Del dato crudo a la conclusión: NumPy, Pandas, limpieza, estadística y gráficos, con un proyecto integrador.
Aprende a analizar datos con Python: NumPy, Pandas, limpieza, transformación, estadística y visualización, desde la pregunta de negocio hasta el informe de conclusiones.
Contenido del curso
Unidad 1: Entorno y Primeros Pasos con Datos
Conoce el ciclo del análisis de datos, las herramientas de Python para trabajar con datos, los tipos de variables y los niveles de medición, y explora tu primer dataset real.
El ciclo del análisis de datos
Herramientas: Jupyter, Pandas, NumPy y Matplotlib
Tipos de datos y niveles de medición
Primer vistazo a un dataset real
¡Clasifica los tipos de variables!
Empareja conceptos del análisis de datos
Prueba de la unidad
Unidad 2: NumPy: Cálculo Numérico
Aprende por qué NumPy es más rápido que las listas, cómo crear y recorrer arrays, operar sin bucles con vectorización y broadcasting, y filtrar con máscaras booleanas.
Arrays vs. listas
Creación de arrays, shape y dtype
Indexación y slicing: predice el resultado
Operaciones vectorizadas y broadcasting
Funciones estadísticas por eje: completa el código
Máscaras booleanas
Empareja la expresión con su resultado
¡Clasifica las funciones de NumPy!
Prueba de la unidad
Unidad 3: Pandas: Series y DataFrames
Trabaja con tablas de datos: crea Series y DataFrames, lee archivos, inspecciona, selecciona con loc e iloc, filtra, ordena y evita los errores más comunes de Pandas.
Series y DataFrame
Leer CSV, Excel y JSON
Inspección: head, info, describe y shape
Selección con loc e iloc: predice el resultado
Filtrado con condiciones: completa el código
Ordenar, columnas nuevas y apply
Errores típicos de Pandas: encuentra el error
¿Devuelve Series, DataFrame o un valor?
Empareja métodos de Pandas con su función
Prueba de la unidad
Unidad 4: Limpieza y Preparación de Datos
Deja tus datos listos para analizar: trata nulos, duplicados y outliers, corrige tipos y texto sucio, codifica categorías y valida la calidad del dataset.
Valores nulos: detectar, eliminar e imputar
Duplicados
Tipos de datos y conversiones: fechas y categorías
Texto sucio: métodos str
Outliers: detectar y decidir
Renombrar, reordenar y codificar categorías
Validación de calidad: rangos, llaves únicas y assert
Caso práctico: un dataset desordenado
Empareja el problema de datos con su solución
¡Clasifica los problemas de calidad de datos!
Prueba de la unidad
Unidad 5: Transformación y Combinación
Resume y reorganiza datos con groupby, tablas dinámicas, merge, concat y melt, trabaja con series de tiempo y escribe un código de análisis reproducible.
groupby y agregaciones
Predice la salida de un groupby
Tablas dinámicas: pivot_table y crosstab
merge y join: tipos de unión
concat
Formato ancho vs. largo con melt
Series de tiempo: fechas, resample y medias móviles
Código reproducible: funciones, pipe y method chaining
Empareja el tipo de join con su resultado
¿groupby, pivot_table o merge? Clasifica
Prueba de la unidad
Unidad 6: Obtener y Entregar Datos
Conoce cómo llegan los datos a tu análisis y cómo salen de él: APIs, JSON anidado, bases SQL, exportación a CSV, Excel y Parquet, informes y datasets grandes.
Leer datos desde una API con requests
JSON anidado con json_normalize
Leer desde SQL con pd.read_sql
Exportar a CSV, Excel y Parquet
De Pandas a Excel: informes listos para entregar
Datasets grandes: chunksize, dtype y category
¿Qué fuente o formato usarías?
Empareja la función de lectura o escritura
Prueba de la unidad
Unidad 7: Análisis Exploratorio y Estadística
Explora un dataset con estadística descriptiva, distribuciones y correlaciones, detecta patrones y sesgos, e interpreta pruebas de hipótesis: p-valor, t-test y chi-cuadrado.
Medidas centrales y de dispersión
Distribuciones y asimetría
Correlación (y correlación no es causalidad)
Análisis univariado y bivariado
Detección de patrones y sesgos
Pruebas de hipótesis I: p-valor y errores comunes
Pruebas de hipótesis II: t-test
Pruebas de hipótesis III: chi-cuadrado e intervalos de confianza
Interpreta el resultado: ¿se rechaza la hipótesis?
Empareja la medida estadística con su significado
Prueba de la unidad
Unidad 8: Visualización de Datos
Elige el gráfico correcto para cada pregunta, conoce Matplotlib y Seaborn, evita los gráficos engañosos y comunica tus hallazgos contando una historia con los datos.
Matplotlib básico: líneas, barras y dispersión
Histogramas y boxplots
Seaborn: heatmaps, pairplot y estilos
Elige el gráfico correcto
Gráficos engañosos y buenas prácticas
Storytelling: comunicar hallazgos
¡Clasifica los gráficos según la pregunta que responden!
Descubre el truco del gráfico engañoso
Prueba de la unidad
Unidad 9: Proyecto Integrador y Evaluación Final
Aplica todo el curso en dos casos completos (ventas y encuesta), redacta un informe de conclusiones, aprende a verificar código generado por IA y rinde la evaluación final.