparación de los tres ejercicios

La complejidad aumenta progresivamente:

1. El calculador trabaja con una estructura conocida y nueve números.
2. El analizador demográfico trabaja con categorías, filtros y agrupaciones.
3. El visualizador médico combina ingeniería de variables, limpieza de outliers, formato largo, correlaciones y gráficos multivariables.

Flujo de ejecución recomendado

Cada subproyecto usa rutas relativas a sus propios archivos. Una ejecución organizada sería:

pip install numpy pandas matplotlib seaborn

python Mean-Variance-Standard_Deviation_Calculator.py

cd "Demographic Data Analyzer"
python -m unittest test_module.py
cd ..

cd "medical examination"
python -m unittest test_module.py

Para el visualizador médico se deben ejecutar las funciones de generación de gráficos desde un script o una consola Python:

import medical_data_visualizer

medical_data_visualizer.draw_cat_plot()
medical_data_visualizer.draw_heat_map()

Evaluación técnica

Fortalezas

• Cada ejercicio tiene una función principal clara.
• Se utilizan operaciones vectorizadas de NumPy y Pandas.
• Las pruebas fijan resultados numéricos y características visuales.
• El análisis demográfico separa cálculo y presentación mediante print_data.
• El proyecto médico muestra un flujo completo de preparación, transformación y visualización.
• Las salidas de los gráficos se guardan como archivos reproducibles.
• Los nombres de las claves devueltas permiten consumir los resultados desde otras funciones.

Mejoras posibles

1. Añadir requirements.txt o pyproject.toml para reproducir el entorno.
2. Excluir __pycache__ de Git mediante .gitignore.
3. Reemplazar rutas relativas frágiles con pathlib y rutas basadas en la ubicación del módulo.
4. Añadir validación de columnas requeridas antes de ejecutar los análisis.
5. Manejar datasets vacíos antes de usar mode()[0] o idxmax().
6. Separar la carga, transformación y visualización en funciones más pequeñas.
7. Cerrar figuras después de guardarlas en ejecuciones automatizadas.
8. Añadir leyendas, nombres de variables más descriptivos y unidades en los gráficos.
9. Documentar que porcentajes y correlaciones describen asociaciones, no relaciones causales.
10. Añadir pruebas de casos límite, como listas con tipos no numéricos o columnas faltantes.
11. Crear una configuración común para evitar repetir nombres de salida y rutas.
12. Incluir imágenes generadas en una carpeta de resultados si se desea documentar visualmente cada ejecución.

Conclusión

Exam representa una colección de ejercicios que resume varias competencias esenciales del análisis de datos con Python. El calculador introduce el razonamiento por ejes de NumPy; el analizador demográfico enseña a convertir preguntas de negocio en filtros y agregaciones; y el visualizador médico muestra cómo preparar variables, eliminar observaciones problemáticas y comunicar relaciones mediante gráficos.

Lo más valioso del conjunto es la combinación entre cálculo y verificación. Cada solución no solo produce un resultado: sus pruebas comprueban que los datos, las etiquetas y la estructura de las figuras coinciden con el objetivo del ejercicio. Esto convierte el examen en una base sólida para pasar de scripts exploratorios a análisis reproducibles.

Recursos

• Carpeta Exam en GitHub
• Calculador estadístico
• Demographic Data Analyzer
• Medical Data Visualizer
• Certificación Data Analysis with Python