100 Días de Código en Python — Día 99: Proyecto de portafolio — Análisis de las misiones espaciales (1957–2020)

📝 Contenido original del curso#

Aprendiste todos los aspectos centrales de la exploración, limpieza y visualización de datos. Descarga, descomprime y abre el cuaderno incluido en la tarea.

Encontrarás un conjunto de datos muy rico, obtenido de nextspaceflight.com, con todas las misiones espaciales desde el inicio de la carrera espacial entre Estados Unidos y la Unión Soviética en 1957. Tiene datos del estado de la misión (éxito/fracaso), el costo, el número de lanzamientos por país y mucho más. Por ejemplo:

• ¿Quién lanzó más misiones en un año dado?
• ¿Cómo ha variado el costo de una misión con el tiempo?
• ¿Qué meses son los más populares para lanzar?
• ¿Las misiones se han vuelto más seguras o la probabilidad de fracaso sigue igual?

Seguro descubrirás muchas más preguntas. Úsalo para practicar los tipos de gráficos que aprendiste, desde mapas coropléticos hasta gráficos de rayos de sol (sunburst) y barras segmentadas, y trata de convertir los datos en conocimiento (insight).

El cuaderno empieza instalando iso3166 (códigos de países) y actualizando plotly (en Google Colab), importa numpy, pandas, plotly express, matplotlib, seaborn, iso3166.countries y datetime, configura pd.options.display.float_format y carga mission_launches.csv.

Pregunta de la tarea — Momento de reflexión: cómo abordaste el proyecto; qué fue difícil y qué fácil; cómo mejorarías; tu mayor aprendizaje; qué harías distinto.

Prerequisitos: pandas: exploración, limpieza, groupby, fechas y remuestreo (Días 72, 74 y 75); matplotlib (Días 73 y 75); plotly, incluidos sunburst y coropléticos (Días 76 y 79); seaborn (Día 78); el análisis de los Premios Nobel (Día 79), muy parecido a este.

📝 Preguntas originales del cuaderno#

¿Qué forma tiene df_data? ¿Cuántas filas y columnas? ¿Cuáles son los nombres de las columnas? ¿Hay valores NaN o duplicados? Considera eliminar las columnas con datos basura. Estadísticas descriptivas.

Lo que encontrarás (verificado)#

🔎 Ejemplo explicado (limpieza base)#

df = pd.read_csv("mission_launches.csv")
df = df.drop(columns=["Unnamed: 0.1", "Unnamed: 0"])
df["Price"] = pd.to_numeric(df["Price"].str.replace(",", ""), errors="coerce")
df["Fecha"] = pd.to_datetime(df["Date"], format="mixed", utc=True)

• str.replace(",", "") quita la coma de miles: "5,000.0" → "5000.0".
• pd.to_numeric(..., errors="coerce"): lo que no se pueda convertir queda como NaN en lugar de detener el programa.
• format="mixed" le dice a pandas que las fechas pueden venir en formatos distintos (verificado: todas se convierten). utc=True las marca como hora UTC (la zona que indica el texto).
• Alternativa más estricta: convertir primero con el formato exacto "%a %b %d, %Y %H:%M UTC" y, a las que fallen, aplicar "%a %b %d, %Y". Más código, pero sabes exactamente qué pasa con cada fila. Compara ambas.

⚠️ Errores frecuentes#

📝 Instrucciones originales del cuaderno#

Crea un mapa coroplético (documentación de plotly) y experimenta con sus escalas de color (a la instructora le gusta matter). Tendrás que extraer una característica country y cambiar los nombres de países que ya no existen. Se necesita el código de país de 3 letras. Correcciones:

• Russia → Russian Federation
• New Mexico → USA
• Yellow Sea → China
• Shahrud Missile Test Site → Iran
• Pacific Missile Range Facility → USA
• Barents Sea → Russian Federation
• Gran Canaria → USA

Puedes usar el paquete iso3166 para convertir los nombres al formato Alpha3.

🔎 Cómo hacerlo#

El país es el último elemento de Location: "LC-39A, Kennedy Space Center, Florida, USA" → "USA".

df["Pais"] = df["Location"].str.split(", ").str[-1]
df["Pais"] = df["Pais"].replace(CORRECCIONES)     # diccionario con la lista del cuaderno

Luego, countries.get(nombre).alpha3 da el código. Pero (verificado) con la lista del cuaderno aplicada, iso3166 lanza KeyError con 4 nombres:

Tu turno: amplía el diccionario de correcciones y escribe una función que convierta el nombre a código y, si no puede, informe qué nombre falló (en lugar de detener el programa).

🔍 Analiza una decisión del curso: el cuaderno asigna Gran Canaria a "USA" (eran lanzamientos de un cohete de una empresa estadounidense desde un avión), aunque geográficamente es España; y reparte la URSS entre Rusia y Kazajistán según el sitio actual de lanzamiento. ¿Estás de acuerdo? ¿Cambia tus conclusiones? Escríbelo.

Problema#

Analizar el conjunto de datos de misiones espaciales y convertirlo en conocimiento.

Contexto#

La clase de ciencias sociales estudia la Guerra Fría y la de física, el movimiento de proyectiles y satélites. Tu análisis será material para ambas.

