Campeonato Mundial de la Formula 1 (1950 - 2023)

Visualización Científica

La Fórmula 1, también conocida como F1, representa la cúspide de las carreras internacionales de monoplazas de ruedas abiertas, bajo la supervisión de la Federación Internacional del Automóvil (FIA). Desde su primera temporada en 1950, el Campeonato Mundial de Pilotos, rebautizado como el Campeonato Mundial de Fórmula 1 de la FIA en 1981, ha destacado como una de las principales competiciones a nivel global. La palabra “fórmula” en su nombre alude al conjunto de reglas que guían a todos los participantes en cuanto a la construcción y funcionamiento de los vehículos.

Autores/as
Afiliación

Jorge Borja, Mag

Universidad del Norte

Jose Mercado, Mag

¿Qué haremos?

En esta sección, llevaremos a cabo un análisis exploratorio centrado en la tabla drivers, que abarca los datos de los equipos que han competido en las carreras disputadas desde 1950 hasta 2023. Sin embargo, para llevar a cabo este análisis de manera integral, necesitamos consolidar información proveniente de diversas fuentes. Utilizaremos consultas para unificar los datos de la tabla drivers con aquellos de las tablas circuits (que contiene información sobre los circuitos donde se celebran las carreras de Fórmula 1), results (que proporciona los resultados de las carreras) y constructors (equipos en los que ha competido).

Es fundamental destacar que, para la tabla results nos enfocaremos exclusivamente en los pilotos que obtuvieron puntos en cada carrera.

Librerías

Para este proyecto trabajaremos con las siguientes librerías:

  • Pandas
  • Psycopg2
  • Plotly
  • Matplotlib
  • Seaborn
  • Scikit-learn

Pueden instalarse utilizando el siguiente comando desde la terminal: pip install pandas psycopg2 plotly..., o bien, mediante el archivo requirements.txt utilizando pip install -r requirements.txt en la terminal.

Una vez instaladas, podemos importarlas en nuestro entorno de trabajo de la siguiente manera:

import pandas as pd
import psycopg2 as psy
from psycopg2 import Error

import numpy as np

from sklearn.experimental import enable_iterative_imputer
from sklearn.impute import IterativeImputer

import plotly.graph_objects as go
import plotly.express as px
import matplotlib.pyplot as plt
import seaborn as sns

sns.set_style('white')

Además, haremos uso de la siguiente función para evitar la repetición de código y facilitar la conexión a la base de datos:

def connection_db() -> psy.extensions.connection:
    try:
        conn = psy.connect(DATABASE_URL)
        return conn
    except (Exception, Error) as e:
        print('Error while connecting to PostgreSQL', e)

Es importante destacar que en esta función, obtenemos una variable de entorno que almacena los datos de conexión a la base de datos. En este caso, estamos utilizando Neon que nos permite crear un servidor de bases de datos con PostgreSQL.

Obtención de los datos

Veamos inicialmente las columnas que tenemos para cada una de las tablas mencionadas.

Tabla drivers

try:
    connection = connection_db()
    cursor = connection.cursor()

    cursor.execute(
        """
            SELECT *
            FROM drivers
            LIMIT 5;
        """
    )

    records = cursor.fetchall()
    records_data = pd.DataFrame(records)

    columns = []
    for column in cursor.description:
        columns.append(column[0])

    records_data.columns = columns

    display(records_data)
except (Exception, Error) as e:
    print('Error while executing the query', e)
finally:
    if(connection):
        cursor.close()
        connection.close()
driverid driverref number code forename surname dob nationality url
0 1 hamilton 44.0 HAM Lewis Hamilton 1985-01-07 British http://en.wikipedia.org/wiki/Lewis_Hamilton
1 2 heidfeld NaN HEI Nick Heidfeld 1977-05-10 German http://en.wikipedia.org/wiki/Nick_Heidfeld
2 3 rosberg 6.0 ROS Nico Rosberg 1985-06-27 German http://en.wikipedia.org/wiki/Nico_Rosberg
3 4 alonso 14.0 ALO Fernando Alonso 1981-07-29 Spanish http://en.wikipedia.org/wiki/Fernando_Alonso
4 5 kovalainen NaN KOV Heikki Kovalainen 1981-10-19 Finnish http://en.wikipedia.org/wiki/Heikki_Kovalainen

