ejercicios_matplotlib_01.ipynb

{
  "cells": [
    {
      "cell_type": "markdown",
      "metadata": {
        "id": "view-in-github",
        "colab_type": "text"
      },
      "source": [
        "<a href=\"https://colab.research.google.com/github/rubuntu/uaa-417-sistemas-de-gestion-de-bases-de-datos-avanzados/blob/main/ejercicios_matplotlib_01.ipynb\" target=\"_parent\"><img src=\"https://colab.research.google.com/assets/colab-badge.svg\" alt=\"Open In Colab\"/></a>"
      ]
    },
    {
      "cell_type": "markdown",
      "id": "ef0e1145",
      "metadata": {
        "id": "ef0e1145"
      },
      "source": [
        "**Ejercicios básicos e intermedios de matplotlib con los datos de muestra de Google Colab**\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 1:**\n",
        "\n",
        "Cargar el archivo `california_housing_train.csv` y crear un gráfico de dispersión (scatter plot) de `median_income` vs. `median_house_value`.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 2:**\n",
        "\n",
        "Usando el mismo conjunto de datos, crear un histograma de la columna `median_house_value` con 50 bins y agregarle títulos y etiquetas a los ejes.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 3:**\n",
        "\n",
        "Generar un gráfico de barras que muestre el número de casas (`households`) en cada rango de edad (`housing_median_age`), agrupando las edades en bins de 5 años.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 4:**\n",
        "\n",
        "Crear un mapa de calor (heatmap) que muestre la correlación entre las variables numéricas del DataFrame `california_housing_train.csv`.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 5:**\n",
        "\n",
        "Usar el archivo `mnist_train_small.csv` para mostrar la imagen del dígito en la primera fila, convirtiendo los valores de los píxeles en una matriz de 28x28 y visualizándola con `imshow`.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 6:**\n",
        "\n",
        "Crear subplots que muestren imágenes de los dígitos del 0 al 9, seleccionando una muestra de cada uno del conjunto de datos `mnist_train_small.csv`.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 7:**\n",
        "\n",
        "Cargar los datos de `anscombe.json` y crear gráficos de dispersión para cada uno de los cuatro conjuntos de datos de Anscombe, incluyendo la línea de regresión en cada gráfico.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 8:**\n",
        "\n",
        "Usando `california_housing_train.csv`, crear un boxplot de `median_house_value` para diferentes categorías de `ocean_proximity` (nota: si esta columna no existe, crear categorías basadas en la ubicación geográfica).\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 9:**\n",
        "\n",
        "Crear una gráfica de líneas que muestre la tendencia de `median_house_value` en función de la `latitude`, ordenando los datos por `latitude`.\n",
        "\n",
        "---\n",
        "\n",
        "**Ejercicio 10:**\n",
        "\n",
        "Generar un gráfico de pastel (pie chart) que muestre la proporción de viviendas en diferentes rangos de `median_income`, por ejemplo: bajos ingresos (<2), ingresos medios (2-5), ingresos altos (>5).\n",
        "\n",
        "---\n",
        "\n",
        "Estos ejercicios te ayudarán a practicar la visualización de datos utilizando matplotlib y a interpretar diferentes tipos de gráficos basados en conjuntos de datos reales disponibles en Google Colab."
      ]
    }
  ],
  "metadata": {
    "jupytext": {
      "cell_metadata_filter": "-all",
      "main_language": "python",
      "notebook_metadata_filter": "-all"
    },
    "colab": {
      "provenance": [],
      "include_colab_link": true
    }
  },
  "nbformat": 4,
  "nbformat_minor": 5
}