Objetivo#

El cuaderno completo, con cada pregunta respondida por una tabla, un gráfico y una conclusión según la plantilla de la sección 6.

Requisitos funcionales#

1. Exploración y limpieza documentadas (qué cambiaste y por qué).
2. Las 21 preguntas de la sección 5 respondidas (o al menos 15, acordado con el docente).
3. Al menos 2 preguntas propias con su análisis.
4. Un resumen final de 5 hallazgos principales.

Restricciones técnicas#

• No rellenar precios faltantes con 0.
• Tipos de gráfico variados: coroplético, sunburst, líneas, barras, histograma.
• Todos los gráficos con título, ejes con nombre y unidades.

Planificación#

1. Leer el cuaderno completo. 2. Explorar (sección 3). 3. Limpiar. 4. Para cada pregunta: tabla → gráfico → conclusión. 5. Revisar los valores de control. 6. Preguntas propias. 7. Resumen. 8. Revisión por un compañero. 9. Corregir. 10. Publicar.

Construcción por etapas#

• Etapa 1 — Exploración y limpieza (sección 3), comprobando los valores de control 1 a 4.
• Etapa 2 — Países y mapas (preguntas 5 a 7).
• Etapa 3 — Dinero (8, 9 y 13), con la advertencia de los datos faltantes.
• Etapa 4 — Tiempo (10 a 12), con media móvil y la advertencia de 2020.
• Etapa 5 — Guerra Fría y competencia (14 a 21).
• Etapa final — Preguntas propias y resumen.

Pruebas (comprobaciones del análisis)#

assert len(df) == 4324
assert "Unnamed: 0" not in df.columns              # columnas basura eliminadas
assert df["Price"].notna().sum() == 964
assert df["Fecha"].isna().sum() == 0
assert df["Fecha"].dt.year.value_counts().idxmax() == 1971

🧪 Prueba y depuración#

df["Price"] = df["Price"].fillna(0).astype(float)
promedio = df.groupby("Organisation")["Price"].mean()
df["Pais"] = df["Location"].str.split(",")[-1]

Encuentra tres problemas: rellenar con 0 y luego astype(float) falla con "5,000.0" (y, si funcionara, los ceros bajarían los promedios); str.split(",")[-1] toma la última fila, no el último elemento de cada texto (falta .str[-1]); y separar por "," sin el espacio deja un espacio al inicio del país (" USA").

⭐ Extensión del proyecto#

• 🟢 Reto 1 — Aplicación: gráfico de barras segmentadas (apiladas) del estado de las misiones por década.
• 🟡 Reto 2 — Ampliación: usa la columna Detail ("Falcon 9 Block 5 | Starlink...") para extraer el cohete y analizar cuáles son los más usados y los más confiables.
• 🟠 Reto 3 — Desafío: tasa de éxito de los primeros 10 lanzamientos de cada organización frente a los siguientes: ¿las organizaciones aprenden?
• 🔴 Reto 4 — Pensamiento computacional: diseña un indicador de "confiabilidad" de un cohete que no premie injustamente a uno con 2 lanzamientos exitosos (100 %) frente a uno con 300 lanzamientos y 97 % de éxito. Justifica tu fórmula y aplícala.

Situación#

El conjunto de datos solo registra lanzamientos, y ningún país latinoamericano aparece como sitio de lanzamiento salvo Brasil (con 3 intentos). Pero la región sí tiene satélites, lanzados desde otros países (por ejemplo, el nanosatélite colombiano Libertad 1, de 2007).

Requisitos#

1. Investiga en fuentes confiables (agencias espaciales, universidades) los satélites de 3 países latinoamericanos, incluido Colombia: nombre, año, propósito, cohete y país de lanzamiento.
2. Crea tu propio CSV con esa información (con una columna de fuente por fila).
3. Busca si alguno de esos lanzamientos está en mission_launches.csv (pista: busca el nombre del satélite en la columna Detail) y explica por qué algunos no aparecen.

Decisiones que debes tomar (y justificar)#

• ¿Qué haces si dos fuentes dan fechas distintas?
• ¿Cómo presentas pocos datos sin que el gráfico engañe?

Casos de prueba#

• Cada fila de tu CSV tiene una fuente.
• La búsqueda en Detail no distingue mayúsculas y minúsculas.

Conceptuales#

1. ¿Por qué no se deben rellenar con 0 los precios faltantes?
2. ¿Qué diferencia hay entre contar fracasos y calcular el porcentaje de fracasos por año?
3. ¿Por qué la "caída" de 2020 no es real?
4. ¿Qué es un mapa coroplético y qué necesita plotly para dibujarlo?

Análisis de código#

df["Location"].str.split(", ").str[-1]

¿Qué devuelve para "Site 9401 (SLS-2), Jiuquan Satellite Launch Center, China"?

Predicción#

Con los datos limpios, ¿qué devuelve df["Price"].isna().mean() aproximadamente? (Pista: 964 de 4324 tienen precio.)

Depuración#

"Mi mapa coroplético no muestra Irán ni las Coreas." ¿Qué paso de la sección 4 falta?

Modificación#

Cambia el análisis de meses para calcular el porcentaje de lanzamientos de cada mes en lugar del total.

Creación#

Escribe decada(fecha) que devuelva "1950s", "1960s", … y úsala para agrupar los lanzamientos por década.