Tabla constructors

try:
    connection = connection_db()
    cursor = connection.cursor()

    cursor.execute(
        """
            SELECT *
            FROM constructors
            LIMIT 5;
        """
    )

    records = cursor.fetchall()
    records_data = pd.DataFrame(records)

    columns = []
    for column in cursor.description:
        columns.append(column[0])

    records_data.columns = columns

    display(records_data)
except (Exception, Error) as e:
    print('Error while executing the query', e)
finally:
    if(connection):
        cursor.close()
        connection.close()
constructorid constructorref name nationality url
0 1 mclaren McLaren British http://en.wikipedia.org/wiki/McLaren
1 2 bmw_sauber BMW Sauber German http://en.wikipedia.org/wiki/BMW_Sauber
2 3 williams Williams British http://en.wikipedia.org/wiki/Williams_Grand_Pr...
3 4 renault Renault French http://en.wikipedia.org/wiki/Renault_in_Formul...
4 5 toro_rosso Toro Rosso Italian http://en.wikipedia.org/wiki/Scuderia_Toro_Rosso

Tabla circuits

try:
    connection = connection_db()
    cursor = connection.cursor()

    cursor.execute(
        """
            SELECT *
            FROM circuits
            LIMIT 5;
        """
    )

    records = cursor.fetchall()
    records_data = pd.DataFrame(records)

    columns = []
    for column in cursor.description:
        columns.append(column[0])

    records_data.columns = columns

    display(records_data)
except (Exception, Error) as e:
    print('Error while executing the query', e)
finally:
    if(connection):
        cursor.close()
        connection.close()
circuitid circuitref name location country lat lng alt url
0 1 albert_park Albert Park Grand Prix Circuit Melbourne Australia -37.8497 144.968 10 http://en.wikipedia.org/wiki/Melbourne_Grand_P...
1 2 sepang Sepang International Circuit Kuala Lumpur Malaysia 2.76083 101.738 18 http://en.wikipedia.org/wiki/Sepang_Internatio...
2 3 bahrain Bahrain International Circuit Sakhir Bahrain 26.0325 50.5106 7 http://en.wikipedia.org/wiki/Bahrain_Internati...
3 4 catalunya Circuit de Barcelona-Catalunya Montmeló Spain 41.57 2.26111 109 http://en.wikipedia.org/wiki/Circuit_de_Barcel...
4 5 istanbul Istanbul Park Istanbul Turkey 40.9517 29.405 130 http://en.wikipedia.org/wiki/Istanbul_Park

Tabla results

try:
    connection = connection_db()
    cursor = connection.cursor()

    cursor.execute(
        """
            SELECT *
            FROM results
            LIMIT 5;
        """
    )

    records = cursor.fetchall()
    records_data = pd.DataFrame(records)

    columns = []
    for column in cursor.description:
        columns.append(column[0])

    records_data.columns = columns

    display(records_data)
except (Exception, Error) as e:
    print('Error while executing the query', e)
finally:
    if(connection):
        cursor.close()
        connection.close()
resultid raceid driverid constructorid number grid position positiontext positionorder points laps time milliseconds fastestlap rank fastestlaptime fastestlapspeed statusid
0 1 18 1 1 22 1 1 1 1 10 58 1:34:50.616 5690616 39 2 1:27.452 218.300 1
1 2 18 2 2 3 5 2 2 2 8 58 +5.478 5696094 41 3 1:27.739 217.586 1
2 3 18 3 3 7 7 3 3 3 6 58 +8.163 5698779 41 5 1:28.090 216.719 1
3 4 18 4 4 5 11 4 4 4 5 58 +17.181 5707797 58 7 1:28.603 215.464 1
4 5 18 5 1 23 3 5 5 5 4 58 +18.014 5708630 43 1 1:27.418 218.385 1

Tabla final

Con base en las columnas proporcionadas de cada tabla, podemos listar las que se utilizarán en el análisis de la siguiente manera:

  • Drivers: driverid, driverref, code, dob, nationality.
  • Constructors: constructorId, name.
  • Circuits: name, location, country.
  • Results: points, grid, laps, milliseconds, fastestlap, rank, fastestlapspeed, number, status.

