{"id":10254,"date":"2023-05-20T11:19:38","date_gmt":"2023-05-20T05:49:38","guid":{"rendered":"https:\/\/neonpolice.com\/?p=10254"},"modified":"2024-03-27T13:19:11","modified_gmt":"2024-03-27T07:49:11","slug":"cluster-analysis-in-python","status":"publish","type":"post","link":"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/","title":{"rendered":"Una gu\u00eda completa para el an\u00e1lisis de conglomerados en Python en Data Camp"},"content":{"rendered":"<p><span style=\"font-weight: 400;\">El an\u00e1lisis de conglomerados en Python es una t\u00e9cnica fundamental en la miner\u00eda de datos y el aprendizaje autom\u00e1tico que se utiliza para identificar grupos o conglomerados dentro de un conjunto de datos. Se aplica ampliamente en diversos \u00e1mbitos, incluidos el marketing, la biolog\u00eda, el procesamiento de im\u00e1genes y la segmentaci\u00f3n de clientes. Python, con su rico ecosistema de bibliotecas, proporciona herramientas poderosas para realizar an\u00e1lisis de cl\u00fasteres de manera eficiente y efectiva. Para empezar, discutiremos los conceptos esenciales del an\u00e1lisis de conglomerados. La agrupaci\u00f3n tiene como objetivo agrupar objetos similares en funci\u00f3n de sus caracter\u00edsticas y relaciones intr\u00ednsecas. Estos grupos se forman de tal manera que los objetos dentro del mismo grupo son m\u00e1s similares entre s\u00ed que a los de otros grupos. La elecci\u00f3n del algoritmo de agrupamiento y las m\u00e9tricas de evaluaci\u00f3n depende de la naturaleza de los datos y del problema espec\u00edfico en cuesti\u00f3n.<\/span><\/p>\n<p><span style=\"font-weight: 400;\">Python ofrece varias bibliotecas potentes para el an\u00e1lisis de conglomerados, incluidas scikit-learn, scipy y K-means. Scikit-learn proporciona un conjunto completo de herramientas para el aprendizaje autom\u00e1tico, incluidos varios algoritmos de agrupaci\u00f3n en cl\u00fasteres, como K-means, DBSCAN y agrupaci\u00f3n jer\u00e1rquica. Scipy, una biblioteca de inform\u00e1tica cient\u00edfica, ofrece funciones para realizar agrupaciones jer\u00e1rquicas y c\u00e1lculos de distancia. K-means es un algoritmo popular que se utiliza para dividir datos en un n\u00famero predefinido de grupos. Lea el siguiente art\u00edculo curado sobre tendencias para obtener m\u00e1s informaci\u00f3n sobre el mejor an\u00e1lisis de cl\u00fasteres en Python, el mejor curso de Python en cl\u00fasteres y el curso de Python en cl\u00fasteres en l\u00ednea.\u00a0<\/span><\/p>\n\t\t<div class=\"web-stories-list alignnone has-archive-link is-view-type-circles is-style-default is-carousel\" data-id=\"1\">\n\t\t\t<div\n\t\t\tclass=\"web-stories-list__inner-wrapper carousel-1\"\n\t\t\tstyle=\"--ws-circle-size:100px\"\n\t\t\t>\n\t\t\t\t\t\t\t\t\t<div\n\t\t\t\t\tclass=\"web-stories-list__carousel circles\"\n\t\t\t\t\tdata-id=\"carousel-1\"\n\t\t\t\t\tdata-prev=\"Anterior\"\n\t\t\t\t\tdata-next=\"Siguiente\"\n\t\t\t\t\t>\n\t\t\t\t\t\t\t\t\t<div\n\t\t\t\tclass=\"web-stories-list__story\"\n\t\t\t\tdata-wp-interactive=\"web-stories-block\"\n\t\t\t\tdata-wp-context='{\"instanceId\":1}'\t\t\t\tdata-wp-on--click=\"actions.open\"\n\t\t\t\tdata-wp-on-window--popstate=\"actions.onPopstate\"\n\t\t\t\t>\n\t\t\t\t\t\t\t<div class=\"web-stories-list__story-poster\">\n\t\t\t\t<a href=\"https:\/\/neonpolice.com\/es\/web-stories\/your-ultimate-checklist-of-baby-essentials\/\" >\n\t\t\t\t\t<img\n\t\t\t\t\t\tsrc=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2024\/01\/cropped-baby_essentials_checklist-hero-GettyImages-1413731369.webp\"\n\t\t\t\t\t\talt=\"Your Ultimate Checklist of Baby Essentials\"\n\t\t\t\t\t\twidth=\"185\"\n\t\t\t\t\t\theight=\"308\"\n\t\t\t\t\t\t\t\t\t\t\t\t\tsrcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2024\/01\/cropped-baby_essentials_checklist-hero-GettyImages-1413731369.webp 640w, https:\/\/neonpolice.com\/wp-content\/uploads\/2024\/01\/cropped-baby_essentials_checklist-hero-GettyImages-1413731369-225x300.webp 225w, https:\/\/neonpolice.com\/wp-content\/uploads\/2024\/01\/cropped-baby_essentials_checklist-hero-GettyImages-1413731369-585x780.