Clase N° 1 | Introducción a Data

Analytics
Temario:
1.​ Conceptos básicos en ciencias de datos
a.​ Definiciones clave
b.​ Procesos en ciencias de datos
c.​ TIC
d.​ Roles profesionales
2.​ Entornos de trabajo
a.​ Jupyter Notebooks
3.​ Python
a.​ Estructuras de datos básicas
b.​ Librerías Python para análisis de datos
Presentación de la Empresa

Imaginá que recibís una invitación para participar

en el proceso de selección de SynthData, una
startup ubicada en Buenos Aires. ​
¿Cuál sería el reto? Completar una pasantía de
aprendizaje que pondrá a prueba todas tus
habilidades y aprendizaje. ​
A partir de este momento un equipo de expertos te
acompañará en este emocionante viaje. Clase a
clase encontrarás un texto que te dará la base teórica, una serie de ejercicios cortos
que te ayudará a ganar habilidades y expertise en diferentes contextos en los que
analizamos datos. A lo largo de la cursada, y con tus nuevas habilidades, el equipo
de Data Analytics te guiará en el desarrollo de un proyecto integral de análisis de
datos desde cero.

Acerca de SynthData
En Synthdata, transformamos datos en oportunidades estratégicas. Nuestro equipo
de analistas de datos está comprometido a potenciar el éxito de las empresas a
través de soluciones avanzadas de análisis y visualización. Mediante un enfoque
personalizado, ayudamos a nuestros clientes a desentrañar insights clave que
facilitan la toma de decisiones informadas y efectivas. Nuestra misión es simplificar
la complejidad de los datos para convertirla en un motor de crecimiento claro y
accesible para su negocio. ¡Descubra las posibilidades infinitas que podemos
ofrecerle!

Equipo SynthData
Silvia Luis
BI Analyst
Project Manager y
Data Scientist

Matias Sabrina
Data Analyst​ Data Engineer
1. Conceptos básicos en ciencias de datos

Bienvenidos al curso de Data Analytics, una puerta de entrada al fascinante mundo

de las ciencias de datos. En la era digital actual, la capacidad de analizar y extraer
información valiosa de grandes volúmenes de datos se ha convertido en una
habilidad esencial en diversas industrias. Este curso está diseñado para
proporcionar una comprensión sólida de los conceptos básicos de la ciencia de
datos, preparándote para enfrentar los desafíos y aprovechar las oportunidades que
presentan los datos en tu entorno profesional.

a. Definiciones clave
La ciencia de datos es una disciplina que combina
diversos campos como las matemáticas, la
estadística, la informática y el conocimiento de
dominio para extraer conocimiento e insights valiosos
de los datos. A lo largo de los años, ha evolucionado
con el desarrollo de nuevas tecnologías y métodos. A
continuación, se definen algunos conceptos clave y
tecnologías que son fundamentales en el ámbito de la
ciencia de datos.

1.​ Datos: La materia prima de la ciencia de datos, que puede ser estructurada
(como bases de datos) o no estructurada (como textos, imágenes o video).
Los datos son la base para realizar análisis y obtener insights.
2.​ Big Data: Se refiere a conjuntos de datos tan grandes y complejos que las
herramientas de procesamiento y análisis de datos tradicionales no son
suficientes. Big Data se caracteriza por las "3 Vs": volumen, velocidad y
variedad.
3.​ Análisis de Datos: Proceso de inspeccionar, limpiar y modelar datos con el
objetivo de descubrir información útil, informando así la toma de decisiones.
Incluye tanto análisis descriptivo como predictivo y prescriptivo.
4.​ Modelado Predictivo: Uso de modelos estadísticos y algoritmos de machine
learning (aprendizaje automático) para predecir resultados futuros basados
en datos históricos. Implica identificar patrones en los datos y aplicarlos a
nuevos casos.
5.​ Machine Learning (Aprendizaje Automático): Parte de la inteligencia
artificial que permite a las máquinas aprender de datos y mejorar su
rendimiento en tareas específicas sin ser programadas explícitamente.
Incluye algoritmos de clasificación, regresión y agrupamiento.
6.​ Inteligencia Artificial (IA): se refiere a la simulación de procesos de
inteligencia humana por parte de sistemas computacionales. Esto incluye el
 desarrollo de algoritmos y modelos que permiten a las máquinas realizar
tareas que normalmente requieren inteligencia humana.
7.​ Visualización de Datos: Técnica que convierte datos en representaciones
gráficas o visuales, facilitando la comprensión e identificación de patrones o
tendencias en los datos.
8.​ Minería de Datos: Proceso de descubrir patrones significativos y relaciones
en grandes conjuntos de datos utilizando técnicas de análisis estadístico,
machine learning y visualización.