Realicemos entonces la consulta a la base de datos para obtener esta tabla.

try:
    connection = connection_db()
    cursor = connection.cursor()

    cursor.execute(
        """
            SELECT 
                d.driverId, d.driverRef, 
                d.dob, d.nationality,
                circuits.name AS circuit_name, circuits.location AS circuit_location, circuits.country AS circuit_country,
                races.year, races.name AS race_name, races.round, 
                constructors.constructorId, constructors.name AS team_name,
                results.number, results.grid, results.positionorder, results.points, results.laps, results.milliseconds,
                results.fastestlap, results.rank, results.fastestlapspeed, results.statusid
            FROM 
                drivers d
            JOIN 
                results ON d.driverId = results.driverId
            JOIN 
                races ON results.raceId = races.raceId
            JOIN 
                circuits ON races.circuitId = circuits.circuitId
            JOIN 
                constructors ON results.constructorId = constructors.constructorId
            WHERE 
                results.points > 0;
        """
    )

    records = cursor.fetchall()
    records_data = pd.DataFrame(records)

    columns = []
    for column in cursor.description:
        columns.append(column[0])

    records_data.columns = columns

    display(records_data.head())
except (Exception, Error) as e:
    print('Error while executing the query', e)
finally:
    if(connection):
        cursor.close()
        connection.close()
driverid driverref dob nationality circuit_name circuit_location circuit_country year race_name round ... number grid positionorder points laps milliseconds fastestlap rank fastestlapspeed statusid
0 1 hamilton 1985-01-07 British Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 22 1 1 10 58 5690616.0 39.0 2.0 218.300 1
1 2 heidfeld 1977-05-10 German Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 3 5 2 8 58 5696094.0 41.0 3.0 217.586 1
2 3 rosberg 1985-06-27 German Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 7 7 3 6 58 5698779.0 41.0 5.0 216.719 1
3 4 alonso 1981-07-29 Spanish Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 5 11 4 5 58 5707797.0 58.0 7.0 215.464 1
4 5 kovalainen 1981-10-19 Finnish Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 23 3 5 4 58 5708630.0 43.0 1.0 218.385 1

5 rows × 22 columns

Análisis exploratorio de datos

En esta sección nos sumergiremos en la comprensión de los datos disponibles, exploraremos los tipos de variables presentes, calcularemos medidas de tendencia central, llevaremos a cabo la depuración de los datos y procederemos a su visualización.

Para llevar a cabo este análisis, nos apoyaremos en el marco de trabajo establecido, APP Framework.

  1. Atención: Entender el conjunto de datos.
  2. Propósito: Establecer objetivos claros.
  3. Proceso: Realizar el Análisis Exploratorio de Datos (EDA) propiamente dicho.
  4. Beneficio: Extraer y aplicar los resultados obtenidos.

Conociendo los datos

Conocer los datos es un paso fundamental en cualquier análisis. Proporciona una comprensión inicial del problema, permite validar la calidad de los datos, seleccionar características relevantes, preparar los datos adecuadamente y generar ideas y hipótesis. En resumen, la exploración inicial de los datos sienta las bases para un análisis más profundo y asegura que los resultados sean significativos y confiables.

Tipos de datos

Para realizar un análisis exploratorio, primero debes conocer el tipo de variables con las que estamos tratando. Conocer si tenemos variables numéricas o categóricas podrían determinar el rumbo del análisis que realizaremos.

records_data.dtypes
driverid              int64
driverref            object
dob                  object
nationality          object
circuit_name         object
circuit_location     object
circuit_country      object
year                  int64
race_name            object
round                 int64
constructorid         int64
team_name            object
number                int64
grid                  int64
positionorder         int64
points                int64
laps                  int64
milliseconds        float64
fastestlap          float64
rank                float64
fastestlapspeed      object
statusid              int64
dtype: object

Observemos que todas las variables tienen el tipo de dato correcto, excepto la columna fastestlapspeed, que toma valores numéricos pero está siendo interpretada como un dato tipo object. Por lo tanto, es necesario convertir esta columna en tipo numérico. Además, vamos a cambiar los tipos de datos de la variable driverid y constructorid a tipo object.