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2024\/01\/cropped-baby_essentials_checklist-hero-GettyImages-1413731369-150x200.webp 150w\"\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tsizes=\"auto, (max-width: 640px) 100vw, 640px\"\n\t\t\t\t\t\t\t\t\t\t\t\tloading=\"lazy\"\n\t\t\t\t\t\tdecoding=\"async\"\n\t\t\t\t\t>\n\t\t\t\t<\/a>\n\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<div\n\t\t\t\tclass=\"web-stories-list__story\"\n\t\t\t\tdata-wp-interactive=\"web-stories-block\"\n\t\t\t\tdata-wp-context='{\"instanceId\":1}'\t\t\t\tdata-wp-on--click=\"actions.open\"\n\t\t\t\tdata-wp-on-window--popstate=\"actions.onPopstate\"\n\t\t\t\t>\n\t\t\t\t\t\t\t<div class=\"web-stories-list__story-poster\">\n\t\t\t\t<a href=\"https:\/\/neonpolice.com\/es\/web-stories\/youll-absolutely-love-these-moisturizers-for-dry-skin\/\" >\n\t\t\t\t\t<img\n\t\t\t\t\t\tsrc=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-3-23.webp\"\n\t\t\t\t\t\talt=\"YOU\u2019LL ABSOLUTELY LOVE THESE MOISTURIZERS FOR DRY SKIN\"\n\t\t\t\t\t\twidth=\"185\"\n\t\t\t\t\t\theight=\"308\"\n\t\t\t\t\t\t\t\t\t\t\t\t\tsrcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-3-23.webp 640w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-3-23-225x300.webp 225w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-3-23-585x780.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-3-23-150x200.webp 150w\"\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tsizes=\"auto, (max-width: 640px) 100vw, 640px\"\n\t\t\t\t\t\t\t\t\t\t\t\tloading=\"lazy\"\n\t\t\t\t\t\tdecoding=\"async\"\n\t\t\t\t\t>\n\t\t\t\t<\/a>\n\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<div\n\t\t\t\tclass=\"web-stories-list__story\"\n\t\t\t\tdata-wp-interactive=\"web-stories-block\"\n\t\t\t\tdata-wp-context='{\"instanceId\":1}'\t\t\t\tdata-wp-on--click=\"actions.open\"\n\t\t\t\tdata-wp-on-window--popstate=\"actions.onPopstate\"\n\t\t\t\t>\n\t\t\t\t\t\t\t<div class=\"web-stories-list__story-poster\">\n\t\t\t\t<a href=\"https:\/\/neonpolice.com\/es\/web-stories\/top-18-white-sneakers-for-women\/\" >\n\t\t\t\t\t<img\n\t\t\t\t\t\tsrc=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-10-2.webp\"\n\t\t\t\t\t\talt=\"WHITE SNEAKERS FOR WOMEN\"\n\t\t\t\t\t\twidth=\"185\"\n\t\t\t\t\t\theight=\"308\"\n\t\t\t\t\t\t\t\t\t\t\t\t\tsrcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-10-2.webp 640w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-10-2-225x300.webp 225w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-10-2-585x780.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-10-2-150x200.webp 150w\"\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tsizes=\"auto, (max-width: 640px) 100vw, 640px\"\n\t\t\t\t\t\t\t\t\t\t\t\tloading=\"lazy\"\n\t\t\t\t\t\tdecoding=\"async\"\n\t\t\t\t\t>\n\t\t\t\t<\/a>\n\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<div\n\t\t\t\tclass=\"web-stories-list__story\"\n\t\t\t\tdata-wp-interactive=\"web-stories-block\"\n\t\t\t\tdata-wp-context='{\"instanceId\":1}'\t\t\t\tdata-wp-on--click=\"actions.open\"\n\t\t\t\tdata-wp-on-window--popstate=\"actions.onPopstate\"\n\t\t\t\t>\n\t\t\t\t\t\t\t<div class=\"web-stories-list__story-poster\">\n\t\t\t\t<a href=\"https:\/\/neonpolice.com\/es\/web-stories\/what-clothing-brands-do-kids-like\/\" >\n\t\t\t\t\t<img\n\t\t\t\t\t\tsrc=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-Untitled-design-8.webp\"\n\t\t\t\t\t\talt=\"WHAT CLOTHING BRANDS DO KIDS LIKE?\"\n\t\t\t\t\t\twidth=\"185\"\n\t\t\t\t\t\theight=\"308\"\n\t\t\t\t\t\t\t\t\t\t\t\t\tsrcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-Untitled-design-8.webp 640w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-Untitled-design-8-225x300.webp 225w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-Untitled-design-8-585x780.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2022\/10\/cropped-Untitled-design-8-150x200.webp 150w\"\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tsizes=\"auto, (max-width: 640px) 100vw, 640px\"\n\t\t\t\t\t\t\t\t\t\t\t\tloading=\"lazy\"\n\t\t\t\t\t\tdecoding=\"async\"\n\t\t\t\t\t>\n\t\t\t\t<\/a>\n\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<div\n\t\t\t\tclass=\"web-stories-list__story\"\n\t\t\t\tdata-wp-interactive=\"web-stories-block\"\n\t\t\t\tdata-wp-context='{\"instanceId\":1}'\t\t\t\tdata-wp-on--click=\"actions.open\"\n\t\t\t\tdata-wp-on-window--popstate=\"actions.onPopstate\"\n\t\t\t\t>\n\t\t\t\t\t\t\t<div class=\"web-stories-list__story-poster\">\n\t\t\t\t<a href=\"https:\/\/neonpolice.com\/es\/web-stories\/ways-to-reuse-your-wedding-dresses\/\" >\n\t\t\t\t\t<img\n\t\t\t\t\t\tsrc=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress-640x853.jpg\"\n\t\t\t\t\t\talt=\"Ways To Reuse Your Wedding Dresses\"\n\t\t\t\t\t\twidth=\"185\"\n\t\t\t\t\t\theight=\"308\"\n\t\t\t\t\t\t\t\t\t\t\t\t\tsrcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress.jpg 640w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress-225x300.jpg 225w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress-9x12.jpg 9w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress-585x780.jpg 