Análisis de datos
Aquí describimos las características personales y laborales de los docentes, y evaluamos la asociación de dichas características con la presencia de entrenamiento en bioética. La base de datos usada se muestra abajo.
# Librerías y configuraciones globales
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import scipy# Datos
df = pd.read_excel('Docentes_Datos.xlsx', engine='openpyxl')
# Ajustes de niveles de categorías
df = df.astype({'grado':'category','no_formal':'category','formal':'category'})
df['grado'].cat.reorder_categories(['Licenciatura','Grado Profesional','Especialización','Maestría'], ordered=True, inplace=True)
df['no_formal'].cat.reorder_categories(['No','Cursos cortos','Capacitación','Diplomado'], ordered=True, inplace=True)
df['formal'].cat.reorder_categories(['No','Especialización','Maestría'], ordered=True, inplace=True)
df['carrera'].replace({'Fisioterapia y Kinesiología':'Fisioterapia'}, inplace=True)
df['facultad'].replace({'Facultad de Medicina':'Medicina','Facultad de Ciencias de la Salud':'Ciencias de la Salud'}, inplace=True)
# Información sobre el conjunto de datos
df.info()
# Núm. docentes y de variables## <class 'pandas.core.frame.DataFrame'>
## RangeIndex: 105 entries, 0 to 104
## Data columns (total 9 columns):
## # Column Non-Null Count Dtype
## --- ------ -------------- -----
## 0 edad 105 non-null int64
## 1 sexo 105 non-null object
## 2 grado 105 non-null category
## 3 facultad 105 non-null object
## 4 carrera 105 non-null object
## 5 experiencia 105 non-null int64
## 6 entrenamiento 105 non-null object
## 7 no_formal 105 non-null category
## 8 formal 105 non-null category
## dtypes: category(3), int64(2), object(4)
## memory usage: 5.8+ KB## (105, 9)