Histograma: la forma de una variable

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

entregas = pd.DataFrame({"minutos": [18, 20, 21, 22, 23, 24, 24, 25, 25, 26,
                                     27, 28, 29, 30, 31, 32, 33, 35, 39, 47]})

media = entregas["minutos"].mean()

# Los bordes se declaran a mano: de 15 a 50 cada 5 minutos. Con bins=7 el
# resultado se parece, pero los cortes caen en numeros que no significan nada
# y el grafico deja de poder describirse con palabras.
bordes = np.arange(15, 55, 5)

fig, ax = plt.subplots()
ax.hist(entregas["minutos"], bins=bordes, color="teal", edgecolor="white")
ax.axvline(media, color="red", linestyle="--",
           label=f"Media = {media:.1f} min")
ax.set_title("La mitad de los pedidos sale entre 20 y 30 minutos")
ax.set_xlabel("Minutos de preparacion")
ax.set_ylabel("Cantidad de pedidos")
ax.set_xticks(bordes)
ax.legend()
fig.tight_layout()
plt.show()

conteo, _ = np.histogram(entregas["minutos"], bins=bordes)
for desde, cantidad in zip(bordes[:-1], conteo):
    print(f"  {desde:>2} a {desde + 5:>2} min: {cantidad}")
print()
print("media:", round(media, 2), " mediana:", entregas["minutos"].median())
print("La media es mayor que la mediana: la cola de la derecha la empuja.")
print("Los dos pedidos de 39 y 47 minutos no son errores; son los que hay")
print("que mirar.")

import pandas as pd
import matplotlib.pyplot as plt

notas = pd.read_csv("estudiantes_notas.csv")
segunda = pd.to_numeric(notas["nota_2"], errors="coerce")

fig, ax = plt.subplots()
ax.hist(segunda, bins=10, edgecolor="white")
ax.set_title("Distribucion de la nota 2")
ax.set_xlabel("Nota")
ax.set_ylabel("Alumnos")
fig.tight_layout()
plt.show()

print("cantidad de notas:", int(segunda.notna().sum()))
print("minimo:", segunda.min(), " maximo:", segunda.max())
print("media:", round(segunda.mean(), 2),
      " mediana:", segunda.median())
print()
print("notas fuera del rango 0 a 10:")
print(notas.loc[segunda > 10, ["legajo", "estudiante", "nota_2"]]
      .to_string(index=False))
print()
print("bins=10 reparte el rango observado en diez intervalos iguales. Con un")
print("maximo de 99, cada intervalo mide casi diez puntos, asi que las 39")
print("notas reales caen todas en el primero.")
print("La media tampoco sirve:", round(segunda.mean(), 2),
      "con el 99 y", round(segunda[segunda <= 10].mean(), 2), "sin el.")

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

notas = pd.read_csv("estudiantes_notas.csv")
segunda = pd.to_numeric(notas["nota_2"], errors="coerce")

# La nota vive en 0 a 10 por definicion del dominio, no porque lo diga el
# archivo. Lo que queda afuera se descarta y se informa.
valida = segunda[segunda.between(0, 10)]
print("descartadas:", int(segunda.notna().sum() - len(valida)))

fig, axes = plt.subplots(1, 3, figsize=(7.2, 3.0), sharey=True)
for eje, cantidad in zip(axes, [4, 10, 25]):
    eje.hist(valida, bins=np.linspace(0, 10, cantidad + 1),
             color="teal", edgecolor="white")
    eje.set_title(f"{cantidad} intervalos")
    eje.set_xlabel("Nota")
axes[0].set_ylabel("Alumnos")
fig.suptitle("Los mismos 39 alumnos")
fig.tight_layout()
plt.show()

print()
for cantidad in [4, 10, 25]:
    conteo, bordes = np.histogram(valida, bins=np.linspace(0, 10, cantidad + 1))
    print(f"{cantidad:>2} intervalos, ancho {bordes[1] - bordes[0]:.1f}:",
          conteo.tolist())
print()
print("Con 4 intervalos quedan dos barras iguales de 15 y no se puede")
print("decir si la clase se concentra abajo o arriba del 5.")
print("Con 25 casi todos los intervalos tienen cero o un alumno: eso es ruido,")
print("porque hay 39 datos y no alcanzan para 25 tramos.")
print("La cantidad de intervalos es una decision y se declara.")

import pandas as pd
import matplotlib.pyplot as plt

notas = pd.read_csv("estudiantes_notas.csv")
columnas = ["nota_1", "nota_2", "nota_3"]

limpias = {}
for columna in columnas:
    valor = pd.to_numeric(notas[columna], errors="coerce")
    limpias[columna] = valor[valor.between(0, 10)]
    print(f"{columna}: {len(limpias[columna])} validas de {len(notas)}")

colores = ["lightblue", "lightgreen", "lightsalmon"]

fig, axes = plt.subplots(1, 2, figsize=(7.2, 3.4))

cajas = axes[0].boxplot([limpias[c] for c in columnas],
                        tick_labels=columnas, patch_artist=True)
for caja, color in zip(cajas["boxes"], colores):
    caja.set_facecolor(color)
axes[0].set_title("Cajas")
axes[0].set_ylabel("Nota")

for columna, color in zip(columnas, colores):
    axes[1].hist(limpias[columna], bins=10, range=(0, 10), alpha=0.5,
                 color=color, label=columna)
axes[1].set_title("Histogramas superpuestos")
axes[1].set_xlabel("Nota")
axes[1].set_ylabel("Alumnos")
axes[1].legend()

fig.tight_layout()
plt.show()

print()
resumen = pd.DataFrame({
    "n": {c: len(limpias[c]) for c in columnas},
    "media": {c: round(limpias[c].mean(), 2) for c in columnas},
    "mediana": {c: limpias[c].median() for c in columnas},
    "desvio": {c: round(limpias[c].std(), 2) for c in columnas},
})
print(resumen.to_string())
print()
print("La caja resume: mediana, mitad central y extremos. Sirve para comparar")
print("tres grupos de un vistazo y esconde si hay dos grupos separados.")
print("El histograma muestra la forma y con tres superpuestos ya cuesta leer.")