Perfilar cada columna
Tipos, rangos y recuentos de valores únicos de un vistazo.
Perfilar cada columna es una lección gratuita de Data Science Academy en CoddyKit. Esta es la lección 2 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Data Science Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Data Science Academy incluye 4 lecciones en total.
Partes de esta lección aún no han sido traducidas y se muestran en inglés.
Meet Every Column First
Before any fancy analysis, get to know each field. Profiling means learning each column's type, range, and quirks one by one. 🔍
Start With info
One call gives you column names, counts, and dtypes at a glance. Run info the moment a DataFrame loads to see its skeleton.
df.info()Check the dtypes
Numbers stored as text break your math silently. Reading the dtype of each column tells you what needs converting before analysis.
df.dtypesNumbers Versus Categories
Treat columns by their kind. Numeric fields get means and ranges, while categorical fields get counts of each label.
describe for Numbers
For numeric columns, one call summarizes count, mean, min, and quartiles. Use describe to spot impossible values fast.
df.describe()Count Unique Values
How many distinct entries does a column hold? nunique separates an ID column from a small category in one number.
df.nunique()value_counts for Categories
To profile a label column, tally each value. value_counts shows the most common categories and surprise typos at once.
df["plan"].value_counts()Find Missing Values Early
Gaps in a column change what is trustworthy. Counting nulls per column shows where data is thin before you rely on it.
df.isna().sum()Sanity-Check the Ranges
Ask if each min and max makes sense. A negative age or a future date is a red flag you want to catch during profiling.
Peek at Real Rows
Summaries hide texture, so look at actual examples too. A quick sample of rows reveals formatting issues numbers alone miss.
df.sample(5)Build a Column Inventory
Jot a one-line note per column: its meaning, type, and any issue. This inventory becomes your map for every later step.
Quick Check
You want the frequency of each category in a label column.
Recap: Know Each Column
You now profile with info, describe, nunique, and value_counts, then check nulls and ranges. This inventory grounds the analysis ahead. ✅
Preguntas frecuentes
¿La lección «Perfilar cada columna» es gratis?
Sí — el texto completo de «Perfilar cada columna» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Data Science Academy, actualiza a CoddyKit PRO. El curso de Data Science Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Perfilar cada columna»?
Tipos, rangos y recuentos de valores únicos de un vistazo. Practicas Data Science Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Data Science Academy?
No se requiere experiencia previa. Data Science Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 2 de 4.
¿Cuánto tiempo toma la lección «Perfilar cada columna»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Data Science Academy?
Sí. Cada lección de Data Science Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Plantear primero las preguntas
- Perfilar cada columna
- Univariante y después bivariante
- Anotar lo que ha encontrado