El contenido presentado en este artículo está destinado únicamente para fines académicos. Las opiniones expresadas se basan en mi comprensión e investigación personal. Es importante tener en cuenta que el campo de los grandes datos y los lenguajes de programación discutidos, como Python, R, Power BI, Tableau y SQL, son dinámicos y están en constante evolución. Este artículo tiene como objetivo fomentar el aprendizaje, la exploración y la discusión dentro del campo en lugar de proporcionar respuestas definitivas. Se recomienda la discreción del lector.

Ifood Kaggle Dataset

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

marketing1 = pd.read_csv(r'D:\helen\Documents\PythonScripts\datasets\kaggle\ifood_df.csv')

marketing1.head()

OUTPUT JUPYTER NOTEBOOK

marketing1.shape
OUTPUT
(2205, 39)

marketing1.dtypes

OUTPUT JUPYTER NOTEBOOK

marketing1.columns

OUTPUT JUPYTER NOTEBOOK

#missing values
marketing1.isna()
#which columns
marketing1.isna().any

OUTPUT JUPYTER NOTEBOOK

marketing1.Marital.value_counts()

OUTPUT JUPYTER NOTEBOOK

marketing1.describe()

OUTPUT JUPYTER NOTEBOOK