La ciencia de datos es un campo en constante evolución que integra una variedad

de conceptos y tecnologías. Desde el manejo de grandes volúmenes de datos hasta
la aplicación de técnicas avanzadas de análisis y visualización, las herramientas y
metodologías de ciencia de datos son fundamentales para convertir datos en
decisiones estratégicas. Comprender estos conceptos y tecnologías es esencial
para cualquier profesional que busque adentrarse en la ciencia de datos y
aprovechar el poder del análisis de datos en su organización.

En cuanto a nuestro objeto primario de estudio (los datos), es importante conocer la

pirámide de la Jerarquía del Conocimiento, un modelo que organiza diferentes
niveles de conocimiento y comprensión, desde los más básicos hasta los más
complejos. Generalmente se representa en forma de pirámide, donde cada nivel
superior se basa en el anterior. A continuación, se describen los niveles típicos de
esta jerarquía:
 1.​ Datos: Recordemos que son hechos y cifras sin contexto. Por sí solos, no
tienen significado. Ejemplo: "29ºC", "Rosario".​
​
2.​ Información: Se refiere a datos que han sido organizados o procesados para
darles significado. Ejemplo: "La temperatura en Rosario es de 29ºC".​
​
3.​ Conocimiento: Es la comprensión e interpretación de la información. Implica
la capacidad de aplicar la información en contextos específicos. Ejemplo:
"Sabemos que 25ºC es una temperatura demasiado alta para Rosario en
invierno".​
​
4.​ Sabiduría: Es la capacidad de hacer juicios y tomar decisiones basadas en el
conocimiento. Implica la experiencia y la reflexión. Ejemplo: "Los días de 29
grados en Rosario, es recomendable llevar agua y protector solar".​
​

A veces se considera un nivel superior, la inteligencia, que implica la capacidad de

aprender, adaptarse y resolver problemas complejos utilizando todos los niveles
anteriores.

Esta jerarquía es útil en diversos campos, como la educación, la gestión del

conocimiento y la toma de decisiones, ya que ayuda a entender cómo se
construye el conocimiento y cómo se puede aplicar de manera efectiva.

b. Procesos en ciencias de datos

El análisis de datos es un proceso sistemático que permite extraer información

valiosa de conjuntos de datos, a fin de tomar decisiones informadas y resolver
problemas específicos. Este proceso puede variar en función del contexto y los
objetivos, pero generalmente se puede dividir en varias etapas clave, cada una de
las cuales desempeña un papel fundamental en la obtención de resultados
significativos. A continuación, se describen los principales procesos del análisis
de datos:

1. Definición del Problema

El primer paso en cualquier análisis de datos es

definir claramente el problema o la pregunta que
se intenta responder. Esto implica identificar los
objetivos del análisis y establecer un marco
específico que guiará todo el proceso. Una
definición precisa permitirá focalizar los esfuerzos
de recopilación y análisis de datos.​
Ejemplo: Una empresa puede querer analizar por qué ha disminuido la satisfacción
del cliente en sus servicios. La pregunta clave sería: "¿Cuáles son los factores que
afectan la satisfacción del cliente en forma negativa?"

