Taller: Storytelling con el Mercado de Analistas de Datos

Taller en Google Colab: Storytelling con el Mercado de Analistas de Datos

Objetivo: Analizar el dataset de Kaggle sobre ofertas laborales para analistas de datos y construir una historia visual con hallazgos clave.

📊 Paso Extra: Extraer datos con operaciones de cadena

Alex quiere ahora separar rangos de empleados como "201 to 500 employees" usando solo operaciones de cadena como split. Esto lo ayudará a limpiar datos sin depender de regex.

import pandas as pd

# Simulación de columna Size
sizes = [
    '201 to 500 employees',
    '10000+ employees',
    '1001 to 5000 employees',
    '51 to 200 employees',
    '10000+ employees',
    '-1',
    '501 to 1000 employees'
]

df = pd.DataFrame({'Size': sizes})

def procesar_size(valor):
    if 'to' in valor:
        partes = valor.split(' to ')
        min_emp = partes[0].strip()
        max_emp = partes[1].split(' ')[0].strip()
        return min_emp, max_emp
    elif '+' in valor:
        min_emp = valor.split('+')[0].strip()
        return min_emp, None
    else:
        return None, None

# Aplicar función al DataFrame
df[['Min_emp', 'Max_emp']] = df['Size'].apply(lambda x: pd.Series(procesar_size(x)))

# Mostrar resultado
print(df)

🔧 Paso Extra: Otras funciones útiles de cadena en pandas

Además de split, Alex explora otras funciones de cadenas como str.contains, str.replace, str.upper y str.strip para limpiar y transformar datos.

# Filtrar filas que contienen la palabra "employees"
df_filtrado = df[df['Size'].str.contains('employees', na=False)]

# Reemplazar "employees" por vacío y convertir a mayúsculas
df['Size_clean'] = df['Size'].str.replace(' employees', '', regex=False).str.upper()

# Eliminar espacios extra al inicio/final
df['Size_clean'] = df['Size_clean'].str.strip()

# Mostrar resultados transformados
print(df[['Size', 'Size_clean']])