https://github.com/laipching/sprint6_module1
Exploratory Data Analysis with Python (Pandas/Matplotlib/Seaborn). Business questions, metrics and clear visualizations.
https://github.com/laipching/sprint6_module1
data-visualization eda matplotlib numpy pandas python seaborn
Last synced: about 2 months ago
JSON representation
Exploratory Data Analysis with Python (Pandas/Matplotlib/Seaborn). Business questions, metrics and clear visualizations.
- Host: GitHub
- URL: https://github.com/laipching/sprint6_module1
- Owner: laipching
- Created: 2025-09-11T07:27:37.000Z (10 months ago)
- Default Branch: main
- Last Pushed: 2025-09-11T07:38:50.000Z (10 months ago)
- Last Synced: 2025-10-19T19:50:54.949Z (8 months ago)
- Topics: data-visualization, eda, matplotlib, numpy, pandas, python, seaborn
- Language: Jupyter Notebook
- Homepage:
- Size: 162 KB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 📊 Proyecto Sprint 6 – Módulo 1 (TripleTen)
## 📌 Descripción / Description
**Español:**
Este proyecto corresponde al **Sprint 6 (Proyecto del Módulo 1)** del Bootcamp de Data Analysis en TripleTen.
El objetivo fue aplicar habilidades integradas en **Python, análisis exploratorio de datos y visualización**, trabajando con datasets reales para responder preguntas de negocio.
**English:**
This project corresponds to **Sprint 6 (Module 1 Project)** from the Data Analysis Bootcamp at TripleTen.
The goal was to apply integrated skills in **Python, exploratory data analysis, and visualization**, working with real datasets to answer business questions.
---
## 🎯 Objetivos / Objectives
- Limpieza y preparación de datos.
- Análisis exploratorio (EDA).
- Creación de métricas descriptivas.
- Visualización de resultados para facilitar la toma de decisiones.
---
## 🛠️ Tecnologías / Tools
- Python (Pandas, NumPy, Matplotlib, Seaborn)
- Jupyter Notebook
---
## 📊 Resultados / Results
**Español:**
- Se identificaron patrones clave en los datos (ejemplo: distribución de usuarios, outliers en consumo).
- Se generaron métricas descriptivas que permiten comprender mejor el comportamiento de los datos.
- Se aplicaron visualizaciones efectivas para comunicar los hallazgos.
**English:**
- Key patterns in the dataset were identified (e.g., user distribution, consumption outliers).
- Descriptive metrics were generated to better understand data behavior.
- Effective visualizations were applied to communicate findings.
---
## 📑 Feedback del Revisor / Reviewer Feedback
**Español:**
- ✅ Buen uso de librerías de análisis y visualización.
- ⚠️ Se recomendó optimizar algunos fragmentos de código para mayor eficiencia y claridad.
- ✔️ Se aplicaron correcciones y mejoras en el notebook final.
**English:**
- ✅ Good use of analysis and visualization libraries.
- ⚠️ Suggested to optimize parts of the code for better efficiency and readability.
- ✔️ Corrections and improvements were applied in the final notebook.
---
✍️ *Autor / Author:* Lai Yi Peña Ching