records_data['fastestlapspeed'] = pd.to_numeric(records_data['fastestlapspeed'])
records_data[['driverid', 'constructorid']] = records_data[['driverid', 'constructorid']].astype('object')

records_data.dtypes
driverid             object
driverref            object
dob                  object
nationality          object
circuit_name         object
circuit_location     object
circuit_country      object
year                  int64
race_name            object
round                 int64
constructorid        object
team_name            object
number                int64
grid                  int64
positionorder         int64
points                int64
laps                  int64
milliseconds        float64
fastestlap          float64
rank                float64
fastestlapspeed     float64
statusid              int64
dtype: object

Dimensiones de los registros

Determinar el tamaño de nuestros registros es fundamental, ya que nos permite comprender la magnitud de la información que estamos manejando. Esto a su vez nos ayuda a establecer posibles caminos a seguir en caso de realizar transformaciones y análisis adicionales.

records_data.shape
(7830, 22)
len(records_data['driverref'].unique())
349

Esto indica que desde el año 1950 hasta el 2023, en las más de 1000 carreras que se han llevado a cabo, han competido 73 pilotos en esta competencia. Además, teniendo casi 8000 registros significa que estamos trabajando con una cantidad considerable de datos sobre equipos constructores.

Datos faltantes

Determinar la presencia de datos faltantes es crucial, ya que puede indicar si podemos confiar en una columna para el análisis o si necesitamos tomar medidas para imputar esos valores ausentes.

records_data.isnull().sum()
driverid               0
driverref              0
dob                    0
nationality            0
circuit_name           0
circuit_location       0
circuit_country        0
year                   0
race_name              0
round                  0
constructorid          0
team_name              0
number                 0
grid                   0
positionorder          0
points                 0
laps                   0
milliseconds        1720
fastestlap          4277
rank                4266
fastestlapspeed     4277
statusid               0
dtype: int64

Con los resultados obtenidos, observamos que tenemos una cantidad significativa de datos faltantes. Esta situación puede afectar los análisis futuros, dependiendo del tipo de variable que estemos considerando. Es importante determinar un método adecuado para la imputación de datos en caso de que sea necesario. Veamos el porcentaje que representa esta cantidad de datos faltantes en el total de nuestros datos.

missing_values = records_data.isnull().sum()
missing_percentage = round((missing_values / len(records_data)) * 100, 4)
missing_percentage
driverid             0.0000
driverref            0.0000
dob                  0.0000
nationality          0.0000
circuit_name         0.0000
circuit_location     0.0000
circuit_country      0.0000
year                 0.0000
race_name            0.0000
round                0.0000
constructorid        0.0000
team_name            0.0000
number               0.0000
grid                 0.0000
positionorder        0.0000
points               0.0000
laps                 0.0000
milliseconds        21.9668
fastestlap          54.6232
rank                54.4828
fastestlapspeed     54.6232
statusid             0.0000
dtype: float64

Tenemos un gran porcentaje de datos faltantes en nuestras variables. Sin embargo, estos datos faltantes parecen estar concentrados en las variables relacionadas con medidas de tiempos y velocidades. Esto sugiere que estos datos podrían faltar debido a limitaciones técnicas o falta de registro en las fechas más antiguas, donde la toma de estas medidas podría no haber sido sistemática.

Para comprender mejor la distribución de estos datos faltantes, examinemos en qué fechas están ocurriendo y verifiquemos la fecha máxima y mínima en la que faltan estas observaciones.

