Fase 1: Análisis Exploratorio
Exploración inicial de los datos mediante estadísticas descriptivas, visualizaciones básicas y detección de valores atípicos.
Descripción de los Datos Red Wine Quality
El análisis exploratorio inicial revela la estructura y características fundamentales de nuestro dataset de vinos. Con 1,599 observaciones y 12 variables, podemos identificar patrones importantes en la distribución de la calidad y las propiedades fisicoquímicas.
Distribución de Categorías de Calidad
Gráfico de pastel mostrando la proporción de vinos en cada categoría de calidad
Histogramas de Distribución
Distribución de frecuencias del alcohol en los vinos
Histogramas de Distribución
Distribución de frecuencias de los cloruros en los vinos
Histogramas de Distribución
Distribución de frecuencias de los acidos citricos en los vinos
Histogramas de Distribución
Distribución de frecuencias de la densidad en los vinos
Histogramas de Distribución
Distribución de frecuencias de la acidez fija en los vinos
Histogramas de Distribución
Distribución de frecuencias del dióxido de azufre libre en los vinos
Histogramas de Distribución
Distribución de frecuencias del pH en los vinos
Histogramas de Distribución
Distribución de frecuencias del azúcar residual en los vinos
Histogramas de Distribución
Distribución de frecuencias de los sulfatos en los vinos
Histogramas de Distribución
Distribución de frecuencias del dióxido de azufre total en los vinos
Histogramas de Distribución
Distribución de frecuencias de la acidez volátil en los vinos
Detección de Outliers
Hallazgos Principales
- °Residual Sugar: Presenta varios outliers superiores, indicando vinos con dulzor inusualmente alto
- °Chlorides: Valores atípicos en ambos extremos, sugiriendo variabilidad en contenido mineral
- °Total Sulfur Dioxide: Outliers significativos que podrían afectar el perfil de conservación
- °Alcohol: Distribución relativamente uniforme con pocos valores extremos
Boxplots para Detección de Outliers
Identificación de valores atípicos en azúcar residual respecto la calidad, mediante diagramas de caja
Boxplots para Detección de Outliers
Identificación de valores atípicos en cloruros respecto la calidad, mediante diagramas de caja
Boxplots para Detección de Outliers
Identificación de valores atípicos en el dióxido de azufre total respecto la calidad, mediante diagramas de caja
Boxplots para Detección de Outliers
Identificación de valores atípicos en alcohol respecto la calidad, mediante diagramas de caja
Visualizaciones básicas
La relación entre el contenido de alcohol y la calidad del vino es uno de los patrones más interesantes del dataset. A través del análisis de dispersión, podemos observar tendencias claras que sugieren correlaciones positivas significativas.
Gráfico de Dispersión: Alcohol vs Calidad
Relación entre el contenido de alcohol y la calificación de calidad del vino
Interpretación del Scatter Plot
El gráfico revela una tendencia positiva entre el contenido alcohólico y la calidad percibida. Los vinos con mayor graduación alcohólica tienden a recibir calificaciones más altas, aunque existe considerable variabilidad. Esta relación sugiere que el alcohol contribuye al cuerpo y la complejidad del vino, factores valorados en la evaluación de calidad.
Conclusiones del Análisis Exploratorio Red Wine Quality
Calidad de Datos
Dataset limpio con distribuciones razonables. Los outliers detectados son legítimos y representan la variabilidad natural del vino.
Patrones Identificados
Correlación positiva entre alcohol y calidad. La mayoría de vinos se concentran en categorías de calidad media (3).
Descripción de los Datos Wine Food Pairings
El análisis exploratorio inicial revela la estructura y características fundamentales de nuestro dataset de maridajes. Con 34,933 observaciones y 5 variables, podemos identificar patrones importantes entre los diversos vinos y su interacción con los alimentos pertenecientes a diversas cocinas.
Distribución de la calidad del maridaje
Gráfico de barras mostrando la calidad del maridaje
Distribución de los vinos evaluados
Gráfico de barras mostrando todos los tipos de vinos evaluados
Distribución del Top 5 cocinas más evaluadas
Gráfico de barras mostrando las 5 cocinas más evaluadas en el maridaje
Distribución del Top 5 categorias de alimentos más evaluados
Gráfico de barras mostrando el Top 5 categorias de alimentos más evaluados
Conclusiones del Análisis Exploratorio Wine Food Pairings
Calidad de Datos
Dataset limpio con distribuciones razonables. No existen outliers, ni perdida de datos. Las distribuciones de calidad del maridaje son casi similares.
Patrones Identificados
Se detectaron 6 categorias de vinos, pertenecientes a 29 tipos de uvas, los cuales se emparejaron con 38 alimentos, los cuales pertenecen a 12 categorias de alimentos, originarias de 17 cocinas del mundo.