Taller - Dashboard en Python

📈 Taller: Creación de Dashboard Interactivo en Python con Datos de Recursos Humanos

🌟 Objetivo:

Aprenderás a construir un dashboard de análisis de Recursos Humanos usando Google Colab y librerías de visualización interactivas como Plotly. Al finalizar, generarás un archivo HTML con todas tus gráficas.

🔹 Instrucciones paso a paso:

1. Sube el archivo RRHH.xlsx a tu entorno de Google Colab.
2. Ejecuta el siguiente bloque para instalar las librerías necesarias:

   !pip install pandas plotly openpyxl seaborn matplotlib

3. Carga el archivo Excel:

   import pandas as pd
   
   df = pd.read_excel("RRHH.xlsx")
   df.head()

4. Limpieza de datos y corrección de tipos:
   • Convertir fechas:

     df["Fecha_Contratacion"] = pd.to_datetime(df["Fecha_Contratacion"], errors='coerce')

   • Reemplazar valores nulos o erróneos:

     # Reemplazar texto "N/A" por NaN
     df.replace("N/A", pd.NA, inplace=True)
     
     # Rellenar valores faltantes en columna 'Genero'
     df["Genero"] = df["Genero"].fillna("No definido")
     
     # Reemplazar valores no numéricos en "Salario"
     df["Salario"] = pd.to_numeric(df["Salario"], errors='coerce')

   • Eliminar filas con campos críticos vacíos:

     df.dropna(subset=["Edad", "Salario", "Departamento"], inplace=True)

   • Convertir tipos de datos explícitamente:

     # Convertir a entero (int)
     df["Antiguedad"] = df["Antiguedad"].astype("Int64")
     
     # Convertir a flotante (float)
     df["Salario"] = df["Salario"].astype(float)
     
     # Convertir a string (objeto textual)
     df["Nombre"] = df["Nombre"].astype(str)

5. Importa plotly y genera las siguientes gráficas:
   • Contrataciones por año:

     import plotly.express as px
     
     df["Año"] = df["Fecha_Contratacion"].dt.year
     contrataciones = df.groupby("Año").size().reset_index(name="Total")
     fig1 = px.line(contrataciones, x="Año", y="Total", title="Contrataciones por Año")
     fig1.show()

   • Top 5 departamentos:

     top_dept = df["Departamento"].value_counts().nlargest(5).reset_index()
     top_dept.columns = ["Departamento", "Total"]
     fig2 = px.bar(top_dept, x="Departamento", y="Total", title="Top 5 Departamentos")
     fig2.show()

   • Distribución por género:

     genero = df["Genero"].value_counts().reset_index()
     genero.columns = ["Genero", "Total"]
     fig3 = px.pie(genero, names="Genero", values="Total", title="Distribución por Género")
     fig3.show()

   • Mapa de calor de edad promedio por departamento y ciudad:

     pivot = df.pivot_table(values="Edad", index="Departamento", columns="Ciudad", aggfunc="mean")
     import seaborn as sns
     import matplotlib.pyplot as plt
     
     plt.figure(figsize=(12, 6))
     sns.heatmap(pivot, annot=True, cmap="YlGnBu")
     plt.title("Edad Promedio por Departamento y Ciudad")
     plt.show()

   • Bubble chart: salario vs edad, tamaño por antigüedad:

     fig5 = px.scatter(df, x="Edad", y="Salario", size="Antiguedad",
                      color="Departamento", hover_name="Nombre",
                      title="Salario vs Edad (Tamaño: Antigüedad)")
     fig5.show()

6. Guardar todas las gráficas como archivo HTML:

   import plotly.io as pio
   pio.write_html(fig1, file="dashboard.html", auto_open=False)

7. Descargar el archivo generado desde el panel izquierdo (Archivos) en Colab.

💻 Código útil para tipos de datos:

• Ver los tipos actuales:

  df.dtypes

• Convertir tipo float a int:

  df["Columna"] = df["Columna"].astype("Int64")

• Convertir tipo int a string:

  df["Columna"] = df["Columna"].astype(str)

• Convertir tipo string a float:

  df["Columna"] = pd.to_numeric(df["Columna"], errors='coerce')

• Convertir tipo string a fecha:

  df["Fecha"] = pd.to_datetime(df["Fecha"], errors='coerce')

🔗 Recursos Recomendados:

• Guía oficial de Plotly Express
• Google Colab

Recuerda: lo importante no es solo el código, sino lo que interpretas de los datos. 🤝