records_data[records_data.isnull().any(axis = 1)]
driverid driverref dob nationality circuit_name circuit_location circuit_country year race_name round ... number grid positionorder points laps milliseconds fastestlap rank fastestlapspeed statusid
5 6 nakajima 1985-01-11 Japanese Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 8 13 6 3 57 NaN 50.0 14.0 212.974 11
6 7 bourdais 1979-02-28 French Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 14 17 7 2 55 NaN 22.0 12.0 213.224 5
7 8 raikkonen 1979-10-17 Finnish Albert Park Grand Prix Circuit Melbourne Australia 2008 Australian Grand Prix 1 ... 1 15 8 1 53 NaN 20.0 4.0 217.180 5
67 8 raikkonen 1979-10-17 Finnish Silverstone Circuit Silverstone UK 2008 British Grand Prix 9 ... 1 3 4 5 59 NaN 18.0 1.0 200.842 11
68 5 kovalainen 1981-10-19 Finnish Silverstone Circuit Silverstone UK 2008 British Grand Prix 9 ... 23 1 5 4 59 NaN 17.0 5.0 198.728 11
... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ... ...
7688 846 norris 1999-11-13 British Autódromo Hermanos Rodríguez Mexico City Mexico 2022 Mexico City Grand Prix 20 ... 4 8 9 2 70 NaN 48.0 17.0 185.779 11
7689 822 bottas 1989-08-28 Finnish Autódromo Hermanos Rodríguez Mexico City Mexico 2022 Mexico City Grand Prix 20 ... 77 6 10 1 70 NaN 43.0 16.0 185.866 11
7768 846 norris 1999-11-13 British Circuit de Monaco Monte-Carlo Monaco 2023 Monaco Grand Prix 6 ... 4 10 9 2 77 NaN 46.0 19.0 154.324 11
7769 857 piastri 2001-04-06 Australian Circuit de Monaco Monte-Carlo Monaco 2023 Monaco Grand Prix 6 ... 81 11 10 1 77 NaN 47.0 14.0 154.983 11
7819 840 stroll 1998-10-29 Canadian Hungaroring Budapest Hungary 2023 Hungarian Grand Prix 11 ... 18 14 10 1 69 NaN 54.0 11.0 189.051 11

4720 rows × 22 columns

Fecha mínima:  1950
Fecha promedio:  1984
Fecha máxima:  2023

Observando estos resultados, podemos confirmar nuestra teoría. Estos registros faltantes pueden ser debidos a limitaciones técnicas en aquellos tiempos.

Exploración de los datos

En esta sección realizaremos el verdadero análisis exploratorio de nuestros datos. Abordaremos los siguientes aspectos:

  1. Medidas de tendencia central: Calcularemos medidas como la media, la mediana y la moda para entender mejor la distribución de nuestros datos.

  2. Limpieza de los datos: Abordaremos la limpieza de nuestros datos, incluyendo la búsqueda de datos atípicos.

  3. Transformación: Determinaremos si es necesario aplicar alguna transformación a nuestros datos para facilitar los análisis subsiguientes.

  4. Visualización: Utilizaremos herramientas gráficas para explorar el comportamiento de nuestros datos y extraer patrones o tendencias.

Esta fase nos permitirá comprender mejor la naturaleza de nuestros datos y prepararlos adecuadamente para análisis más avanzados.

Medidas de tendencia central

records_data.describe()
year round number grid positionorder points laps milliseconds fastestlap rank fastestlapspeed statusid
count 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 6.110000e+03 3553.000000 3564.000000 3553.000000 7830.000000
mean 1995.771520 8.717880 14.807791 7.120817 4.314815 6.352618 63.614304 6.183581e+06 46.603152 6.680415 206.006290 3.538697
std 20.267524 5.186542 15.616540 5.022058 2.505760 5.574510 18.795303 1.514364e+06 14.355980 4.232408 20.582848 6.342502
min 1950.000000 1.000000 0.000000 0.000000 1.000000 1.000000 1.000000 2.070710e+05 2.000000 0.000000 147.980000 1.000000
25% 1980.000000 4.000000 5.000000 3.000000 2.000000 2.000000 54.000000 5.405438e+06 39.000000 3.000000 195.557000 1.000000
50% 2000.000000 8.000000 10.000000 6.000000 4.000000 4.000000 62.000000 5.802887e+06 48.000000 6.000000 206.603000 1.000000
75% 2013.000000 13.000000 20.000000 10.000000 6.000000 9.000000 71.000000 6.415483e+06 56.000000 10.000000 219.005000 1.000000
max 2023.000000 22.000000 117.000000 33.000000 33.000000 50.000000 200.000000 1.472659e+07 85.000000 20.000000 257.320000 131.000000


Estos resultados nos pueden permitir concluir lo siguiente:

  • Ronda: El número promedio de rondas por temporada es de aproximadamente 8.72, con una desviación estándar de aproximadamente 5.19. Esto sugiere que hay una variabilidad en la cantidad de rondas que se llevan a cabo en diferentes temporadas de Fórmula 1.