2. Recolección de Datos

Una vez que se ha definido el problema, es necesario recopilar los datos

relevantes. Esto puede incluir la recolección de datos primarios, mediante
encuestas o entrevistas, así como la obtención de datos secundarios de fuentes ya
existentes como bases de datos, informes u otras publicaciones. ​
Ejemplo: Para abordar el problema de la satisfacción del cliente, la empresa podría
recopilar datos a través de encuestas a clientes y análisis de quejas registradas.

3. Preparación de Datos

La preparación de datos, también conocida como limpieza de datos, es una etapa

crucial que implica la transformación y organización de los datos recolectados para
asegurar que estén en condiciones óptimas para el análisis. Esto incluye la
eliminación de duplicados, el manejo de valores faltantes y la conversión de datos
en un formato adecuado.​
Ejemplo: Puede que se encuentren respuestas faltantes en las encuestas. Se debe
decidir si estas se imputan, se eliminan o se manejan de otra manera.

4. Análisis Exploratorio de Datos (EDA)

El análisis exploratorio de datos es una fase en la que se examinan los datos

limpios para comprender su estructura, identificar patrones y buscar
información relevante. Esto incluye el uso de estadísticas descriptivas y
visualizaciones para obtener una primera impresión de los datos.​
Ejemplo: Utilizando gráficos de dispersión e histogramas, la empresa puede
observar tendencias en los niveles de satisfacción del cliente en relación con
variables como el tiempo de espera y la calidad del servicio.

5. Modelado

El modelado implica aplicar técnicas estadísticas o algoritmos de machine

learning para construir modelos que puedan predecir o explicar patrones en
los datos. Esta etapa puede incluir la selección del modelo adecuado, el ajuste de
parámetros y la validación del modelo.​
Ejemplo: La empresa podría construir un modelo de regresión que relacione la
satisfacción del cliente con diferentes variables, tratando de predecir qué factores
afectan más la satisfacción.
6. Evaluación

Una vez que se ha desarrollado un modelo, es esencial evaluarlo para determinar

su efectividad y precisión. Esto incluye la revisión de métricas de rendimiento de
un modelo de clasificación, que busca un equilibrio entre la precisión y la cantidad
de aciertos, dependiendo de la naturaleza del análisis.​
Ejemplo: La empresa evaluaría el modelo para asegurarse de que puede predecir la
satisfacción del cliente con un nivel de precisión aceptable antes de implementarlo.

7. Interpretación y Comunicación de Resultados

Después de evaluar el modelo, los hallazgos obtenidos mediante el análisis

deben interpretarse de manera clara y comprensible. La comunicación efectiva
de los resultados es clave, utilizando visualizaciones, informes y presentaciones
para asegurarse de que los resultados lleguen a los interesados y se tomen en
cuenta en la toma de decisiones.​
Ejemplo: La empresa presentaría un informe a la dirección con visualizaciones que
muestren cómo el tiempo de espera afecta la satisfacción del cliente y recomendaría
estrategias para mejorar la experiencia del cliente.

8. Implementación y Seguimiento

Finalmente, los resultados del análisis deben

integrarse en las decisiones y estrategias
comerciales. Además, es importante realizar un
seguimiento continuo para evaluar el impacto de
las decisiones tomadas a partir del análisis de
datos y ajustar estrategias según sea necesario.​
Ejemplo: Si se implementan cambios para
reducir el tiempo de espera, la empresa deberá
realizar un seguimiento de la satisfacción del
cliente y repetir el análisis para medir el impacto
de esas decisiones.