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/10\/cropped-wedding-dress-150x200.jpg 150w\"\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\tsizes=\"auto, (max-width: 640px) 100vw, 640px\"\n\t\t\t\t\t\t\t\t\t\t\t\tloading=\"lazy\"\n\t\t\t\t\t\tdecoding=\"async\"\n\t\t\t\t\t>\n\t\t\t\t<\/a>\n\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t<div tabindex=\"0\" aria-label=\"Anterior\" class=\"glider-prev\"><\/div>\n\t\t\t\t\t<div tabindex=\"0\" aria-label=\"Siguiente\" class=\"glider-next\"><\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\n<div id=\"ez-toc-container\" class=\"ez-toc-v2_0_78 counter-hierarchy ez-toc-counter ez-toc-grey ez-toc-container-direction\">\n<div class=\"ez-toc-title-container\">\n<p class=\"ez-toc-title\" style=\"cursor:inherit\">Tabla de contenido<\/p>\n<span class=\"ez-toc-title-toggle\"><a href=\"#\" class=\"ez-toc-pull-right ez-toc-btn ez-toc-btn-xs ez-toc-btn-default ez-toc-toggle\" aria-label=\"Alternar tabla de contenidos\"><span class=\"ez-toc-js-icon-con\"><span class=\"\"><span class=\"eztoc-hide\" style=\"display:none;\">Palanca<\/span><span class=\"ez-toc-icon-toggle-span\"><svg style=\"fill: #999;color:#999\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" class=\"list-377408\" width=\"20px\" height=\"20px\" viewbox=\"0 0 24 24\" fill=\"none\"><path d=\"M6 6H4v2h2V6zm14 0H8v2h12V6zM4 11h2v2H4v-2zm16 0H8v2h12v-2zM4 16h2v2H4v-2zm16 0H8v2h12v-2z\" fill=\"currentColor\"><\/path><\/svg><svg style=\"fill: #999;color:#999\" class=\"arrow-unsorted-368013\" xmlns=\"http:\/\/www.w3.org\/2000\/svg\" width=\"10px\" height=\"10px\" viewbox=\"0 0 24 24\" version=\"1.2\" baseprofile=\"tiny\"><path d=\"M18.2 9.3l-6.2-6.3-6.2 6.3c-.2.2-.3.4-.3.7s.1.5.3.7c.2.2.4.3.7.3h11c.3 0 .5-.1.7-.3.2-.2.3-.5.3-.7s-.1-.5-.3-.7zM5.8 14.7l6.2 6.3 6.2-6.3c.2-.2.3-.5.3-.7s-.1-.5-.3-.7c-.2-.2-.4-.3-.7-.3h-11c-.3 0-.5.1-.7.3-.2.2-.3.5-.3.7s.1.5.3.7z\"\/><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n<nav><ul class='ez-toc-list ez-toc-list-level-1' ><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-1\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#What_is_Cluster_Analysis\" >\u00bfQu\u00e9 es el an\u00e1lisis de conglomerados?<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-2\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Preprocessing_Data_for_Cluster_Analysis\" >Preprocesamiento de datos para an\u00e1lisis de conglomerados<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-3\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Popular_Clustering_Algorithms_and_Implementations_in_Python\" >Algoritmos e implementaciones de agrupaci\u00f3n en cl\u00fasteres populares en Python<\/a><ul class='ez-toc-list-level-3' ><li class='ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-4\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#K-means_Clustering\" >K-significa agrupaci\u00f3n<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-5\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Hierarchical_Clustering\" >Agrupaci\u00f3n jer\u00e1rquica<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-6\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Density-Based_Clustering\" >Agrupaci\u00f3n basada en densidad<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-7\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Internal_Evaluation_Metrics\" >M\u00e9tricas de evaluaci\u00f3n interna<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-3'><a class=\"ez-toc-link ez-toc-heading-8\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#External_Evaluation_Metrics\" >M\u00e9tricas de evaluaci\u00f3n externa<\/a><\/li><\/ul><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-9\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#Conclusion\" >Conclusi\u00f3n<\/a><\/li><li class='ez-toc-page-1 ez-toc-heading-level-2'><a class=\"ez-toc-link ez-toc-heading-10\" href=\"https:\/\/neonpolice.com\/es\/cluster-analysis-in-python\/#FAQs\" >preguntas frecuentes<\/a><\/li><\/ul><\/nav><\/div>\n<h2><span class=\"ez-toc-section\" id=\"What_is_Cluster_Analysis\"><\/span><span style=\"font-weight: 400;\">\u00bfQu\u00e9 es el an\u00e1lisis de conglomerados?<\/span><span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div id=\"attachment_10268\" style=\"width: 910px\" class=\"wp-caption alignnone\"><img decoding=\"async\" aria-describedby=\"caption-attachment-10268\" class=\"size-full wp-image-10268\" src=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis.webp\" alt=\"What is Cluster Analysis?