Bloque 6 · Data Science — Curso de Python

Lección 1 · Teoría

Instalación y NumPy

1.1 · Instalar el trío del Data Science

Crea un entorno virtual para este bloque y usa pip:

entorno + paquetes

$ python -m venv .venv
$ source .venv/bin/activate      # Windows: .venv\Scripts\activate
$ pip install numpy pandas matplotlib
$ python
>>> import pandas as pd   # si no lanza error, todo bien

1.2 · NumPy: arrays rápidos

NumPy es la base numérica. Su objeto estrella es el ndarray, una lista optimizada capaz de hacer operaciones vectorizadas en todo el array:

operaciones vectorizadas

import numpy as np

datos = np.array([1, 2, 3, 4])
print(datos * 2)              # [2 4 6 8] (¡en un paso!)
print(datos.mean(), datos.sum())  # 2.5 10
columna = np.array([1, 2])      # vector fila
matrix = np.random.rand(2, 3)  # matriz 2x3 aleatoria

💡 En datos grandes, un for en Python puro es lentísimo; una operación vectorizada de NumPy es 100× más rápida porque corre en C.

Lección 2 · Teoría

pandas: Series y DataFrame

pandas es la herramienta estrella del análisis de datos. Trae dos estructuras: Series (una columna, con índice) y DataFrame (una tabla, como una hoja de cálculo).

2.1 · Crear un DataFrame

dataframe desde un dict

import pandas as pd

datos = {
    "producto": ["ratón", "teclado", "pad"],
    "precio": [12, 45, 8],
    "stock": [20, 5, 50],
}
df = pd.DataFrame(datos)
print(df)
print(df.shape)        # (3 filas, 3 columnas)
print(df.columns)      # nombres de columnas

2.2 · Acceder a series y celdas

localizar datos

precio_raton = df.loc[0, "precio"]   # fila 0, col 'precio' → 12
precios = df["precio"]              # toda la columna (una Series)
print(precios.mean())               # media de precios

⚠️ Distingue: df["columna"] selecciona columna (Series); df.loc[fila, "columna"] selecciona celda; df.iloc[fila, col] selecciona por posición numérica.

Lección 3 · Teoría

Leer, filtrar y agrupar datos

3.1 · Leer un CSV de un solo golpe

leer CSV con pandas

import pandas as pd

df = pd.read_csv("ventas.csv")
print(df.head())        # primeras 5 filas
print(df.info())        # tipos de cada columna
print(df.describe())    # estadísticas de columnas numéricas

3.2 · Filtrar con condiciones booleanas

filtros encadenados

# ventas de la categoría 'periférico' con importe > 30
caras = df[(df["categoria"] == "periférico") & (df["importe"] > 30)]
print(caras)

⚠️ En pandas usa & (y) y | (o), no and/or. Y envuelve cada condición entre paréntesis: df[(a) & (b)].

3.3 · Agrupar y agregar

groupby agrupa por columna y luego aplicamos una agregación:

ventas por categoría

por_categoria = df.groupby("categoria")["importe"].sum()
print(por_categoria)          # total por categoría

resumen = df.groupby("mes").agg({"importe": ["sum", "mean"]})
print(resumen)                 # total y media por mes

Lección 4 · Teoría

Limpieza de datos

Los datos reales vienen con NaN (valores ausentes), cadenas con espacios y formatos mezclados. Limpiar es el 80 % del trabajo real del Data Science:

limpiar el dataframe

import pandas as pd
import numpy as np

df = pd.DataFrame({
    "nombre": [" ana ", "Luis", None],
    "edad": [25, np.nan, 30],
})

df["nombre"] = df["nombre"].str.strip()        # quitar espacios
df["edad"] = df["edad"].fillna(df["edad"].mean())  # rellenar NaN con la media
df = df.dropna(subset=["nombre"])                   # borrar filas sin nombre
df = df.drop_duplicates()                             # quitar duplicados

💡 Trucos clave: isna()/notna() detectan ausentes, fillna(x) los rellena, dropna() los elimina y astype(int/float/str) fuerza el tipo de una columna.

Lección 5 · Teoría

Visualización con Matplotlib

Matplotlib pinta los gráficos. pyplot da la API sencilla: creas figura, llamas al tipo de gráfico y muestras/guardas.

gráfico de barras

import matplotlib.pyplot as plt
import pandas as pd

df = pd.read_csv("ventas.csv")
totales = df.groupby("mes")["importe"].sum()

plt.bar(totales.index, totales.values, color="#7c5cff")
plt.title("Ventas por mes")
plt.xlabel("Mes")
plt.ylabel("Importe")
plt.show()                 # o plt.savefig("grafico.png")

5.1 · Tipos de gráfico que dominan

plt.bar() — comparar categorías (mes por mes).

plt.plot() — tendencia en el tiempo (línea).

plt.hist() — distribución de una columna (histograma).

plt.scatter() — relación entre dos columnas (puntos).

df.plot() — atajo de pandas sobre Matplotlib.

plt.savefig(nombre) — guarda el gráfico en un fichero.