El análisis de datos es un proceso cíclico que va más allá de la simple

recolección de información. Cada etapa es crucial para garantizar que los
resultados sean significativos y puedan utilizarse para guiar decisiones
estratégicas. Al seguir este enfoque estructurado, las organizaciones pueden
maximizar el valor que obtienen de sus datos y, en última instancia, mejorar su
rendimiento y competitividad en el mercado.
c. Tecnologías de la Información y la Comunicación (TIC)

Las Tecnologías de la Información y la Comunicación (TIC) son herramientas y

sistemas que facilitan la captura, el almacenamiento, el procesamiento, la
transmisión y el análisis de información. En el contexto del análisis de datos, las TIC
juegan un papel crucial, ya que permiten a las organizaciones recolectar
grandes volúmenes de datos, transformarlos en información significativa y
tomar decisiones informadas. A continuación, se definen, enumeran y ejemplifican
algunas de las principales TIC orientadas al análisis de datos.

1. Sistemas de Gestión de Bases de Datos (DBMS)

Los sistemas de gestión de bases de datos permiten almacenar y organizar grandes
volúmenes de datos de forma estructurada. Facilitan el acceso, la recuperación y la
manipulación de datos.
Ejemplo: MySQL y PostgreSQL son DBMS de código abierto ampliamente utilizados
que permiten gestionar bases de datos relacionales.

2. Herramientas de Visualización de Datos

Estas herramientas permiten representar datos gráficos
de manera comprensible y visual, favoreciendo la
interpretación rápida de información compleja.
Ejemplo: Tableau, Looker Studio y Power BI permiten
crear dashboards interactivos y visualizaciones que
ayudan a los usuarios a explorar y analizar datos de
manera intuitiva.

3. Lenguajes de Programación para Análisis de Datos

Existen lenguajes de programación que están especialmente diseñados o son
ampliamente utilizados para realizar análisis de datos, permitiendo manipular,
procesar y modelar información.
Ejemplo: Python y R son lenguajes populares para el análisis de datos. Python, con
bibliotecas como Pandas y NumPy, y R, que ofrece potentes paquetes estadísticos,
son herramientas altamente eficientes para científicos de datos.

4. Plataformas de Big Data

Las plataformas de Big Data permiten el
almacenamiento y procesamiento de conjuntos de
datos masivos que no pueden ser gestionados por
sistemas tradicionales. Estas herramientas suelen
utilizar arquitecturas distribuidas.
Ejemplo: Apache Hadoop y Apache Spark son
frameworks que permiten procesar grandes
volúmenes de datos de manera paralela y distribuida, optimizando el análisis en
tiempo real.

5. Servicios en la Nube
Las soluciones en la nube proporcionan la infraestructura y las herramientas
necesarias para el análisis de datos y su almacenamiento, eliminando la necesidad
de mantener servidores físicos.
Ejemplo: Amazon Web Services (AWS), Google Cloud Platform (GCP) y Microsoft
Azure ofrecen una variedad de servicios que incluyen almacenamiento de datos,
análisis y machine learning, accesibles desde cualquier lugar con conexión a
internet.

6. Herramientas de Machine Learning y AI

Las herramientas que permiten aplicar técnicas de machine learning e inteligencia
artificial para extraer patrones y realizar predicciones a partir de datos.
Ejemplo: TensorFlow y Scikit-learn son bibliotecas de Python que facilitan la
implementación de algoritmos de aprendizaje automático y permiten a los analistas
construir modelos predictivos.

7. Sistemas de Business Intelligence (BI)​

Las herramientas de BI ayudan a las organizaciones a analizar datos históricos y
actuales para la toma de decisiones empresariales. Proporcionan análisis de
rendimiento, informes y métricas clave.
Ejemplo: IBM Cognos y SAP BusinessObjects permiten generar informes y análisis
detallados sobre el rendimiento empresarial a partir de datos integrados de diversas
fuentes.

