🌸 Exploración del Dataset Iris — Análisis morfológico y correlaciones entre especies¶

📚Tiempo estimado de lectura: ~8 min
- Autora: Milagros Cancela
- Fecha: 13/08/2025
- Entorno: Python + VSCode + Cursor - Referencia de la tarea: Tarea 1 — Exploración del Dataset Iris

💾 Descargar Notebook¶

Para acceder al notebook completo con el código, gráficos y análisis reproducible:

Descargar notebook — dataset_iris.ipynb

📂 Archivo disponible dentro del repositorio:
docs/portfolio/assets/iris/dataset_iris.ipynb

🎯 Objetivo¶

El objetivo de esta práctica fue realizar un Análisis Exploratorio de Datos (EDA) sobre el clásico dataset Iris, utilizando pandas, seaborn y matplotlib.¶

El propósito fue comprender la estructura del dataset, analizar las relaciones entre variables y evaluar la calidad de los datos antes de avanzar hacia etapas de limpieza y modelado.¶

📘 Descripción general¶

El dataset contiene 150 observaciones de tres especies de flores: Setosa, Versicolor y Virginica.
Incluye cuatro variables numéricas (longitud y ancho de pétalos y sépalos) y una categórica (species).
Está completamente limpio y balanceado, con 50 muestras por especie.

Variable	Tipo	Unidad	Descripción
sepal_length	float	cm	Longitud del sépalo
sepal_width	float	cm	Ancho del sépalo
petal_length	float	cm	Longitud del pétalo
petal_width	float	cm	Ancho del pétalo
species	category	—	Especie de la flor

🔧 Metodología¶

Carga y validación de datos → sns.load_dataset("iris")
Se verificaron estructura, tipos de datos y ausencia de valores faltantes.
Análisis estadístico descriptivo → uso de .describe(), .corr() y medidas de asimetría y curtosis.
Exploración visual → generación de gráficos comparativos para examinar la separación entre especies y sus correlaciones.
Documentación → exportación de perfiles, tablas y reportes a /results/, incluyendo el reporte automatizado profile_iris.html.

🌸 Distribución de las variables¶

Los histogramas con curvas KDE permiten observar cómo se distribuyen las variables dentro de cada especie:

En los pétalos, las tres especies se separan con claridad.
Setosa presenta pétalos cortos y angostos, Versicolor ocupa una posición intermedia, y Virginica concentra los valores más altos.
Esto sugiere que las variables de pétalos son las más útiles para tareas de clasificación.
En los sépalos, las distribuciones se superponen más, por lo que aportan menor poder discriminante.

🔍 Relaciones entre variables¶

El siguiente gráfico de pares muestra cómo se relacionan las dimensiones:

Cada punto representa una flor. A partir del gráfico se observa que: - Setosa forma un grupo totalmente aislado del resto.
- Versicolor y Virginica se solapan parcialmente, aunque pueden diferenciarse bien si se consideran petal_length y petal_width.

Esto confirma que solo con las variables de pétalos podría construirse un modelo de clasificación con buena precisión.

📊 Correlaciones¶

Para verificar las observaciones visuales, analicé la matriz de correlaciones:

Variables	Correlación	Interpretación
petal_length ↔ petal_width	0.86	Correlación muy fuerte: ambas crecen de manera proporcional.
sepal_length ↔ sepal_width	-0.12	Correlación débil e inversa: son prácticamente independientes.
sepal_length ↔ petal_length	0.87	Relación positiva, aunque con mayor dispersión.

Las variables de pétalos concentran la mayor información explicativa, mientras que las de sépalo aportan contexto morfológico, pero no separan especies por sí solas.

🧩 Calidad de los datos¶

Criterio	Evaluación	Observación
Valores faltantes	❌ Ninguno	Dataset completamente completo.
Outliers	⚠️ Mínimos	Algunos valores extremos en `sepal_width`, sin impacto en la media.
Duplicados	❌ Ninguno	Todos los registros son únicos.
Distribución	✅ Aproximadamente normal	Variables de pétalos muestran distribuciones suaves.

