Tu primer Kaggle Dataset y Python (MLB Databank)

Introducción

Si está pensando en convertirse, o incluso acaba de escuchar el término "Científico de datos", probablemente se haya topado con Kaggle.com, donde hay una cantidad aparentemente interminable de conjuntos de datos que abarcan cientos de categorías y casos de uso. Puede parecer bastante abrumador al principio, pero aquí hay un buen desglose de cómo encontrar un conjunto de datos que le guste, descargarlo e ingerirlo en un cuaderno Jupyter para que pueda divertirse con él.

Navegando Kaggle

Esta será la primera pantalla que verá:

Hay una tonelada aquí. Pero vayamos a la sección correspondiente de este artículo. Vaya al panel derecho y haga clic en "Conjuntos de datos". Esta siguiente pantalla es maravillosa.

Puedes navegar por esto durante horas (así que ten cuidado, jaja). Para este ejemplo quiero que simplemente vayas a este enlace:https://www.kaggle.com/datasets/open-source-sports/baseball-databank

Esto te llevará a esta página:

Acostúmbrese a leer la pestaña Tarjeta de datos solo para familiarizarse con el conjunto de datos general. Después de leer un poco, haga clic en el botón "Descargar" en la parte superior derecha de la pantalla. Esto descargará un archivo zip que contiene todos los archivos del conjunto de datos que componen el banco de datos. Descomprímalos y colóquelos en una carpeta de su elección.

Obtener estos datos en un entorno de cuaderno Jupyter

Si no tiene un entorno de Jupyter Notebook o no tiene idea de lo que estoy hablando, consulte este enlace:https://github.com/ant-vessicchio/learn_data_science_through_sportsy desplácese hacia abajo hasta "Antes de comenzar". (Esta es la página de mi plan de estudios "Learn Data Science Through Sports" alojado en mi GitHub; más sobre eso más adelante).

Una vez que haya configurado un entorno de cuaderno Jupyter, querrá cargar estos archivos.

Navegue hasta la parte superior derecha de su espacio de trabajo de Jupyter y haga clic en cargar. Seleccione todos los archivos de la carpeta descomprimida.

Jugando con los datos en Python

Abra un nuevo cuaderno de Python (archivo .ipynb).

Una vez que tenga un nuevo archivo de cuaderno abierto, querrá ingerir los csv en su entorno de Python. Comience con la tabla maestra.

import pandas as pd
master_table = pd.read_csv("Master.csv")
master_table.head() #By default shows the top 5 records in the dataframe

      
                

                    
                    
                
            

¿Qué podemos hacer con este conjunto de datos?

Siga junto con este cuaderno completo: Exploración del banco de datos de béisbol para ver un resumen de algunas de las cosas que puede hacer, incluidos valiosos consejos y habilidades que puede usar como científico de datos.

Este cuaderno es parte de mi plan de estudios completo "Aprender ciencia de datos a través del deporte" disponible de forma gratuita en mi GitHub . Te animo a que me sigas mientras agrego más contenido. Y si este ejemplo es demasiado avanzado o desea refrescar algunas habilidades básicas de Python, ¡comience el curso desde el principio!

¡Gracias por leer y espero que hayan disfrutado!