Las TIC orientadas al análisis de datos proporcionan a las empresas las

herramientas necesarias para transformar datos en información útil y estratégica.
La combinación de estas tecnologías permite la creación de soluciones
innovadoras que optimizan la toma de decisiones y ofrecen ventaja competitiva en
un entorno empresarial cada vez más orientado a datos. Al comprender y utilizar
estas herramientas, los profesionales del análisis de datos pueden maximizar el
valor que los datos aportan a sus organizaciones.
d. Ramas de las ciencias de datos
Las ciencias de datos son un campo
interdisciplinario que se centra en la extracción
de conocimientos y patrones a partir de datos,
integrando diversas disciplinas y técnicas. Esta
combinación de conocimientos permite abordar
problemas complejos y ofrecer soluciones
basadas en el análisis de datos. A continuación,
se describen las principales ramas y
disciplinas que forman el ámbito de las
ciencias de datos:

1. Estadística
La estadística es fundamental en las ciencias de datos. Se encarga de la
recolección, análisis e interpretación de datos, proporcionando las herramientas
necesarias para resumir información y extraer conclusiones. La estadística incluye
métodos descriptivos, inferenciales y probabilísticos que permiten estimar
parámetros, realizar pruebas de hipótesis y construir modelos predictivos.

2. Matemáticas
Las matemáticas son la base teórica que sustenta muchas técnicas utilizadas en la
ciencia de datos. Las ramas más relevantes incluyen:
●​ Álgebra lineal: Fundamental para la comprensión de algoritmos de
aprendizaje automático, especialmente aquellos que involucran matrices y
vectores.
●​ Cálculo: Utilizado en la optimización de funciones y en algoritmos de
aprendizaje automático que se basan en el ajuste de modelos.

3. Informática y Programación
La informática proporciona el marco tecnológico necesario
para el manejo y procesamiento de datos. Las ciencias de
datos utilizan diversos lenguajes de programación, siendo
Python y R los más populares. La programación no solo
permite el análisis de datos, sino también la automatización
de procesos y la implementación de algoritmos de machine
learning.

4. Machine Learning (Aprendizaje Automático)

5. Big Data

6. Visualización de Datos
La visualización de datos es la disciplina que se encarga de representar
gráficamente información compleja para facilitar su comprensión e interpretación.
Utiliza herramientas y técnicas que permiten crear gráficos, dashboards y otros tipos
de representaciones visuales, ayudando a comunicar insights de manera efectiva.

7. Minería de Datos (Data Mining)

La minería de datos se refiere al proceso de
descubrir patrones ocultos y relaciones en grandes
conjuntos de datos mediante técnicas estadísticas
y de machine learning. Este proceso incluye la
limpieza, preparación y análisis de datos para
extraer información relevante que puede ser
utilizada para la toma de decisiones.

8. Ciencias Sociales y Humanas

Las ciencias sociales juegan un papel crucial en el
contexto de las ciencias de datos, especialmente
en la comprensión de comportamientos y tendencias humanas. La interacción y
colaboración de los científicos de datos con expertos en sociología, psicología y
otras disciplinas humanas es esencial para contextualizar los hallazgos y garantizar
que las soluciones propuestas sean relevantes y aplicables a situaciones de la vida
real.

9. Ética y Privacidad de los Datos

La ética en el manejo de datos y la privacidad es una consideración fundamental en
las ciencias de datos. Esta disciplina se enfoca en el uso responsable de los datos,
asegurando que se respeten los derechos de los individuos y que se utilicen
prácticas justas y equitativas en el análisis y la explotación de información.

Las ciencias de datos integran una variedad

de ramas y disciplinas, lo que las convierte en
un campo multidimensional y en contínuo
crecimiento. La colaboración entre expertos
de diferentes áreas permite abordar
problemáticas complejas y aprovechar al
máximo el valor de los datos. Con el avance
de la tecnología y la creciente disponibilidad
de datos, el campo de las ciencias de datos
seguirá evolucionando, abriendo nuevas
oportunidades y desafíos en la búsqueda de
conocimiento y soluciones basadas en datos.
e. Roles profesionales

●​ Científico de Datos: Se encarga de analizar y modelar datos para extraer

información valiosa.
●​ Ingeniero de Datos: Se enfoca en la arquitectura y el flujo de datos,
asegurando que los datos estén disponibles y sean accesibles.
●​ Analista de Datos: Realiza análisis descriptivos y proporciona informes
sobre los datos.
●​ Especialista en Machine Learning: Desarrolla modelos predictivos y
algoritmos de aprendizaje automático

Reflexión final

En un mundo impulsado por datos, la capacidad de transformar información en

conocimiento se ha convertido en un recurso invaluable para las empresas y
organizaciones. A medida que nos adentramos en la era digital, la práctica de Data
Analytics no solo nos permite comprender el pasado, sino también facilita anticipar
el futuro y mejorar nuestras decisiones estratégicas.

