Machine Learning en Python

1. Los datos crudos de clientes de PyShop tienen 1012 filas y df.duplicated().sum() devuelve 12. ¿Cuántas filas quedan después de df = df.drop_duplicates()?

• 1000
• 988
• 1012
• 976

duplicated() marca como True cada repetición de una fila ya vista, no la primera aparición. drop_duplicates() quita esas 12 repeticiones y deja 1012 − 12 = 1000 filas.

2. PyShop opera en 5 ciudades, pero df["ciudad"].nunique() devuelve 14 porque hay valores como "cdmx" y "CDMX ". ¿Qué corrección deja exactamente las 5 ciudades con su escritura original?

• df["ciudad"].str.strip().str.lower().map(canon), con canon = {c.lower(): c for c in CIUDADES}
• df.drop_duplicates(subset="ciudad")
• df["ciudad"].fillna("CDMX")
• df = df[df["ciudad"].isin(CIUDADES)]

str.strip() quita el espacio final y str.lower() unifica mayúsculas; luego el mapa {"cdmx": "CDMX", …} devuelve cada valor a su forma canónica. Las otras opciones borran datos o no corrigen la escritura.

3. La edad cruda (sin duplicados) incluye los valores imposibles 150, 999 y −4. Su media es 37.33 y su mediana 36.0; tras marcar esos tres valores como nulos, la media baja a 36.26 y la mediana sigue en 36.0. ¿Por qué conviene imputar los nulos con la mediana?

• Porque es robusta a valores extremos: tres errores movieron la media más de un año y la mediana nada
• Porque siempre es menor que la media y así el modelo subestima menos
• Porque pandas no permite usar la media en fillna
• Porque la mediana elimina los valores imposibles sin necesidad de marcarlos como nulos

La mediana solo depende del valor central, así que unos pocos extremos no la mueven; la media sí, porque suma todos los valores. Por eso la mediana es la opción robusta para rellenar.

4. El histograma del gasto anual de los 1000 clientes muestra muchos clientes con gasto bajo y una cola larga hacia gastos altos (hasta 20015 pesos). La media es 3938 y la mediana 3243. ¿Qué describe mejor esta distribución?

• Asimétrica a la derecha: los gastos altos jalan la media por encima de la mediana
• Simétrica: media y mediana están cerca, así que el histograma es una campana
• Asimétrica a la izquierda: la mediana es menor porque hay muchos gastos altos
• Uniforme: todos los rangos de gasto tienen la misma cantidad de clientes

Los pocos clientes que gastan mucho jalan la media hacia arriba, por encima de la mediana: es una asimetría a la derecha. La mediana representa mejor al cliente típico.

5. En el mapa de calor de correlaciones, la correlación con gasto_anual es 0.77 para ticket_promedio y 0.26 para compras_12m. ¿Qué conclusión es correcta?

• El ticket promedio tiene la relación lineal más fuerte con el gasto, pero eso no prueba que lo cause
• El número de compras no influye en el gasto porque su correlación es baja
• El ticket promedio explica el 77 % de la variación del gasto
• Subir el ticket promedio aumenta el gasto anual en 0.77 pesos por cada peso

La correlación de Pearson mide la fuerza de una relación lineal, no causalidad ni importancia total. El gasto es aproximadamente compras × ticket: las compras sí influyen, pero no de forma lineal y aislada.