5 – Análisis Univariado

Lección 5 del curso SQL Nivel Avanzado.

En la lección anterior vimos cómo usar herramientas de SQL para llevar a cabo la detección y el manejo de registros repetidos en una tabla de datos.

En este segundo módulo del curso veremos cómo usar varias de las herramientas de SQL aprendidas en este y en los cursos SQL Nivel Básico y SQL Nivel Intermedio para realizar el Análisis Exploratorio de Datos.

Y aunque la visualización de datos es un componente esencial en el Análisis Exploratorio, en todo caso varias de las herramientas que posee SQL nos permiten de igual forma llevar a cabo parte de este análisis.

En particular, en esta lección veremos cómo usar SQL para realizar el análisis univariado de variables tanto numéricas como categóricas.

Comencemos entonces viendo las características de la base de datos que usaremos en esta lección y cómo realizar una primera exploración de los datos:

En este caso usaremos la base de datos “nba_db” que contiene información sobre el salario, la edad y otras variables asociadas al desempeño de diferentes jugadores de baloncesto de la liga de Estados Unidos (la NBA).

En esta primera exploración que acabamos de hacer vimos las columnas que conforman la tabla de datos “players” (la única tabla que contiene esta base de datos), así como los tipos de datos de estas columnas y el número total de registros (467).

También realizamos una limpieza inicial de los datos llevando a cabo la eliminación de datos faltantes obteniendo de esta forma una tabla de datos con 433 registros. Además vimos cómo usar la sentencia SELECT INTO para almacenar esta nueva tabla (“players_cleaned”) en nuestra base de datos, lo cual resulta muy útil pues no tendremos que re-escribir el código requerido para la limpieza cuando realicemos el Análisis Exploratorio.

Así que en este punto ya tenemos lista nuestra tabla de datos para comenzar a realizar el análisis univariado de variables numéricas. Veamos qué herramientas de SQL podemos usar en este caso:

Recordemos que en el caso de este análisis univariado lo que nos interesa es usar herramientas estadísticas para extraer información de cada variable numérica de forma individual.

Y para lograr esto hemos usado varias de las técnicas aprendidas en el curso de Estadística Descriptiva, como las medidas de tendencia central y las medidas de dispersión (la media, la mediana, la desviación estándar y el rango intercuartiles) y hemos implementado “Common Table Expressions” en SQL para lograr llevar a cabo este análisis.

Además, hemos visto cómo usar la sentencia ALTER TABLE, en combinación con las sentencias ADD, UPDATE y SET para agregar y almacenar una nueva columna en nuestra tabla de datos, la cual corresponde al salario de cada jugador pero en unidades de millones de dólares.

Con esto ya estamos listos para ver cómo realizar el análisis univariado de variables categóricas. Veamos en detalle cómo hacerlo:

En este caso contamos con una sola variable categórica, la columna “position” que indica la posición en la que juega cada uno de los jugadores. Y en este caso usamos herramientas de SQL como DISTINCT y GROUP BY para determinar los diferentes niveles de esta variable categórica así como la cantidad de jugadores que hay en cada una de estas categorías.

Así que en este punto ya hemos visto de forma práctica cómo usar SQL para llevar a cabo el Análisis Univariado de variables tanto numéricas como categóricas.

Sin embargo, muchas veces lo interesante del Análisis Exploratorio de Datos es determinar posibles relaciones e interacciones que puedan existir entre dos o más variables, lo que se conoce como el análisis bivariado y multivariado.

Así que en la próxima lección veremos cómo usar herramientas de SQL para llevar a cabo el análisis bivariado y multivariado como parte del Análisis Exploratorio.

Todas las lecciones del curso SQL Nivel Avanzado