\" width=\"900\" height=\"500\" srcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis.webp 900w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis-300x167.webp 300w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis-768x427.webp 768w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis-18x10.webp 18w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis-585x325.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/what-is-cluster-analysis-150x83.webp 150w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/><p id=\"caption-attachment-10268\" class=\"wp-caption-text\">\u00bfQu\u00e9 es el an\u00e1lisis de conglomerados? | polic\u00eda de ne\u00f3n<\/p><\/div>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">An\u00e1lisis de conglomerados en Python<\/span><\/a><span style=\"font-weight: 400;\"> es el proceso de dividir un conjunto de datos en grupos, o clusters, en funci\u00f3n de la similitud o disimilitud de los objetos que contiene. El objetivo es garantizar que los objetos dentro del mismo grupo sean m\u00e1s similares entre s\u00ed que los de otros grupos. El an\u00e1lisis de conglomerados tiene una amplia gama de aplicaciones, incluida la segmentaci\u00f3n de clientes, el procesamiento de im\u00e1genes, el an\u00e1lisis de datos biol\u00f3gicos y la detecci\u00f3n de anomal\u00edas. Para comprender el an\u00e1lisis de conglomerados, es importante estar familiarizado con los conceptos y la terminolog\u00eda clave. Introducimos t\u00e9rminos como conglomerados, m\u00e9tricas de distancia y centroides. Las m\u00e9tricas de distancia, como la distancia euclidiana y de Manhattan, miden la similitud entre objetos. El centroide representa el punto central de un grupo. Adem\u00e1s, analizamos la validez de los grupos y las m\u00e9tricas de evaluaci\u00f3n para evaluar la calidad de los resultados de la agrupaci\u00f3n.<\/span><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Preprocessing_Data_for_Cluster_Analysis\"><\/span><span style=\"font-weight: 400;\">Preprocesamiento de datos para an\u00e1lisis de conglomerados<\/span><span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div id=\"attachment_10266\" style=\"width: 910px\" class=\"wp-caption alignnone\"><img decoding=\"async\" aria-describedby=\"caption-attachment-10266\" class=\"size-full wp-image-10266\" src=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis.webp\" alt=\"Preprocessing Data for Cluster Analysis\" width=\"900\" height=\"500\" srcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis.webp 900w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis-300x167.webp 300w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis-768x427.webp 768w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis-18x10.webp 18w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis-585x325.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/preprocessing-data-for-cluster-analysis-150x83.webp 150w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/><p id=\"caption-attachment-10266\" class=\"wp-caption-text\">Preprocesamiento de datos para an\u00e1lisis de conglomerados | polic\u00eda de ne\u00f3n<\/p><\/div>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">Preprocesamiento de datos<\/span><\/a><span style=\"font-weight: 400;\"> juega un papel crucial en el an\u00e1lisis de conglomerados en Python. Profundizamos en t\u00e9cnicas para el manejo de valores faltantes, valores at\u00edpicos y variables categ\u00f3ricas. Estos pasos de preprocesamiento garantizan que los datos est\u00e9n en un formato adecuado para la agrupaci\u00f3n. La selecci\u00f3n de caracter\u00edsticas es esencial en el an\u00e1lisis de conglomerados para identificar las caracter\u00edsticas m\u00e1s relevantes para la agrupaci\u00f3n. Exploramos t\u00e9cnicas como el An\u00e1lisis de Componentes Principales (PCA) y t-SNE para la reducci\u00f3n de dimensionalidad, que pueden ayudar a visualizar datos de alta dimensi\u00f3n y mejorar el rendimiento de la agrupaci\u00f3n.