Skip to content
data = {
    1: {'Sexo': 'M', 'Edad': 32, 'Profesion': 'Ingeniero', 'Antiguedad': 4, 'Satisfaccion Laboral': 8},
    2: {'Sexo': 'F', 'Edad': 45, 'Profesion': 'Abogado', 'Antiguedad': 12, 'Satisfaccion Laboral': 6},
    3: {'Sexo': 'M', 'Edad': 27, 'Profesion': 'Programador', 'Antiguedad': 2, 'Satisfaccion Laboral': 9},
    4: {'Sexo': 'F', 'Edad': 36, 'Profesion': 'Profesora', 'Antiguedad': 8, 'Satisfaccion Laboral': 7},
    5: {'Sexo': 'M', 'Edad': 41, 'Profesion': 'Médico', 'Antiguedad': 10, 'Satisfaccion Laboral': 6},
    6: {'Sexo': 'F', 'Edad': 28, 'Profesion': 'Diseñadora', 'Antiguedad': 3, 'Satisfaccion Laboral': 9},
    7: {'Sexo': 'M', 'Edad': 37, 'Profesion': 'Consultor', 'Antiguedad': 6, 'Satisfaccion Laboral': 8},
    8: {'Sexo': 'F', 'Edad': 29, 'Profesion': 'Ingeniera', 'Antiguedad': 1, 'Satisfaccion Laboral': 9},
    9: {'Sexo': 'M', 'Edad': 33, 'Profesion': 'Abogado', 'Antiguedad': 5, 'Satisfaccion Laboral': 7},
    10: {'Sexo': 'F', 'Edad': 31, 'Profesion': 'Contadora', 'Antiguedad': 7, 'Satisfaccion Laboral': 6},
    11: {'Sexo': 'M', 'Edad': 39, 'Profesion': 'Ingeniero', 'Antiguedad': 9, 'Satisfaccion Laboral': 8},
    12: {'Sexo': 'F', 'Edad': 44, 'Profesion': 'Médico', 'Antiguedad': 11, 'Satisfaccion Laboral': 6},
    13: {'Sexo': 'M', 'Edad': 25, 'Profesion': 'Programador', 'Antiguedad': 2, 'Satisfaccion Laboral': 9},
    14: {'Sexo': 'F', 'Edad': 35, 'Profesion': 'Diseñadora', 'Antiguedad': 6, 'Satisfaccion Laboral': 7},
    15: {'Sexo': 'M', 'Edad': 40, 'Profesion': 'Consultor', 'Antiguedad': 8, 'Satisfaccion Laboral': 6},
    16: {'Sexo': 'F', 'Edad': 26, 'Profesion': 'Contadora', 'Antiguedad': 3, 'Satisfaccion Laboral': 8},
17: {'Sexo': 'M', 'Edad': 30, 'Profesion': 'Ingeniero', 'Antiguedad': 6, 'Satisfaccion Laboral': 9},
18: {'Sexo': 'F', 'Edad': 38, 'Profesion': 'Abogado', 'Antiguedad': 10, 'Satisfaccion Laboral': 7},
19: {'Sexo': 'M', 'Edad': 29, 'Profesion': 'Programador', 'Antiguedad': 3, 'Satisfaccion Laboral': 8},
20: {'Sexo': 'F', 'Edad': 42, 'Profesion': 'Médico', 'Antiguedad': 9, 'Satisfaccion Laboral': 6},
21: {'Sexo': 'M', 'Edad': 36, 'Profesion': 'Consultor', 'Antiguedad': 7, 'Satisfaccion Laboral': 7},
22: {'Sexo': 'F', 'Edad': 27, 'Profesion': 'Diseñadora', 'Antiguedad': 4, 'Satisfaccion Laboral': 9},
23: {'Sexo': 'M', 'Edad': 34, 'Profesion': 'Ingeniero', 'Antiguedad': 5, 'Satisfaccion Laboral': 8},
24: {'Sexo': 'F', 'Edad': 30, 'Profesion': 'Contadora', 'Antiguedad': 6, 'Satisfaccion Laboral': 7},
25: {'Sexo': 'M', 'Edad': 38, 'Profesion': 'Abogado', 'Antiguedad': 8, 'Satisfaccion Laboral': 6},
26: {'Sexo': 'F', 'Edad': 33, 'Profesion': 'Diseñadora', 'Antiguedad': 4, 'Satisfaccion Laboral': 8},
27: {'Sexo': 'M', 'Edad': 31, 'Profesion': 'Programador', 'Antiguedad': 2, 'Satisfaccion Laboral': 9},
28: {'Sexo': 'F', 'Edad': 40, 'Profesion': 'Ingeniera', 'Antiguedad': 10, 'Satisfaccion Laboral': 7},
29: {'Sexo': 'M', 'Edad': 26, 'Profesion': 'Consultor', 'Antiguedad': 3, 'Satisfaccion Laboral': 8},
30: {'Sexo': 'F', 'Edad': 37, 'Profesion': 'Médico', 'Antiguedad': 7, 'Satisfaccion Laboral': 6}}
    

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
df = pd.DataFrame(data)
df = df.T
df.describe()
df.info()
df = (df.assign(
    Edad= lambda df_ : df_.Edad.astype(int)
))
df.info()
df.Edad.plot.hist()
df.fillna()
dum = pd.get_dummies(df.Profesion)
df.join(dum)
from sklearn import linear_model
from sklearn.model_selection import train_test_split