El análisis exploratorio de datos (EDA) es el paso que se hace antes de modelar: consiste en conocer los datos a fondo para entender su estructura, detectar problemas y descubrir patrones. Hacerlo bien es lo que separa a un analista junior de uno senior, porque define la calidad de todo lo que viene después.

Muchos bootcamps mencionan el EDA, pero pocos lo profundizan. Y sin embargo, es una de las habilidades que más se piden en entrevistas técnicas de Data. En esta guía vas a ver qué es el EDA, cómo hacerlo en Python con pandas, matplotlib y seaborn, los errores más comunes de juniors y cómo presentar tus hallazgos al área de negocio.

Qué es el EDA y por qué se hace antes de modelar

El EDA es el proceso de examinar un dataset para entenderlo antes de construir cualquier modelo. Su objetivo es responder preguntas básicas pero cruciales: ¿qué variables tengo?, ¿hay valores faltantes o atípicos?, ¿cómo se distribuyen los datos?, ¿qué relaciones existen entre variables?

Saltarse este paso es la receta del fracaso: un modelo entrenado sobre datos que no entendés hereda todos sus problemas. El EDA es también donde nacen las mejores ideas, porque al explorar descubrís patrones que orientan el análisis. Si querés ubicar el EDA dentro del rol completo, este artículo sobre qué es Data Science y qué hace un Data Scientist te da el contexto.

Cómo hacer un EDA en Python paso a paso

1. Cargar y mirar los datos

import pandas as pd

df = pd.read_csv("datos.csv")
df.head()          # primeras filas
df.info()          # tipos y valores no nulos
df.describe()      # estadísticas de las variables numéricas

import pandas as pd

df = pd.read_csv("datos.csv")
df.head()          # primeras filas
df.info()          # tipos y valores no nulos
df.describe()      # estadísticas de las variables numéricas

import pandas as pd

df = pd.read_csv("datos.csv")
df.head()          # primeras filas
df.info()          # tipos y valores no nulos
df.describe()      # estadísticas de las variables numéricas

import pandas as pd

df = pd.read_csv("datos.csv")
df.head()          # primeras filas
df.info()          # tipos y valores no nulos
df.describe()      # estadísticas de las variables numéricas

Este primer vistazo te dice cuántas filas y columnas tenés, qué tipo de dato es cada una y dónde hay valores faltantes.

2. Revisar calidad: nulos y duplicados

df.isnull().sum()      # cuántos nulos por columna
df.duplicated().sum()  # filas duplicadas

df.isnull().sum()      # cuántos nulos por columna
df.duplicated().sum()  # filas duplicadas

df.isnull().sum()      # cuántos nulos por columna
df.duplicated().sum()  # filas duplicadas

df.isnull().sum()      # cuántos nulos por columna
df.duplicated().sum()  # filas duplicadas

Detectar problemas temprano evita sorpresas más adelante. Decidí cómo tratar los nulos según el contexto: eliminarlos, imputarlos o dejarlos.

3. Visualizar distribuciones y relaciones

import matplotlib.pyplot as plt
import seaborn as sns

sns.histplot(df["edad"])           # distribución de una variable
sns.boxplot(x=df["ingresos"])      # detectar valores atípicos
sns.heatmap(df.corr(), annot=True) # correlaciones entre variables
plt.show()

import matplotlib.pyplot as plt
import seaborn as sns

sns.histplot(df["edad"])           # distribución de una variable
sns.boxplot(x=df["ingresos"])      # detectar valores atípicos
sns.heatmap(df.corr(), annot=True) # correlaciones entre variables
plt.show()

import matplotlib.pyplot as plt
import seaborn as sns

sns.histplot(df["edad"])           # distribución de una variable
sns.boxplot(x=df["ingresos"])      # detectar valores atípicos
sns.heatmap(df.corr(), annot=True) # correlaciones entre variables
plt.show()

import matplotlib.pyplot as plt
import seaborn as sns

sns.histplot(df["edad"])           # distribución de una variable
sns.boxplot(x=df["ingresos"])      # detectar valores atípicos
sns.heatmap(df.corr(), annot=True) # correlaciones entre variables
plt.show()

Las visualizaciones revelan lo que las tablas esconden: sesgos, outliers y relaciones entre variables que definen tu estrategia de modelado.

Errores comunes de juniors (y cómo evitarlos)

• Ir directo a modelar: sin explorar, arrastrás errores invisibles. El EDA siempre va primero.

• Ignorar los valores atípicos: pueden ser errores de carga o información valiosa; hay que investigarlos, no borrarlos sin pensar.

• No documentar hallazgos: un EDA que no se comunica pierde la mitad de su valor.

• Confundir correlación con causalidad: que dos variables se muevan juntas no significa que una cause la otra.

La documentación oficial de pandas y las guías de la comunidad de Kaggle son excelentes para practicar con datasets reales.

Cómo presentar tus hallazgos al negocio

El EDA no termina en el código: termina en una conclusión que alguien pueda usar. Traducí los hallazgos técnicos a lenguaje de negocio, priorizá las 3 o 4 conclusiones más relevantes, acompañalas con visualizaciones claras y cerrá siempre con una recomendación. Esa capacidad de comunicar es, muchas veces, lo que define un perfil senior.

Cursos recomendados de Coderhouse

Para dominar el análisis de datos con Python:

• El Curso de Introducción a la Inteligencia Artificial te da las bases para entender datos y modelos.

• El Curso de AI Engineering profundiza en el trabajo técnico con datos.

• La Carrera de Desarrollo Backend refuerza tus fundamentos de programación en Python.

Practicá el EDA con datasets reales y sumá una de las habilidades más pedidas en entrevistas de Data.

Preguntas frecuentes

¿Qué es exactamente el análisis exploratorio de datos?

Es el proceso de examinar un dataset antes de modelar para entender su estructura, detectar problemas de calidad y descubrir patrones y relaciones entre variables. Es la base de cualquier proyecto de datos serio.

¿Qué librerías de Python se usan para hacer EDA?

Las más comunes son pandas para manipular datos, y matplotlib y seaborn para visualizar. Con estas tres cubrís la mayoría de las tareas de un EDA estándar.

¿Por qué el EDA diferencia a un analista junior de uno senior?

Porque un senior no solo corre el código: interpreta los resultados, detecta lo que no es obvio, evita conclusiones apresuradas y comunica hallazgos accionables al negocio. Esa mirada crítica se construye con práctica.

¿Cuánto tiempo lleva un buen EDA?

Depende del dataset, pero conviene no apurarlo: es una inversión que ahorra problemas después. En proyectos reales, el EDA y la limpieza suelen ocupar buena parte del tiempo total de trabajo.