💡 En Jupyter o VS Code los gráficos se muestran con %matplotlib inline (Jupyter) o rellenando un bloque de celdas de salida (VS Code). En un script normal usa plt.show().

🎉 Ya tienes el ciclo completo del análisis de datos: read_csv → limpieza → filtro → groupby → gráfico. Esto es exactamente lo que se pide en la mayoría de puestos de «analista de datos» junior.

Manos a la obra

✍️ Los 15 ejercicios del bloque

Crea la carpeta python-b6/ y un archivo .py por ejercicio. Acuérdate de activar el entorno virtual antes de ejecutarlos (source .venv/bin/activate).

Sección A · NumPy

1 Arrays vectorizados

Crea np.array([1, 2, 3, 4]) y muestra su doble, su suma, su raíz cuadrada (con np.sqrt) y la media.

Ver solución

import numpy as np

datos = np.array([1, 2, 3, 4])
print(datos * 2)
print(datos.sum())
print(np.sqrt(datos))
print(datos.mean())

2 Matriz 3×3 aleatoria

Con np.random.randint crea una matriz 3×3 de números del 1 al 10 y muestra su forma, su máximo y el máximo de cada columna (axis=0).

Ver solución

import numpy as np

m = np.random.randint(1, 11, size=(3, 3))
print(m)
print(m.shape)
print(m.max())
print(m.max(axis=0))

Sección B · pandas básico

3 Primer DataFrame

Crea un DataFrame a partir del dict {"ciudad": ["Madrid", "Valencia", "Bilbao"], "votos": [100, 80, 60]} y muestra las 2 primeras filas con head(2), el shape y las columnas.

Ver solución

import pandas as pd

df = pd.DataFrame({"ciudad": ["Madrid", "Valencia", "Bilbao"],
                   "votos": [100, 80, 60]})
print(df.head(2))
print(df.shape)
print(df.columns)

4 Acceder a celdas

Sobre el DataFrame anterior, muetra con loc la fila 1 y la celda [2, "votos"], y con iloc la primera fila por posición.

Ver solución

import pandas as pd

df = pd.DataFrame({"ciudad": ["Madrid", "Valencia", "Bilbao"],
                   "votos": [100, 80, 60]})
print(df.loc[1])
print(df.loc[2, "votos"])
print(df.iloc[0])

5 Describe tu tabla

Crear un DataFrame con {"alumno": [...5 nombres...], "nota": [...5 notas...]} y muestra describe() de la columna nota y su desviación típica con .std().

Ver solución

import pandas as pd

df = pd.DataFrame({"alumno": ["a", "b", "c", "d", "e"],
                   "nota": [7, 8, 9, 6, 10]})
print(df["nota"].describe())
print(df["nota"].std())

Sección C · Filtrar, agrupar y limpiar

6 Filtro de mayores

Sobre un DataFrame de {"nombre": [...], "edad": [...]}, muestra solo las filas con edad mayor de 25 usando la condición booleana entre paréntesis.

Ver solución

import pandas as pd

df = pd.DataFrame({"nombre": ["Ana", "Luis", "Rita", "Paz"],
                   "edad": [24, 30, 28, 19]})
mayores = df[df["edad"] > 25]
print(mayores)

7 Filtro con & y |

Del DataFrame anterior, muestra los mayores de 25 o los que empiezan por R (usa el módulo str de pandas: df["nombre"].str.startswith("R")) combinados con |.

Ver solución

import pandas as pd

df = pd.DataFrame({"nombre": ["Ana", "Luis", "Rita", "Paz"],
                   "edad": [24, 30, 28, 19]})
sel = df[(df["edad"] > 25) | df["nombre"].str.startswith("R")]
print(sel)

8 Groupby de ventas

Crea un DataFrame de ventas {"tienda": ["A", "A", "B", "B"], "importe": [100, 50, 200, 75]} y con groupby muestra la suma y la media por tienda.

Ver solución

import pandas as pd

df = pd.DataFrame({"tienda": ["A", "A", "B", "B"],
                   "importe": [100, 50, 200, 75]})
print(df.groupby("tienda")["importe"].sum())
print(df.groupby("tienda")["importe"].mean())

9 Leer CSV con pandas

Crea alumnos.csv (con las librerías csv) con nombre,nota para 4 alumnos, luego léelo con pd.read_csv y muestra head() y la nota media.

Ver solución

import csv
import pandas as pd

with open("alumnos.csv", "w", newline="", encoding="utf-8") as f:
    w = csv.writer(f)
    w.writerow(["nombre", "nota"])
    w.writerows([["Ana", 8], ["Luis", 7], ["Rita", 9], ["Paz", 5]])

df = pd.read_csv("alumnos.csv")
print(df.head())
print(df["nota"].mean())

10 Rellenar NaN

Crea un DataFrame con {"edad": [25, None, 30, None]} y rellena los ausentes con la media de la columna usando fillna. Muestra el resultado.

Ver solución

import pandas as pd

df = pd.DataFrame({"edad": [25, None, 30, None]})
df["edad"] = df["edad"].fillna(df["edad"].mean())
print(df)

11 Quitar duplicados y espacios

Crea un DataFrame con nombres con espacios y una fila duplicada. Limpia con str.strip() y drop_duplicates(). Muestra el resultado.

