Prompts de IA para Ciencia de Datos

Actúa como analista de calidad de datos. Le proporciono un DataFrame de pandas llamado `df`. Su esquema es el siguiente: `[[PEGAR ESQUEMA O SALIDA DE HEAD() AQUÍ]]`. Su tarea es realizar un perfilado completo de los datos. Para cada columna, proporcione: 1. Tipo de dato. 2. Número y porcentaje de valores faltantes. 3. Número de valores únicos (cardinalidad). 4. Para columnas numéricas: media, mediana, desviación estándar, mínimo y máximo. 5. Para columnas categóricas: una lista de valores únicos y sus frecuencias. 6. Identifique cualquier columna que parezca tener un tipo incorrecto (p. ej., fechas almacenadas como objetos). Presente la salida como una tabla markdown.

tiene valores faltantes. Aquí está la salida de

Genere un script de Python que utilice el método del Rango Intercuartílico (IQR) para identificar valores atípicos en las siguientes columnas numéricas de un DataFrame de pandas `df`: `[[LIST_OF_NUMERIC_COLUMNS]]`. El script debe: 1. Calcular Q1, Q3 e IQR para cada columna especificada. 2. Definir los límites superior e inferior (Q1 - 1.5 * IQR, Q3 + 1.5 * IQR). 3. Crear un nuevo DataFrame que contenga solo las filas que tienen valores atípicos en cualquiera de las columnas especificadas. 4. Imprimir la forma del DataFrame original y del DataFrame de valores atípicos.

. Las siguientes columnas necesitan que se corrijan sus tipos de datos: -

. Quiero verificar duplicados basándome en un subconjunto de columnas:

que tome una cadena de texto y realice los siguientes pasos de limpieza de texto: 1. Convierte el texto a minúsculas. 2. Elimina toda la puntuación. 3. Elimina los dígitos numéricos. 4. Elimina las palabras vacías (stop words) comunes en inglés. 5. Realiza el stemming de las palabras restantes usando el Porter Stemmer. La función debe devolver la cadena de texto limpia. Incluya importaciones de

, genere un conjunto de gráficos de Python para análisis univariado. Para cada columna numérica en

Genere código Python para calcular la matriz de correlación de Pearson para las columnas numéricas en mi DataFrame de pandas `df`. Las columnas son: `[[LIST_OF_NUMERIC_COLUMNS]]`. Luego, haga lo siguiente: 1. Cree un mapa de calor de la matriz de correlación usando seaborn. Anote los valores en el mapa de calor. 2. Identifique y liste todos los pares de variables con un coeficiente de correlación mayor que 0.7 o menor que -0.7. 3. Para los 3 pares más correlacionados, proporcione una hipótesis de una frase sobre por qué podrían estar correlacionados.

. Para cada variable numérica, genere un diagrama de caja que compare su distribución entre las diferentes categorías de

con un índice datetime y una columna llamada

. Genere un script de Python que: 1. Estandarice estas dos columnas usando

con columnas de latitud y longitud llamadas

[[INDUSTRIA, p. ej., comercio electrónico]]

. Genere un script de Python que cree las siguientes nuevas características a partir de esta columna: - Año - Mes - Día de la semana (como número, 0=Lunes) - Día del año - Semana del año - Un indicador binario

tiene las siguientes características numéricas:

para codificar con one-hot las siguientes columnas categóricas en mi DataFrame

. Genere código Python para crear una nueva columna

está indexado por fecha y tiene una columna objetivo

Actúa como especialista en AutoML. Tengo un conjunto de datos preprocesado con características `X` y una variable objetivo binaria `y`. Genere un script de Python completo que entrene y evalúe tres modelos de clasificación base diferentes: 1. Regresión Logística 2. Clasificador Random Forest 3. Clasificador Gradient Boosting (usando LightGBM) Para cada modelo, el script debe: - Usar validación cruzada de 5 pliegues. - Calcular e imprimir la media de Exactitud, Precisión, Recall y F1-score. - Almacenar los resultados en un DataFrame de pandas para facilitar la comparación.

de scikit-learn. Mi matriz de características es

características. La arquitectura de la red debe ser: - Capa de entrada con

para un flujo de trabajo de aprendizaje automático. El pipeline debe constar de los siguientes pasos: 1. Imputar valores numéricos faltantes usando

que contiene una serie temporal univariada. Genere un script de Python usando

para construir un modelo simple de recomendación de filtrado colaborativo usuario-ítem. Asuma que tengo un DataFrame de pandas

y las predicciones del modelo están en

Usando `y_test` (etiquetas verdaderas) y `y_pred_proba` (probabilidades predichas para la clase positiva de mi clasificador), genere un script de Python para: 1. Calcular la puntuación AUC (Área Bajo la Curva). 2. Graficar la curva ROC (Receiver Operating Characteristic). 3. Incluir una línea diagonal que represente un clasificador aleatorio para comparación. 4. Etiquetar el gráfico con la puntuación AUC.