<\/span><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Popular_Clustering_Algorithms_and_Implementations_in_Python\"><\/span><span style=\"font-weight: 400;\">Algoritmos e implementaciones de agrupaci\u00f3n en cl\u00fasteres populares en Python<\/span><span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div id=\"attachment_10270\" style=\"width: 910px\" class=\"wp-caption alignnone\"><img decoding=\"async\" aria-describedby=\"caption-attachment-10270\" class=\"size-full wp-image-10270\" src=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python.webp\" alt=\"Popular Clustering Algorithms and Implementations in Python\" width=\"900\" height=\"500\" srcset=\"https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python.webp 900w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python-300x167.webp 300w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python-768x427.webp 768w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python-18x10.webp 18w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python-585x325.webp 585w, https:\/\/neonpolice.com\/wp-content\/uploads\/2023\/05\/popular-clustering-algorithms-and-implementations-in-python-150x83.webp 150w\" sizes=\"(max-width: 900px) 100vw, 900px\" \/><p id=\"caption-attachment-10270\" class=\"wp-caption-text\">Implementaciones y algoritmos de agrupamiento populares en Python | polic\u00eda de ne\u00f3n<\/p><\/div>\n<h3><span class=\"ez-toc-section\" id=\"K-means_Clustering\"><\/span><span style=\"font-weight: 400;\">K-significa agrupaci\u00f3n<\/span><span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">K-medias agrupaci\u00f3n<\/span><\/a><span style=\"font-weight: 400;\"> es uno de los algoritmos de agrupaci\u00f3n en cl\u00fasteres basados en particiones m\u00e1s utilizados. Explicamos los principios detr\u00e1s de K-means y demostramos su implementaci\u00f3n utilizando la biblioteca scikit-learn. Tambi\u00e9n discutimos estrategias para seleccionar el n\u00famero \u00f3ptimo de clusters.<\/span><\/p>\n<h3><span class=\"ez-toc-section\" id=\"Hierarchical_Clustering\"><\/span><span style=\"font-weight: 400;\">Agrupaci\u00f3n jer\u00e1rquica<\/span><span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">Agrupaci\u00f3n jer\u00e1rquica<\/span><\/a><span style=\"font-weight: 400;\"> es un poderoso algoritmo que organiza los datos en una jerarqu\u00eda de grupos. Explicamos los conceptos de agrupaci\u00f3n jer\u00e1rquica aglomerativa y divisiva y mostramos su implementaci\u00f3n con la biblioteca scipy. Los dendrogramas se presentan como representaciones visuales de resultados de agrupamiento jer\u00e1rquico.<\/span><\/p>\n<h3><span class=\"ez-toc-section\" id=\"Density-Based_Clustering\"><\/span><span style=\"font-weight: 400;\">Agrupaci\u00f3n basada en densidad<\/span><span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">Agrupaci\u00f3n basada en densidad<\/span><\/a><span style=\"font-weight: 400;\"> Los algoritmos, como DBSCAN, son adecuados para descubrir grupos de formas arbitrarias. Presentamos el algoritmo DBSCAN y demostramos su implementaci\u00f3n utilizando scikit-learn. Tambi\u00e9n discutimos c\u00f3mo interpretar y evaluar los resultados de DBSCAN.<\/span><\/p>\n<h3><span class=\"ez-toc-section\" id=\"Internal_Evaluation_Metrics\"><\/span><span style=\"font-weight: 400;\">M\u00e9tricas de evaluaci\u00f3n interna<\/span><span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">evaluando<\/span><\/a><span style=\"font-weight: 400;\"> La calidad de los resultados de la agrupaci\u00f3n es crucial para evaluar la eficacia del algoritmo. Explicamos m\u00e9tricas de evaluaci\u00f3n interna como el Coeficiente de Silueta y el \u00cdndice Davies-Bouldin, que miden la cohesi\u00f3n y separaci\u00f3n de los clusters. Mostramos su implementaci\u00f3n en Python.<\/span><\/p>\n<h3><span class=\"ez-toc-section\" id=\"External_Evaluation_Metrics\"><\/span><span style=\"font-weight: 400;\">M\u00e9tricas de evaluaci\u00f3n externa<\/span><span class=\"ez-toc-section-end\"><\/span><\/h3>\n<p><span style=\"font-weight: 400;\">En algunos casos, <\/span><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">m\u00e9tricas de evaluaci\u00f3n externa<\/span><\/a><span style=\"font-weight: 400;\"> se utilizan cuando hay etiquetas de verdad sobre el terreno disponibles. Introducimos m\u00e9tricas como el \u00edndice de Rand ajustado (ARI) y la informaci\u00f3n mutua (MI), que eval\u00faan la concordancia entre los resultados de la agrupaci\u00f3n y la verdad fundamental. Demostramos el uso de m\u00e9tricas de evaluaci\u00f3n externa en Python.<\/span><\/p>\n<h2><span class=\"ez-toc-section\" id=\"Conclusion\"><\/span><span style=\"font-weight: 400;\">Conclusi\u00f3n<\/span><span class=\"ez-toc-section-end\"><\/span><\/h2>\n<p><span style=\"font-weight: 400;\">En este art\u00edculo, hemos explorado el mundo de <a href=\"https:\/\/en.wikipedia.org\/wiki\/Cluster_analysis\" target=\"_blank\" rel=\"noopener\">an\u00e1lisis de conglomerados<\/a> en Python y su importancia en <\/span><a href=\"https:\/\/neonpolice.com\/es\/acwb\/\" target=\"_blank\" rel=\"nofollow noopener sponsored\"><span style=\"font-weight: 400;\">Descubriendo patrones y estructuras.