SHARK ATTACK!! Jorge Solana

[Jorge-Solana]

https://github.com/Jorge-Solana/Shark-Attack

[AnaAGG]

🐼🦈 Proyecto sharks 🐼🦈

Hola Jorge 🙋🏻‍♀️ vamos con las correcciones del primer proyecto del bootcamp

README

Lo primerito de todo, fan del meme 🤣.

Ahora vamos a por la chicha, que cosas me han faltado en el readme?

• Me ha faltado que me contarás un poco de que va el dataset, que información teníamos. Quiero saber más sobre ese dataset!!
• Tienes una parte de *approach** en la que cuentas en lineas muy generales que es lo que haces. Peeero puedes añadir un poco más de detalle.
  • Cuantas filas y columnas teníamos al inicio de la limpieza y al final
  • Qué columnas has usado
  • Cómo las has limpiado en rasgos generales
• Ya que no podemos subir el csv con el dataset lo que estaría suuper bien es que pusieras en el link que nos lleva a la página de de kaggle y que la gente se lo pueda descargar

Estructura del repo

En general tu repositorio esta super bien organizado, tienes tus carpetas de src y de imagenes, los jupyters con nombres que nos cuentan de que van

• Y ya para ponerme tiquismiquis tiquismiquis, tienes todo en inglés excepto... la carpeta de imágenes que se llama Imágenes, plis 🙏 todo en un único idioma

• Lo mismo con los comentarios que tienes en el jupyter, los tienes en español, procura ponerlo todo en el mismo idioma 😉

• Suuper bien la carpeta src con las funciones documentadas 👏🏽

Sintaxis de código

• JUPYTER DE LIMPIEZA

  • Vamos con la parte que chequeas el número de nulos que hay para cada columna. Para algunas de ellas (Type, Activity, Injury, Year, Country, Sex, Fatal (Y/N)) haces lo mismo, reemplazas los valores nulos por "unknown". Basicamente lo que haces es aplicar la misma forma muchas veces. Cuando vemos que hay una linea de código que se repite mucho es momento de CREAR UNA FUNCIÓN 💪!

    ¿Cómo podríamos crearla?

    def clean_nulls(col, str_to_replace):
      df[col].fillna(str_to_replace, inplace = True)
    
    df["targetcolumn"] = df["targetcolumn"].apply(lambda x: clean_nulls("Year", "Unknown year"), axis=1)

  • La columna de Years la tienes como float pero eso es raro para años no?? Lo hubiera sido interesante es que la convirtieras a int

    df["Year"] = df["Year"].astype(int)

  • Te limpiaste la columna de species lo cual esta suuper top. Como lo hiciste esta bien, pero como hablamos los diccionarios nos pueden ayudar muchísimo en esta parte. Te dejo por aquí como lo podrías haber hecho por si te aporta valor

    def species2 (col):
      diccionario = {
      "white" : re.search(r".*[Ww](hite|HITE).*", str(col)),
      "tiger" : re.search(r'.*[Tt].*', str(col)), 
      "bull" : re.search(r'.*[Bb](ull).*', str(col)), 
      "lemon" : re.search(r'.*[Ll].*', str(col)),
      "grey" : re.search (r'reef | \.*reef\.*', str(y))
    
      } 
    
      # después lo que hacemos es interar por el diccionario 
      for k,v in diccionario.items():
          # si encuentra un value en el diccionario me devuelves la key del diccionario
          if v == True:
              return k
          else:
              # si no me devuelves "other species" 
              return "other species"

    🔴 Si no te queda muy claro esto dime y lo vemos juntossss

• JUPYTER DE VISUALIZACIÓN

  • Vamos con la primera gráfica (Attacks vs Year):
    • La leyenda esta tapando un poco algunas lineas de tu gráfica, hay que evitar que nos pase eso en las gráficas y colocar la leyenda en sitios donde moleste menos
    • El eje de las X (Year) los años con decimales? Se me hace un podo rarinchi, intenta convertirlo a int como te dije antes y quedará suuper bien.
    • Suuuper bien que te quedaras con los años más recientes, es una dataset con una serie temporal muy larga pero muchos de ellos no tienen ningún valor

  • En la hipótesis de The proportion between unprovoked and provoked attacks... Wondering which of 3 most attacked countries is the most provocative

    Has hecho varias gráficas, pero es difícil comparar por tipo de ataque, personalmente pondría todos los ataques en una gráfica para los principales países. Que pueda comparar de un solo vistazo como son todos los ataques.

    TODOs

• Como recomendación crear una carpeta de data para meter ahí todos los .csv con los que he trabajado.

• Con la columa de años, intentar trabajar cone ella como interger

• Limpiar las columnas de species y activity usando un diccionario

• Darle alguna vueltina a algunas gráficas. Peeero en general están muy bien 😉

• Unificar todo al mismo idioma

• A lo largo de todos los jupyters tienes muchas lineas de código para chequear como están los datos (muchos sum, value_counts), personalmente (y esto es algo meramente personal), yo los quitaría para que mi jupyter quede lo más limpio posible.

Bueno Jorge has sobrevivido al primer proyecto y lo has hecho genial!! En este proyecto hemos interiorizado como trabajar con pandas y cual es el principal proceso de limpieza de un dataset.

Enhorabuena por tu proyecto 🔥💪