. Quiero explicar una única predicción para una instancia específica

. Mis características tienen los nombres

sklearn.inspection.permutation_importance

Quiero verificar si las probabilidades predichas de mi clasificador binario están bien calibradas. Tengo las etiquetas verdaderas `y_test` y las probabilidades predichas `y_pred_proba`. Genere un script de Python usando `sklearn.calibration.CalibrationDisplay` para graficar una curva de calibración para mi modelo.

[[VARIABLE_OBJETIVO, p. ej., 'rotación de empleados']]

A continuación se muestra un script de Python que genera un gráfico. Después del script, describiré el gráfico. Su tarea es escribir una interpretación concisa, de un párrafo, de esta conclusión para una audiencia de negocios. Evite la jerga técnica. `[[PASTE PYTHON PLOT SCRIPT]]` El gráfico muestra un diagrama de barras donde los clientes en la categoría de soporte 'Tier 1' tienen un gasto mensual promedio de $150, mientras que los clientes en la categoría 'Tier 3' tienen un gasto promedio de $45. Ahora, escriba el resumen de negocio.

con los resultados de una prueba A/B. Tiene columnas

Actúa como analista de datos. Redacte un correo electrónico al equipo de producto informando los resultados de una prueba A/B para la nueva característica "Compra con Un Clic". Hallazgos clave: - Tasa de conversión del grupo de control: 3.5% - Tasa de conversión del grupo de tratamiento (con la característica): 4.8% - El resultado es estadísticamente significativo con un valor p de 0.002. - La prueba se ejecutó durante 14 días con 50,000 usuarios en cada grupo. Estructure el correo electrónico con un asunto claro, un breve resumen del resultado, los números clave y una recomendación para implementar la característica.

Explique el concepto de "sobreajuste" en aprendizaje automático como lo haría a un director de ventas. Use una analogía. Mantenga la explicación por debajo de las 150 palabras.

Genere una plantilla markdown para un archivo README de un proyecto de ciencia de datos. La plantilla debe incluir las siguientes secciones: - Título del Proyecto - Problema de Negocio - Fuente de Datos - Metodología (Limpieza de Datos, EDA, Modelado) - Resultados - Cómo Ejecutar el Código (Dependencias, Instrucciones) - Contactos Clave

(el archivo del modelo entrenado) El Dockerfile debe: 1. Comenzar desde una imagen base

que acepte solicitudes POST con una carga JSON. El script debe: 1. Cargar un modelo scikit-learn preentrenado desde un archivo llamado

Genere un fragmento de script de Python que demuestre cómo usar MLflow para el seguimiento de experimentos. El script debe: 1. Iniciar una ejecución de MLflow. 2. Registrar dos parámetros: `learning_rate` y `n_estimators`. 3. Registrar tres métricas: `accuracy`, `precision` y `recall`. 4. Registrar el modelo entrenado como un artefacto. 5. Finalizar la ejecución.

) que se ejecute en cada push a la rama

def remove_outliers(df, column_name): Q1 = df[[column_name]].quantile(0.25) Q3 = df[[column_name]].quantile(0.75) IQR = Q3 - Q1 lower_bound = Q1 - 1.5 * IQR upper_bound = Q3 + 1.5 * IQR return df[(df[[column_name]] >= lower_bound) & (df[[column_name]] <= upper_bound)]

, y tengo un nuevo lote de datos de producción en

. Primero, cárguelo en un DataFrame de pandas y ejecute un perfil completo de datos. Identifique valores faltantes, tipos de datos y estadísticas básicas para cada columna. Muéstreme la salida." **Prompt 2 (después de que la IA responda):** "Gracias. Basándose en ese perfil, genere un script de Python para manejar la limpieza de datos. Impute los valores faltantes de

: entero, distribuido normalmente alrededor de una media de 40 con una desviación estándar de 10. -

que tome los hiperparámetros del modelo. - Un método

import pandas as pd from sklearn.model_selection import train_test_split from sklearn.ensemble import RandomForestClassifier df = pd.read_csv('data.csv') df = df.dropna() X = df[[['feature1', 'feature2']]] y = df[['target']] X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42) model = RandomForestClassifier(n_estimators=100) model.fit(X_train, y_train) print(model.score(X_test, y_test))

) y una instancia de cliente específica (

. La consulta debe calcular la tasa de retención de cohortes mensuales de clientes. La cohorte de un cliente es el mes de su primera compra. La retención para un mes dado es el porcentaje de clientes de una cohorte que realizaron una compra en ese mes. La salida debe tener tres columnas:

[['date', 'region', 'sales', 'product_category']]

) que no cabe en la memoria de pandas. La tarea es calcular la media de