  • Número de participantes, posición de salida y orden de llegada: Se observa una variabilidad significativa en el número de participantes por carrera, con un promedio de aproximadamente 14.81. Esta variabilidad puede atribuirse a factores como las regulaciones de la Fórmula 1 que pueden influir en la participación de equipos y pilotos en diferentes eventos. La posición en la parrilla de salida, con un promedio de alrededor de 7.12, refleja las diferencias en el rendimiento de los pilotos durante la clasificación, que puede estar influenciada por la aerodinámica del automóvil, la configuración del circuito y las habilidades individuales de los pilotos. A pesar de la variabilidad en la posición inicial, el orden promedio de llegada es de aproximadamente 4.31, lo que sugiere que, en promedio, los pilotos logran avanzar durante la carrera, ya sea mediante adelantamientos en pista o a través de estrategias de pit stop.

  • Número de vueltas y tiempo de carrera: La cantidad promedio de vueltas completadas por carrera es de aproximadamente 63.61. Esta variabilidad puede ser atribuida a factores como la longitud y complejidad del circuito, así como la presencia de incidentes en pista que pueden afectar la duración de la carrera. El tiempo medio de carrera, aproximadamente 103 minutos, refleja la suma del tiempo requerido para completar todas las vueltas, así como los períodos de posibles intervenciones, como banderas amarillas o detenciones en boxes. La consistencia en la duración de la carrera sugiere una cierta estandarización en el formato de los eventos de la Fórmula 1, aunque la variabilidad aún puede ocurrir debido a diferentes condiciones de pista y estrategias de carrera.

  • Mejor vuelta, velocidad más rápida y puntos: La vuelta más rápida realizada por el ganador, con un promedio de alrededor de 206.01 km/h y una desviación estándar de aproximadamente 20.58 km/h, refleja el rendimiento máximo alcanzado por los pilotos durante la carrera. Esta velocidad puede variar según las condiciones del circuito y la estrategia de los equipos. En cuanto a los puntos obtenidos, con un promedio de aproximadamente 6.35, reflejan la efectividad de los pilotos y equipos para acumular puntos en cada evento. Esta puntuación puede influir en el desarrollo del campeonato y reflejar la consistencia y el rendimiento a lo largo de la temporada.

Limpieza de los datos

La limpieza de datos es una etapa crucial en cualquier análisis, por lo que en este apartado trataremos los datos faltantes y observaremos si existen datos atípicos en nuestras variables.

Datos faltantes

Existen diversas estrategias para abordar este problema. Usualmente, en este tipo de análisis se recurre a la imputación de valores faltantes utilizando la media, moda o mediana, o llenando los datos con los valores anteriores o siguientes. Sin embargo, estas técnicas pueden no ser óptimas para conjuntos de datos extensos o con características específicas.

En nuestro caso, una estrategia efectiva sería utilizar la imputación de datos faltantes basada en puntos similares en los datos mediante el algoritmo KNN (K-Nearest Neighbors) y Random Forest Classification. Este método considera las características de observaciones similares para estimar los valores faltantes de manera más precisa y realista, lo que resulta especialmente útil en conjuntos de datos complejos como el nuestro.

Inicialmente, creemos un DataFrame temporal donde estarán los mismos datos de records_data pero sin las columnas correspondientes a tipo object.

temp_df = records_data.select_dtypes(exclude=['object'])

imputer = IterativeImputer(min_value=0, max_iter=30, imputation_order='roman', random_state=1)
imputed_data = imputer.fit_transform(temp_df)

temp_df_imputed = pd.DataFrame(imputed_data, columns=temp_df.columns)
temp_df_imputed.isnull().sum()
year               0
round              0
number             0
grid               0
positionorder      0
points             0
laps               0
milliseconds       0
fastestlap         0
rank               0
fastestlapspeed    0
statusid           0
dtype: int64

Bien, ya no tenemos datos faltantes. Ahora, verifiquemos si los resultados obtenidos en las medidas de tendencia central del DataFrame original cambiaron significativamente.