<\/span><\/a><span style=\"font-weight: 400;\"> dentro de conjuntos de datos. Comenzamos por comprender los conceptos centrales del an\u00e1lisis de conglomerados, incluida la definici\u00f3n de conglomerados, m\u00e9tricas de distancia y centroides. Luego profundizamos en los pasos de preprocesamiento necesarios para preparar los datos para agrupaciones, como el manejo de valores faltantes, valores at\u00edpicos y variables categ\u00f3ricas, as\u00ed como t\u00e9cnicas de selecci\u00f3n de caracter\u00edsticas y reducci\u00f3n de dimensionalidad. Exploramos algoritmos de agrupamiento populares disponibles en Python, incluidos K-means, agrupamiento jer\u00e1rquico y agrupamiento basado en densidad. A trav\u00e9s de ejemplos pr\u00e1cticos e implementaciones utilizando bibliotecas como scikit-learn y scipy, aprendimos c\u00f3mo aplicar estos algoritmos a nuestros conjuntos de datos e interpretar los grupos resultantes. Tambi\u00e9n discutimos estrategias para determinar el n\u00famero \u00f3ptimo de conglomerados y evaluamos la calidad de los resultados de la agrupaci\u00f3n utilizando m\u00e9tricas de evaluaci\u00f3n internas y externas. Esto es todo lo que debes saber sobre el an\u00e1lisis de conglomerados en Python. Adem\u00e1s, visite el sitio web oficial de Trending Cult para obtener m\u00e1s informaci\u00f3n sobre el an\u00e1lisis de conglomerados en Python.\u00a0<\/span><\/p>\n<h2><span class=\"ez-toc-section\" id=\"FAQs\"><\/span><span style=\"font-weight: 400;\">preguntas frecuentes<\/span><span class=\"ez-toc-section-end\"><\/span><\/h2>\n<div class=\"su-accordion su-u-trim\"><div class=\"su-spoiler su-spoiler-style-default su-spoiler-icon-plus su-spoiler-closed\" data-scroll-offset=\"0\" data-anchor-in-url=\"no\"><div class=\"su-spoiler-title\" tabindex=\"0\" role=\"button\"><span class=\"su-spoiler-icon\"><\/span>\u00bfC\u00f3mo hacer an\u00e1lisis de conglomerados con Python?<\/div><div class=\"su-spoiler-content su-u-clearfix su-u-trim\">\n<p>El an\u00e1lisis de conglomerados se puede realizar en Python utilizando varias bibliotecas y algoritmos. A continuaci\u00f3n se muestra un proceso general paso a paso para realizar un an\u00e1lisis de conglomerados:<\/p>\n<p>Importe las bibliotecas necesarias: comience importando las bibliotecas necesarias, como NumPy, pandas, scikit-learn y matplotlib.<\/p>\n<p>Cargue y preprocese los datos: cargue su conjunto de datos en Python y preproceselo seg\u00fan sea necesario. Esto puede implicar el manejo de valores faltantes, escalar o normalizar caracter\u00edsticas y codificar variables categ\u00f3ricas.<br \/>\nElija el algoritmo de agrupaci\u00f3n adecuado: hay varios algoritmos de agrupaci\u00f3n disponibles en Python, incluidos K-means, agrupaci\u00f3n jer\u00e1rquica y DBSCAN. Seleccione el algoritmo seg\u00fan las caracter\u00edsticas y requisitos de sus datos.<br \/>\nCree una instancia del algoritmo de agrupamiento: cree una instancia del algoritmo de agrupamiento elegido con los par\u00e1metros deseados.<br \/>\nAjustar el algoritmo a los datos: aplique el algoritmo de agrupamiento al conjunto de datos preprocesado utilizando el m\u00e9todo fit(). Este paso calcula los grupos y asigna cada punto de datos a un grupo.<br \/>\nAnalizar los resultados: Evaluar los resultados del clustering analizando los clusters obtenidos. Puede examinar las etiquetas de los grupos asignadas a cada punto de datos y explorar las caracter\u00edsticas de cada grupo.<br \/>\nVisualice los grupos: utilice t\u00e9cnicas de visualizaci\u00f3n de datos para trazar los grupos y obtener informaci\u00f3n. Esto puede implicar la creaci\u00f3n de diagramas de dispersi\u00f3n, mapas de calor u otros m\u00e9todos de visualizaci\u00f3n.<\/p>\n<\/div><\/div> <div class=\"su-spoiler su-spoiler-style-default su-spoiler-icon-plus su-spoiler-closed\" data-scroll-offset=\"0\" data-anchor-in-url=\"no\"><div class=\"su-spoiler-title\" tabindex=\"0\" role=\"button\"><span class=\"su-spoiler-icon\"><\/span>\u00bfPara qu\u00e9 sirve el an\u00e1lisis de conglomerados en Python?<\/div><div class=\"su-spoiler-content su-u-clearfix su-u-trim\">\n<p>El an\u00e1lisis de conglomerados es una t\u00e9cnica poderosa en Python que tiene varias aplicaciones en diferentes dominios. Algunos usos comunes del an\u00e1lisis de conglomerados en Python incluyen:<\/p>\n<p>Segmentaci\u00f3n de clientes: el an\u00e1lisis de conglomerados se puede utilizar para agrupar clientes en funci\u00f3n de sus patrones de compra, preferencias o datos demogr\u00e1ficos. Esto ayuda a las empresas a adaptar sus estrategias de marketing y mejorar la satisfacci\u00f3n del cliente.