🌸 Entre pétalos y datos: explorando el clásico dataset Iris

Contexto

El dataset Iris (Fisher) es un dataset clásico de clasificación supervisada que busca predecir la especie (setosa, versicolor, virginica) a partir de medidas morfológicas: sepal_length, sepal_width, petal_length y petal_width (cm). Contiene 150 observaciones balanceadas y no presenta valores faltantes. Setosa es linealmente separable; versicolor y virginica suelen solaparse.

Asumo muestras i.i.d. y mediciones consistentes en centímetros.

Esta práctica fue desarrollada en un notebook de jupyter que puedes encontrar aquí

Objetivos

• Cargar Iris desde distintas fuentes (URL, seaborn, sklearn) y comparar estructuras.
• Realizar chequeos básicos (shape, tipos, nulos) y construir un data dictionary mínimo.
• Responder preguntas de negocio simples con estadísticas y correlaciones.

Desarrollo

1. Setup y carga

• Librerías: pandas, seaborn, matplotlib.
• Fuentes:
• CSV remoto: https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv → df
• sns.load_dataset('iris') → df_sns
• sklearn.datasets.load_iris(as_frame=True) → df_sklearn
• Comparación:
• df vs df_sns → iguales ✅
• df_sns vs df_sklearn → distintas (nombres de columnas y codificación de species) ⚠️

2. Chequeos y diccionario

• shape: (150, 5) ; dtypes: 4 numéricas + 1 categórica (species).
• isna().sum() = 0 en todas.
• describe() confirma rangos y cuartiles típicos.

3. Correlaciones y relaciones

• Matriz (numéricas): petal_length–petal_width = 0.963; sepal_length–petal_length = 0.872.
• sepal_width se asocia de forma negativa moderada con variables de pétalo.

4. Preguntas de negocio (resueltas)

Desarrollamos algunas preguntas de negocio, luego desarrollamos el código para poder responderlas:

1. ¿Cuál es la especie con pétalo más largo? → virginica (promedios y máximos de pétalo más altos).
2. ¿Relación entre largo de sépalo y largo de pétalo? → Positiva y fuerte (r ≈ 0.872).
3. ¿Especie con sépalo más ancho (promedio)? → setosa (mayor sepal_width medio).

📁 Evidencias

• Carga y verificación

  import pandas as pd, seaborn as sns
  url = "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv"
  df = pd.read_csv(url)
  df_sns = sns.load_dataset("iris")
  from sklearn.datasets import load_iris
  data = load_iris(as_frame=True); df_sklearn = data.frame
  df_sklearn.rename(columns={"target": "species"}, inplace=True)
  
  print("1 vs 2:", "iguales" if df.equals(df_sns) else "distintas")
  print("2 vs 3:", "iguales" if df_sns.equals(df_sklearn) else "distintas")
  

• Chequear estructura y nulos

  df.shape, df.dtypes, df.isna().sum()
  df.describe(include="all").T
  

• Correlaciones (numéricas)

  corr = df.select_dtypes("number").corr()
  corr
  # r(sepal_length, petal_length) ≈ 0.872; r(petal_length, petal_width) ≈ 0.963
  

• Mini data dictionary

• sepal_length (cm): largo del sépalo — float

• sepal_width (cm): ancho del sépalo — float
• petal_length (cm): largo del pétalo — float
• petal_width (cm): ancho del pétalo — float
• species: {setosa, versicolor, virginica} — category

💡 Reflexión

• Iris es ideal para EDA rápido y para practicar pipelines de modelado base.
• Pequeñas diferencias de nomenclatura/encoding entre fuentes requieren normalización previa (ej.: species numérico en sklearn).
• Las correlaciones altas en pétalos anticipan buen desempeño de modelos lineales simples para separar virginica y setosa; la frontera versicolor–virginica merece especial atención.

📚 Referencias

• UCI Machine Learning Repository — Iris
• Seaborn datasets (repo oficial)
• Scikit-learn — load_iris
• Documentación: pandas, seaborn, matplotlib

---