temp_df_imputed.describe()
year round number grid positionorder points laps milliseconds fastestlap rank fastestlapspeed statusid
count 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 7830.000000 7.830000e+03 7830.000000 7830.000000 7830.000000 7830.000000
mean 1995.771520 8.717880 14.807791 7.120817 4.314815 6.352618 63.614304 6.357840e+06 37.583611 5.902056 191.230541 3.538697
std 20.267524 5.186542 15.616540 5.022058 2.505760 5.574510 18.795303 1.503172e+06 17.275427 3.355313 33.140535 6.342502
min 1950.000000 1.000000 0.000000 0.000000 1.000000 1.000000 1.000000 2.070710e+05 0.000000 0.000000 0.000000 1.000000
25% 1980.000000 4.000000 5.000000 3.000000 2.000000 2.000000 54.000000 5.484704e+06 27.278717 3.307868 176.963262 1.000000
50% 2000.000000 8.000000 10.000000 6.000000 4.000000 4.000000 62.000000 5.952724e+06 37.110519 5.285219 196.594000 1.000000
75% 2013.000000 13.000000 20.000000 10.000000 6.000000 9.000000 71.000000 6.815400e+06 48.000000 7.720035 210.953515 1.000000
max 2023.000000 22.000000 117.000000 33.000000 33.000000 50.000000 200.000000 1.520664e+07 135.030294 31.667058 325.915900 131.000000


Comparando los resultados de las medidas de tendencia central antes y después de la imputación de datos con el algoritmo KNN, observamos algunas diferencias significativas en ciertas variables:

  • Número de vueltas y tiempo de carrera: Ambos conjuntos de datos muestran una distribución similar en el número de vueltas por carrera, con una media y desviación estándar comparables. Sin embargo, se observan diferencias mínimas en el tiempo medio de carrera entre los dos conjuntos de datos, lo que indica que no se ha visto afectada la dispersión luego de la imputación.

  • Mejor vuelta y velocidad más rápida: Las estadísticas de la mejor vuelta y la velocidad más rápida son comparables entre los dos conjuntos de datos, lo que sugiere una consistencia en la imputación de los datos faltantes.

Ahora que hemos realizado la imputación de datos, pasemos estos datos a nuestro dataframe original.

records_data[temp_df.columns] = temp_df_imputed
records_data.isnull().sum()
driverid            0
driverref           0
dob                 0
nationality         0
circuit_name        0
circuit_location    0
circuit_country     0
year                0
race_name           0
round               0
constructorid       0
team_name           0
number              0
grid                0
positionorder       0
points              0
laps                0
milliseconds        0
fastestlap          0
rank                0
fastestlapspeed     0
statusid            0
dtype: int64

Datos atípicos

Veamos ahora si existen datos atípicos en nuestro registro. En este caso, utilizaremos el rango intercuartílico (IQR) para identificar los valores atípicos. Si un valor cae por debajo de Q1 - 1.5 * IQR o por encima de Q3 + 1.5 * IQR, se considera un valor atípico.

numeric_columns = temp_df.columns

for col in numeric_columns:
    q1 = records_data[col].quantile(0.25)
    q3 = records_data[col].quantile(0.75)

    iqr = q3 - q1
    lower_bound = q1 - 1.5 * iqr
    upper_bound = q3 + 1.5 * iqr
    outliers = records_data[(records_data[col] < lower_bound) | (records_data[col] > upper_bound)]
    n_outliers = len(outliers)
    print(f'#Outliers in {col} are {n_outliers} and represent a {round(n_outliers/len(records_data) * 100, 4)}% of total records')
#Outliers in year are 0 and represent a 0.0% of total records
#Outliers in round are 0 and represent a 0.0% of total records
#Outliers in number are 544 and represent a 6.9476% of total records
#Outliers in grid are 105 and represent a 1.341% of total records
#Outliers in positionorder are 12 and represent a 0.1533% of total records
#Outliers in points are 274 and represent a 3.4994% of total records
#Outliers in laps are 412 and represent a 5.2618% of total records
#Outliers in milliseconds are 542 and represent a 6.9221% of total records
#Outliers in fastestlap are 63 and represent a 0.8046% of total records
#Outliers in rank are 196 and represent a 2.5032% of total records
#Outliers in fastestlapspeed are 331 and represent a 4.2273% of total records
#Outliers in statusid are 1719 and represent a 21.954% of total records

Como podemos observar, respecto a los más de 7000 registros que tiene la tabla, hay una pequeña cantidad significativa de datos atípicos en nuestras variables. Veamos gráficamente qué es lo que está ocurriendo con ellos. Y, aunque statusid tiene una gran cantidad de datos atípicos, esta es una variable categórica y que solo describe el estado de finalización de una carrera.