Ver solución

import pandas as pd

df = pd.DataFrame({"nombre": [" Ana ", "Luis", "Ana", "Luis"]})
df["nombre"] = df["nombre"].str.strip()
df = df.drop_duplicates()
print(df)

12 Gráfico de barras

Con un DataFrame de ventas por mes, pinta un plt.bar() con título y etiquetas, y guárdalo con plt.savefig("barras.png").

Ver solución

import pandas as pd
import matplotlib.pyplot as plt

df = pd.DataFrame({"mes": ["ene", "feb", "mar"],
                   "importe": [100, 150, 90]})

plt.bar(df["mes"], df["importe"], color="#7c5cff")
plt.title("Ventas por mes")
plt.xlabel("Mes")
plt.ylabel("Importe")
plt.savefig("barras.png")

13 Línea de tendencia

Pinta con plt.plot la serie [5, 8, 6, 10, 12] (días 1 a 5) con un marcador de puntos y título «Tendencia».

Ver solución

import matplotlib.pyplot as plt

dias = [1, 2, 3, 4, 5]
valores = [5, 8, 6, 10, 12]
plt.plot(dias, valores, marker="o")
plt.title("Tendencia")
plt.show()

14 Histograma estándar

Con plt.hist muestra la distribución de las notas de una lista de 20 notas aleatorias entre 0 y 10 (random.randint), con 10 contenedores (bins=10).

Ver solución

import random
import matplotlib.pyplot as plt

notas = [random.randint(0, 10) for _ in range(20)]
plt.hist(notas, bins=10)
plt.title("Distribución de notas")
plt.show()

15 🏆 Proyecto integrador: «análisis de ventas»

Crea analisis_ventas.py: un mini informe de un CSV de ventas usando pandas y un gráfico. Requisitos:

Genera ventas.csv (12 filas) con columnas mes, categoria, importe (categorías: periférico y pantalla; importes aleatorios).
Léelo con pd.read_csv.
Añade 2 filas con importe/valor ausente (NaN) y límpialas con dropna o fillna.
Filtra solo las ventas con importe mayor a un umbral (p. ej. 60).
Agrupa con groupby("categoria")["importe"].sum().
Pinta un plt.bar del total por categoría y guarda resumen_ventas.png.
Muestra por consola el total general y la media por categoría.
Define una función con docstring para una parte del análisis.

Ver una solución posible

import csv
import random
import pandas as pd
import matplotlib.pyplot as plt

def generar_csv(ruta):
    """Crea el fichero de ventas con 12 filas y 2 huecos a propósito."""
    filas = []
    for mes in ["ene", "feb", "mar"]:
        filas.append({"mes": mes, "categoria": "periférico", "importe": random.randint(30, 90)})
        filas.append({"mes": mes, "categoria": "pantalla", "importe": random.randint(80, 200)})
    filas.append({"mes": "abr", "categoria": "periférico", "importe": None})
    filas.append({"mes": "abr", "categoria": "pantalla", "importe": None})
    with open(ruta, "w", newline="", encoding="utf-8") as f:
        w = csv.DictWriter(f, fieldnames=["mes", "categoria", "importe"])
        w.writeheader()
        w.writerows(filas)

generar_csv("ventas.csv")

df = pd.read_csv("ventas.csv")
df = df.dropna(subset=["importe"])

caras = df[df["importe"] > 60]
totales = df.groupby("categoria")["importe"].sum()
medias = df.groupby("categoria")["importe"].mean()

print(f"Ventas altas: {len(caras)}")
print(totales)
print(medias)

plt.bar(totales.index, totales.values, color="#7c5cff")
plt.title("Ventas totales por categoría")
plt.savefig("resumen_ventas.png")

Bloque 6: Data Science

Instalación y NumPy

1.1 · Instalar el trío del Data Science

1.2 · NumPy: arrays rápidos

pandas: Series y DataFrame

2.1 · Crear un DataFrame

2.2 · Acceder a series y celdas

Leer, filtrar y agrupar datos

3.1 · Leer un CSV de un solo golpe

3.2 · Filtrar con condiciones booleanas

3.3 · Agrupar y agregar

Limpieza de datos

Visualización con Matplotlib

5.1 · Tipos de gráfico que dominan

✍️ Los 15 ejercicios del bloque

Sección A · NumPy

1 Arrays vectorizados

2 Matriz 3×3 aleatoria

Sección B · pandas básico

3 Primer DataFrame

4 Acceder a celdas

5 Describe tu tabla

Sección C · Filtrar, agrupar y limpiar

6 Filtro de mayores

7 Filtro con & y |

8 Groupby de ventas

9 Leer CSV con pandas

10 Rellenar NaN

11 Quitar duplicados y espacios

12 Gráfico de barras

13 Línea de tendencia

14 Histograma estándar

15 🏆 Proyecto integrador: «análisis de ventas»

📝 Examen del Bloque 6

Parte A · Test teórico (aprueba con 11/15)

Parte B · Reto «tiny dataset»