Es importantel recordar que el verdadero valor de

los datos no reside únicamente en su cantidad, sino
en el significado que extraemos de ellos. La
colaboración entre diversos roles, desde analistas y
científicos de datos hasta ingenieros y expertos en
inteligencia artificial, es esencial para maximizar el
potencial de los datos. Cada miembro desempeña
un papel crítico en un proceso que va desde la
recolección y preparación de datos hasta la
modelización y comunicación de resultados.
Además, debemos considerar los retos éticos que
acompañan el análisis de datos, como la privacidad y la seguridad. La confianza y la
transparencia son claves para construir relaciones sólidas con clientes y usuarios en
la gestión de su información.

Al final, Data Analytics es más que una disciplina técnica; es una herramienta
que puede empoderar a las empresas para innovar, crecer y hacer una diferencia
positiva en la sociedad. Al aprovechar el poder de los datos de manera
responsable y efectiva, tenemos la oportunidad de transformar no solo negocios,
sino también comunidades enteras.
2. Entornos de trabajo
a. Jupyter Notebooks

Los Jupyter Notebooks son aplicaciones web interactivas que permiten crear y
compartir documentos que contienen código, ecuaciones, visualizaciones y texto
narrativo. Son ampliamente utilizados en la comunidad de ciencia de datos,
investigación y enseñanza, brindando un entorno versátil para análisis de datos,
aprendizaje automático, y exploración de datos, entre otras tareas. Jupyter permite a
los usuarios combinar elementos de programación con documentación de manera
fluida, lo que facilita el entendimiento y la presentación de resultados.

Una de las características más destacadas de Jupyter Notebooks es su capacidad

para ejecutar código en vivo. Los usuarios pueden escribir código en múltiples
lenguajes de programación, siendo Python el más popular, pero también soportando
R, Julia y otros. Esto permite realizar experimentos de manera inmediata, visualizar
resultados y ajustar el código en tiempo real, lo que es extremadamente útil para la
prototipación y el desarrollo iterativo de proyectos. Cada bloque de código se puede
ejecutar de forma independiente, lo que permite mantener un flujo de trabajo flexible
y eficiente.

Además, Jupyter Notebooks admite la inclusión

de texto formateado utilizando Markdown, lo que
significa que los usuarios pueden agregar
explicaciones, anotaciones y ecuaciones
matemáticas de manera intuitiva. Esto ayuda a
documentar el proceso de análisis y facilita la
comprensión de los resultados para otros
usuarios o para futuras referencias. La capacidad
de combinar código y documentación en un solo
archivo hace que los notebooks sean
herramientas ideales para la educación y la
divulgación científica, ya que pueden servir como
material de aprendizaje y recursos colaborativos.
Los Jupyter Notebooks son altamente integrables y permiten la incorporación de
gráficos y visualizaciones generadas por librerías populares de Python como
Matplotlib, Seaborn y Plotly, enriqueciendo aún más la presentación de datos.
Además, su naturaleza open-source fomenta una comunidad activa que contribuye
a su desarrollo y mejora continua. En resumen, Jupyter Notebooks ofrecen un
entorno interactivo y accesible para el análisis de datos y la enseñanza,
simplificando el proceso de desarrollo y comunicación de proyectos de ciencia de
datos y programación.