<br \/>\nProcesamiento de im\u00e1genes: los algoritmos de agrupamiento se pueden aplicar a im\u00e1genes para tareas como segmentaci\u00f3n de im\u00e1genes, reconocimiento de objetos y compresi\u00f3n de im\u00e1genes.<br \/>\nDetecci\u00f3n de anomal\u00edas: el an\u00e1lisis de conglomerados puede identificar valores at\u00edpicos o anomal\u00edas en conjuntos de datos, lo que ayuda a detectar fraudes, intrusiones en la red o cualquier comportamiento anormal en un sistema.<br \/>\nAgrupaci\u00f3n de documentos: el an\u00e1lisis de agrupaciones se puede utilizar para agrupar documentos similares, lo que ayuda en tareas como la clasificaci\u00f3n de textos, el modelado de temas y los sistemas de recomendaci\u00f3n.<br \/>\nGen\u00f3mica y bioinform\u00e1tica: el an\u00e1lisis de conglomerados ayuda a identificar patrones en datos gen\u00e9ticos, clasificar perfiles de expresi\u00f3n gen\u00e9tica y descubrir relaciones entre genes.<\/p>\n<\/div><\/div> <div class=\"su-spoiler su-spoiler-style-default su-spoiler-icon-plus su-spoiler-closed\" data-scroll-offset=\"0\" data-anchor-in-url=\"no\"><div class=\"su-spoiler-title\" tabindex=\"0\" role=\"button\"><span class=\"su-spoiler-icon\"><\/span>\u00bfQu\u00e9 herramienta se utiliza para el an\u00e1lisis de conglomerados?<\/div><div class=\"su-spoiler-content su-u-clearfix su-u-trim\">\n<p>Python proporciona varias herramientas y bibliotecas para el an\u00e1lisis de conglomerados. Algunos populares incluyen:<\/p>\n<p>scikit-learn: scikit-learn es una biblioteca de aprendizaje autom\u00e1tico ampliamente utilizada en Python que ofrece varios algoritmos de agrupaci\u00f3n, incluidos K-means, agrupaci\u00f3n jer\u00e1rquica y DBSCAN.<br \/>\nscipy: la biblioteca scipy proporciona funciones para inform\u00e1tica cient\u00edfica e incluye algoritmos de agrupamiento jer\u00e1rquico y m\u00e9tricas de distancia.<br \/>\npandas: pandas es una potente biblioteca de manipulaci\u00f3n de datos que se puede utilizar para preprocesar y organizar datos antes de aplicar algoritmos de agrupaci\u00f3n.<br \/>\nMatplotlib y Seaborn: estas bibliotecas ofrecen una variedad de capacidades de visualizaci\u00f3n de datos, lo que permite la creaci\u00f3n de gr\u00e1ficos detallados y visualizaciones de cl\u00fasteres.<\/p>\n<\/div><\/div>\n<div class=\"su-accordion su-u-trim\"><\/div><div class=\"su-spoiler su-spoiler-style-default su-spoiler-icon-plus su-spoiler-closed\" data-scroll-offset=\"0\" data-anchor-in-url=\"no\"><div class=\"su-spoiler-title\" tabindex=\"0\" role=\"button\"><span class=\"su-spoiler-icon\"><\/span>\u00bfC\u00f3mo trazar 3 grupos en Python?<\/div><div class=\"su-spoiler-content su-u-clearfix su-u-trim\">\n<p>importar matplotlib.pyplot como plt<\/p>\n<p>importar numpy como np<\/p>\n<p># Genera datos aleatorios para tres grupos.<\/p>\n<p>semilla.aleatoria(0)<\/p>\n<p>grupo1 = np.aleatorio.normal(2, 1, (50, 2))<\/p>\n<p>cluster2 = np.aleatorio.normal(5, 1, (50, 2))<\/p>\n<p>cluster3 = np.aleatorio.normal(8, 1, (50, 2))<\/p>\n<p># Concatenar los clusters en un solo conjunto de datos<\/p>\n<p>datos = np.concatenate((cl\u00faster1, cl\u00faster2, cl\u00faster3))<\/p>\n<p># Trazar los clusters<\/p>\n<p>plt.scatter(datos[:, 0], datos[:, 1], s=50)<\/p>\n<p>plt.title(&#039;Trama de tres grupos&#039;)<\/p>\n<p>plt.xlabel(&#039;Eje X<\/p>\n<\/div><\/div><\/div>\n<p>&nbsp;<\/p>\n<p><script type=\"application\/ld+json\">\n{\n  \"@context\": \"https:\/\/schema.org\",\n  \"@type\": \"FAQPage\",\n  \"mainEntity\": [{\n    \"@type\": \"Question\",\n    \"name\": \"How to do cluster analysis with Python?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Cluster analysis can be performed in Python using various libraries and algorithms. Here's a general step-by-step process to conduct cluster analysis:<\/p>\n<p>Import the necessary libraries: Begin by importing the required libraries, such as NumPy, pandas, scikit-learn, and matplotlib.<\/p>\n<p>Load and preprocess the data: Load your dataset into Python, and preprocess it as needed. This may involve handling missing values, scaling or normalizing features, and encoding categorical variables.\nChoose the appropriate clustering algorithm: There are several clustering algorithms available in Python, including K-means, hierarchical clustering, and DBSCAN. Select the algorithm based on your data characteristics and requirements.\nCreate an instance of the clustering algorithm: Instantiate the chosen clustering algorithm with the desired parameters.\nFit the algorithm to the data: Apply the clustering algorithm to the preprocessed dataset using the fit() method. This step calculates the clusters and assigns each data point to a cluster.