https://github.com/tomaslopera/hackathon_isa
https://github.com/tomaslopera/hackathon_isa
data-visualization exploratory-data-analysis matplotlib pandas seaborn
Last synced: about 1 year ago
JSON representation
- Host: GitHub
- URL: https://github.com/tomaslopera/hackathon_isa
- Owner: Tomaslopera
- Created: 2025-04-01T02:16:22.000Z (about 1 year ago)
- Default Branch: main
- Last Pushed: 2025-04-01T02:40:24.000Z (about 1 year ago)
- Last Synced: 2025-04-01T03:26:24.146Z (about 1 year ago)
- Topics: data-visualization, exploratory-data-analysis, matplotlib, pandas, seaborn
- Language: Jupyter Notebook
- Homepage:
- Size: 44.8 MB
- Stars: 0
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Hackathon ISA 2024 - Analítica de Negocios
**Fecha:** 10 de mayo 2024
## Descripción del Proyecto
Este repositorio contiene la solución presentada en la Hackathon de ISA en 2024, donde el reto consistió en analizar datos de intervenciones realizadas en torres eléctricas y proponer mejoras para optimizar el mantenimiento en todo el país.
## Objetivos
- Realizar un análisis exploratorio de los datos proporcionados.
- Identificar patrones y tendencias en las intervenciones.
- Proponer estrategias basadas en datos para mejorar la eficiencia del mantenimiento.
## Herramientas Utilizadas
- **Excel**: Exploración inicial.
- **Python**: Exploración, limpieza, análisis y visualización de datos con Pandas, Matplotlib y Seaborn.
## Cómo Ejecutar el Proyecto
1. Clonar este repositorio:
```bash
git clone https://github.com/Tomaslopera/Hackathon_ISA.git
```
2. Instalar las dependencias:
```bash
pip install pandas matplotlib seaborn
```
## Estructura del Código
Este repositorio contiene dos versiones del análisis:
- **Original** (`main`): Refleja exactamente la solución presentada en la hackathon.
- **Mejorada** (`improved_analysis`): Basada en conocimientos adquiridos posteriormente, con una metodología más robusta.
Esto permite mantener la transparencia sobre la solución inicial mientras se demuestra la evolución en el análisis de datos.