Patrones Lab es un laboratorio de análisis de datos aplicado a fenómenos cotidianos y reales.
El repositorio reúne proyectos independientes construidos a partir de datos públicos, con foco en detectar patrones, describir comportamientos y comunicar los hallazgos con su contexto.
El objetivo es plantear preguntas, preparar datos, construir análisis y generar resultados visuales.
01 · Análisis de Vuelos en las Islas Baleares   Análisis de tráfico aéreo en España con datos públicos de AENA, con foco en volúmenes, patrones por aeropuerto y diferencias entre categorías. Python Data Storytelling Aviación Análisis de datos BI Entrar al proyecto Leer en LinkedIn |
02 · Análisis del Alojamiento Airbnb en Londres  Análisis exploratorio del alojamiento Airbnb en Londres con foco en precio, categorías, reseñas y patrones territoriales. Python Data Storytelling Airbnb Análisis de datos BI Geoespacial Entrar al proyecto Leer en LinkedIn |
03 · Análisis de Viajes en Taxi en Chicago  Análisis de viajes de taxi en Chicago para estudiar duración, demanda, distribución geoespacial y patrones operativos. Python Data Storytelling Taxi Análisis de datos BI Geoespacial Entrar al proyecto Leer en LinkedIn |
04 · Modelo ML · Airbnb London Clasificación supervisada de anuncios relativamente caros o baratos dentro de cada tipo de alojamiento. Machine Learning Python Clustering SPSS Fraude K-means Modelo no supervisado Ciencia de datos Entrar al proyecto Leer en LinkedIn |
05 · Dashboard Looker · Taxi Trips Chicago Dashboard interactivo en Looker Studio para explorar viajes de taxi en Chicago, indicadores operativos, patrones horarios y recorridos pickup-dropoff. Looker Studio Taxi Análisis de datos BI Dashboard Entrar al Dashboard Ver documentación |
06 · Modelo ML · Goles Esperados (xG)   Próximamente. Python Data Storytelling Fútbol Análisis de datos BI Ciencia de datos Machine Learning Regresión logística Modelo supervisado Entrar al proyecto |
07 · Probabilidades en el Fútbol · Peligro Esperado (xT) Modelo probabilístico de Peligro Esperado en el fútbol con datos públicos de StatsBomb. Se estima la probabilidad de gol en las próximas 5 jugadas. Python Data Storytelling Fútbol Análisis de datos BI Ciencia de datos Entrar al proyecto Leer en LinkedIn |
08 · Modelo ML · Detección de Fraude  Clustering no supervisado con K-means para la detección de fraudes con tarjetas de crédito. Machine Learning Python Clustering SPSS Fraude K-means Modelo no supervisado Ciencia de datos Ver en SPSS Ver en Python |
09 · Modelo ML · Detección de Fraude Clasificación supervisada mediante regresión logística para la detección de fraude con tarjeta de crédito. Machine Learning Python Clasificación SPSS Fraude Regresión logística Modelo supervisado Ciencia de datos Ver en SPSS Ver en Python |
10 · Modelo ML · Detección de Fraude Clustering no supervisado con DBSCAN para identificar posibles fraudes con tarjeta de crédito. Machine Learning Python Clustering Fraude DBSCAN Modelo no supervisado Ciencia de datos Entrar al proyecto |
11 · Estadísticas del Mundial de Fútbol Qatar 2022 Próximamente. Python Data Storytelling Fútbol Análisis de datos BI Entrar al proyecto |
12 · Análisis Geoespacial de los Viajes en Taxi Análisis de viajes de taxi en Chicago con foco en ubicación geográfica, movimientos entre puntos, predominios de zonas y rutas. Python Data Storytelling Taxi Análisis de datos BI Geoespacial Entrar al proyecto Leer en LinkedIn |
13 · Dashboard en Power BI · Spotify Charts Dashboard interactivo en Power BI para explorar reproducciones en Spotify y analizar canciones, artistas y álbumes que se encuentran en el Top 250 de cada país. Power BI Spotify Análisis de datos BI Dashboard Ver documentación |
14 · Proyecto en preparación Próximamente. |
15 · Proyecto en preparación Próximamente. |
16 · Proyecto en preparación Próximamente. |
Cada carpeta corresponde a un caso independiente e incluye:
- datos crudos, procesados y/o agregados
- notebooks con análisis
- visualizaciones estáticas e interactivas
- documentación breve del caso
- archivos auxiliares de exportación o publicación
Los datos originales provienen de fuentes oficiales y públicas.
Por razones de tamaño y naturaleza de los archivos, los datos crudos completos no siempre se incluyen en el repositorio.
En su lugar, se publican versiones procesadas, agregadas o derivadas, junto con la documentación necesaria para reproducir el análisis a partir de la fuente original.
Cada proyecto documenta:
- el origen de los datos
- el período analizado
- las transformaciones aplicadas
Este repositorio forma parte del proyecto Patrones Lab, con contenidos visuales y explicativos publicados también en LinkedIn, Instagram y X.
El código y los análisis están disponibles con fines educativos y exploratorios.