\nAnalyze the results: Evaluate the clustering results by analyzing the obtained clusters. You can examine the cluster labels assigned to each data point and explore the characteristics of each cluster.\nVisualize the clusters: Use data visualization techniques to plot the clusters and gain insights. This may involve creating scatter plots, heatmaps, or other visualization methods.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"What is the use of cluster analysis in Python?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Cluster analysis is a powerful technique in Python that has various applications across different domains. Some common uses of cluster analysis in Python include:<\/p>\n<p>Customer segmentation: Cluster analysis can be used to group customers based on their buying patterns, preferences, or demographics. This helps businesses tailor their marketing strategies and improve customer satisfaction.\nImage processing: Clustering algorithms can be applied to images for tasks such as image segmentation, object recognition, and image compression.\nAnomaly detection: Cluster analysis can identify outliers or anomalies in datasets, helping detect fraud, network intrusions, or any abnormal behaviour in a system.\nDocument clustering: Cluster analysis can be used to group similar documents together, aiding tasks such as text classification, topic modelling, and recommendation systems.\nGenomics and bioinformatics: Cluster analysis helps identify patterns in genetic data, classify gene expression profiles, and discover relationships between genes.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"Which tool is used for cluster analysis?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"Python provides several tools and libraries for cluster analysis. Some popular ones include:<\/p>\n<p>scikit-learn: scikit-learn is a widely-used machine learning library in Python that offers various clustering algorithms, including K-means, hierarchical clustering, and DBSCAN.\nscipy: The scipy library provides functions for scientific computing and includes hierarchical clustering algorithms and distance metrics.\npandas: pandas is a powerful data manipulation library that can be used for preprocessing and organizing data before applying clustering algorithms.\nMatplotlib and Seaborn: These libraries offer a range of data visualization capabilities, enabling the creation of insightful plots and visualizations of clusters.\"\n    }\n  },{\n    \"@type\": \"Question\",\n    \"name\": \"How to plot 3 clusters in Python?\",\n    \"acceptedAnswer\": {\n      \"@type\": \"Answer\",\n      \"text\": \"import matplotlib.pyplot as plt\nimport numpy as np<\/p>\n<p># Generate random data for three clusters\nnp. random.seed(0)\ncluster1 = np.random.normal(2, 1, (50, 2))\ncluster2 = np.random.normal(5, 1, (50, 2))\ncluster3 = np.random.normal(8, 1, (50, 2))<\/p>\n<p># Concatenate the clusters into a single dataset\ndata = np.concatenate((cluster1, cluster2, cluster3))<\/p>\n<p># Plot the clusters\nplt.scatter(data[:, 0], data[:, 1], s=50)\nplt.title('Plot of Three Clusters')\nplt.xlabel('X-axis\"\n    }\n  }]\n}\n<\/script><\/p>","protected":false},"excerpt":{"rendered":"<p>El an\u00e1lisis de conglomerados en Python es una t\u00e9cnica fundamental en la miner\u00eda de datos y el aprendizaje autom\u00e1tico que se utiliza para identificar grupos o conglomerados dentro de un conjunto de datos. Se aplica ampliamente en diversos dominios,\u2026<\/p>","protected":false},"author":2,"featured_media":10272,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[252,1016],"tags":[668],"class_list":["post-10254","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-technology","category-datacamp","tag-cluster-analysis-in-python"],"_links":{"self":[{"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/posts\/10254","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/users\/2"}],"replies":[{"embeddable":true,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/comments?post=10254"}],"version-history":[{"count":0,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/posts\/10254\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/media\/10272"}],"wp:attachment":[{"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/media?parent=10254"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/categories?post=10254"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/neonpolice.com\/es\/wp-json\/wp\/v2\/tags?post=10254"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}