El gráfico de valores faltantes confirma un resultado poco común: no existe ningún valor nulo.
También se validó que los rangos estén dentro de límites biológicos razonables (por ejemplo, sépalos entre 4 y 8 cm).
No se detectaron duplicados, lo que refuerza la confiabilidad del dataset y su utilidad para prácticas de EDA.

📂 Estructura de Resultados¶

results/
├── visualizaciones/
│   ├── histogramas_kde_por_especie.png
│   ├── pairplot_por_especie.png
│   ├── matriz_correlaciones.png
│   ├── missing.png
│   └── boxplots_por_especie.png
├── perfiles/
│   ├── describe.csv
│   ├── cov.csv
│   ├── skew_kurt.csv
│   ├── species_dist.csv
│   ├── missing.csv
│   ├── missing_prop.csv
│   └── nulos.csv
└── reportes/
    ├── range_check.csv
    ├── data_dictionary.md
    ├── data_dictionary.csv
    ├── respuestas_negocio.md
    └── profile_iris.html

¶

💡 Hallazgos principales¶

Los pétalos son las variables clave: longitud y ancho bastan para distinguir especies.
Setosa es la especie más fácil de identificar; sus valores no se superponen con los de las otras dos.
Virginica presenta mayor variabilidad interna, especialmente en el largo del pétalo.
Las medidas de sépalo son menos discriminantes, pero aportan independencia estadística.
El dataset es completo, balanceado y sin anomalías, lo que lo hace ideal para modelado supervisado.

🗂️ Insights de Negocio¶

🔍 Variables críticas para la toma de decisiones¶

Las variables petal_length y petal_width concentran casi toda la información útil. En contextos de clasificación real (por ejemplo, detección automática de especies), se puede reducir la cantidad de sensores o variables medidas sin perder precisión. En términos de negocio: menor costo de adquisición de datos, misma efectividad predictiva.

🌸 Separabilidad como métrica de eficiencia¶

Setosa presenta una separación morfológica total respecto a las otras dos especies. Los sistemas pueden clasificarla sin ambigüedad, liberando capacidad de cómputo para las clases más difíciles (Versicolor y Virginica).

📈 Estabilidad y calidad del dataset¶

Esto lo convierte en un benchmark ideal para calibrar pipelines de validación de datos o probar frameworks de EDA automatizado sin sesgos introducidos por ruido o errores de captura. Es un ejemplo de “datos bien diseñados” que reflejan procesos de medición estandarizados.

⚙️ Notas de Implementación¶

Análisis realizado en VS Code con entorno Python 3.

Dependencias:

pip install pandas seaborn matplotlib ydata-profiling

Todas las figuras se exportaron con dpi=200 y bbox_inches='tight'.
Reporte HTML automático generado con ydata-profiling.

💭 Reflexión Personal¶

Este proyecto fue, para mí, un ejercicio de aprendizaje técnico, pero también de observación. Al principio pensaba que hacer un EDA era simplemente generar gráficos bonitos, pero terminé entendiendo que explorar datos es una forma de pensar: una búsqueda de sentido, paso a paso. Cada figura que exporté no era solo un resultado, sino una confirmación de que los patrones existen incluso en datasets tan simples como este. Aprendí a organizar mis ideas, a limpiar y documentar, y sobre todo, a no apurarme en sacar conclusiones sin mirar el contexto. Lo más desafiante fue elegir cómo mostrar las visualizaciones sin que pierdan claridad. Y lo más gratificante fue comprobar que, al final, los datos hablan solos, si uno sabe cómo escucharlos.

📚 Referencias¶

📁 Ubicación: docs/portfolio/01-iris.md
📂 Resultados: ver ../../actividades/act_dos_iris/results/ para acceder a perfiles y reportes completos en el repositorio.