Realizaremos un gráfico de caja y bigotes e histogramas para ver el comportamiento y la distribución de nuestros datos.

plt.figure(figsize=(9,12))

i = 1
for col in numeric_columns:
    plt.subplot(5,3,i)
    plt.boxplot(records_data[col],whis=1.5)
    plt.title(col)

    i += 1
plt.show()

plt.figure(figsize=(8,12))

i = 1
for col in numeric_columns:
    plt.subplot(5, 3, i)
    sns.histplot(records_data[col], kde=True)
    plt.title(col)
    i += 1
plt.tight_layout()
plt.show()


Dada la naturaleza de las variables, en algunos casos como round, positionorder, grid, points, entre otros que son datos numéricos discretos y representan una categoría específica, es normal que existan datos atípicos. Por otro lado, para las otras variables en nuestra base de datos, estos datos atípicos no están afectando mucho la distribución de cada una de ellas, por lo tanto, no realizaremos cambios en ellas.

Visualización

La visualización es uno de los puntos más importantes a la hora de realizar una exploración de los datos. Con ella, no solo podemos encontrar las relaciones que existen entre nuestras variables, sino que también podemos representar gráficamente las informaciones más relevantes de los datos.

Comencemos visualizando los gráficos de correlación y dispersión entre las variables para comprender mejor sus relaciones y encontrar posibles patrones.

Gráfico de correlación

corr = records_data[numeric_columns].corr()
mask = np.triu(np.ones_like(corr, dtype=bool))

sns.heatmap(corr, annot=True, cmap='PRGn', square=True, center=0, mask=mask)

Como podemos observar, las variables con una alta correlación (>0.5 o <-0.5) son aquellas que están relacionadas entre sí, como laps, fastestlapspeed, fastest_lap, positionorder, year, fastest_pip_stop entre otras. Por lo tanto, esto no debería ser un problema y podemos proseguir con la exploración de los datos.

Gráfico de dispersión

plt.figure(figsize=(8, 12))
sns.pairplot(records_data[numeric_columns])
plt.show()
<Figure size 768x1152 with 0 Axes>


De este gráfico podemos notar que a medida que pasan los años, los equipos han ha evolucionado progresivamente en términos de velocidades y tiempos de carreras obtenidos. La velocidad y duración en boxes han aumentado, lo que indica una mejora en los automóviles y las técnicas de revisión de ellos. Sin embargo, estos cambios en las velocidades y tiempos también se han vuelto más dispersos a lo largo de los años, lo que implica que ha habido una gran diferencia entre los equipos constructores. Además, también podemos observar algunas relaciones proporcionales en nuestras variables, como aquellas relacionadas nuevamente con las velocidades y tiempos.

Distribución de carreras por piloto

driver_stats = records_data.groupby('driverref').size().reset_index(name='total_races')
driver_stats = driver_stats.sort_values(by='total_races', ascending=False)
driver_stats = driver_stats.rename(columns={'driverref': 'driver_name'})

top_constructors = driver_stats.head(5)

plt.figure(figsize=(8, 7))
sns.histplot(driver_stats['total_races'], kde=False, bins=30, color='skyblue', edgecolor='black')
plt.title('Distribución del número total de carreras por piloto')
plt.xlabel('Número Total de Carreras')
plt.ylabel('Frecuencia')

text = '\n'.join([f"{i+1}. {row['driver_name']}: {row['total_races']} carreras" for i, (index, row) in enumerate(top_constructors.iterrows(), start=0)])
plt.text(max(top_constructors['total_races']) * 1.02, plt.ylim()[1] * 0.9, text, ha='right', va='top', fontsize=10)

plt.tight_layout()
plt.show()

Top 5 pilotos más ganadores

driver_stats = records_data[records_data['positionorder'] == 1]
driver_stats = records_data.groupby('driverref').size().reset_index(name='total_wins')
driver_stats = driver_stats.sort_values(by='total_wins', ascending=False)
driver_stats = driver_stats.rename(columns={'driverref': 'driver_name'})

top_constructors = driver_stats.head(5)

plt.figure(figsize=(8, 7))
plt.bar(top_constructors['driver_name'], top_constructors['total_wins'], color='skyblue')
plt.title('Top 5 Equipos Más Ganadores en F1')
plt.xlabel('Equipo')
plt.ylabel('Número Total de Victorias')
plt.xticks()
plt.show()