Hay varias plataformas y entornos que facilitan el uso de Jupyter Notebooks,

cada una con características particulares que pueden ser útiles dependiendo de las
necesidades del usuario. A continuación, se presentan algunas de las plataformas
más destacadas:

1.​ Anaconda: Anaconda es una distribución popular de Python que incluye

Jupyter Notebook como parte de su suite de herramientas. Proporciona un
entorno fácil de usar para instalar y gestionar paquetes de ciencia de datos y
machine learning. Anaconda Navigator es una interfaz gráfica que permite
lanzar Jupyter Notebooks y gestionar entornos y paquetes sin necesidad de
utilizar la línea de comandos.
2.​ Google Colab: Google Colaboratory, o simplemente Google Colab, es una
plataforma en línea gratuita que permite crear y ejecutar Jupyter Notebooks
en la nube. Proporciona acceso a recursos computacionales, incluyendo
GPU, lo que es especialmente útil para tareas de machine learning. Además,
Colab facilita la colaboración, permitiendo a múltiples usuarios trabajar en el
mismo notebook en tiempo real.

3.​ JupyterHub: Es una plataforma diseñada para facilitar el uso de Jupyter

Notebooks en entornos educativos y de investigación. Permite a múltiples
 usuarios acceder y utilizar notebooks en un servidor compartido, lo que es
ideal para aulas y proyectos colaborativos. Los administradores pueden
gestionar usuarios y recursos de manera eficiente.
4.​ Microsoft Azure Notebooks: Esta es una oferta de servicio en la nube de
Microsoft que permite crear y ejecutar Jupyter Notebooks sin necesidad de
configuración local. Azure Notebooks proporciona una manera sencilla de
almacenar y compartir notebooks en línea, lo que es útil para la colaboración
y el acceso a recursos computacionales en la nube de Azure.
5.​ Kaggle Kernels: Kaggle, una plataforma de competiciones de ciencia de
datos, ofrece "Kernels", que son entornos basados en Jupyter Notebooks
donde los usuarios pueden escribir y ejecutar código. Esta característica hace
que sea fácil trabajar con conjuntos de datos disponibles en Kaggle y
participar en competiciones, además de permitir la colaboración y compartir
notebooks con la comunidad.

Estas plataformas, entre otras, brindan diversas opciones para trabajar con
Jupyter Notebooks, ofreciendo características como colaboración en tiempo real,
acceso a recursos de computación en la nube, y entornos preconfigurados para
facilitar el trabajo en proyectos de ciencia de datos y análisis.

En este curso utilizaremos Google Colab, y al finalizar, te recomendamos que

utilices las herramientas de Kaggle para ganar experiencia y crear tu propio
portfolio.
3. Python

a. Estructuras de datos básicas

Python ofrece varias estructuras de datos integradas, cada una con

características específicas que permiten almacenar, organizar y manipular
información de manera eficiente.

A continuación, se enumeran y definen las principales estructuras de datos en

Python:

1.​ Listas:
○​ Las listas son colecciones ordenadas y mutables que permiten
almacenar múltiples elementos en un solo objeto. Los elementos
pueden ser de diferentes tipos de datos, incluyendo otros objetos de
lista. Las listas permiten la modificación de sus contenidos mediante
operaciones como agregar, eliminar o cambiar elementos. Se definen
utilizando corchetes ([]), por ejemplo, mi_lista = [1, 2, 3,
'hola'].
2.​ Tuplas:
○​ Las tuplas son similares a las listas en que también son colecciones de
elementos, pero a diferencia de estas, son inmutables, lo que significa
que no se pueden cambiar una vez creadas. Las tuplas son útiles para
almacenar datos que no deben ser alterados a lo largo de la ejecución
del programa. Se definen utilizando paréntesis (()), por ejemplo,
mi_tupla = (1, 2, 3, 'hola').
3.​ Diccionarios:
○​ Los diccionarios son estructuras de datos que almacenan pares de
clave-valor de manera desordenada y mutable. Cada valor se puede
acceder a través de su clave única, lo que permite realizar búsquedas
rápidas. Son ideales para representar relaciones entre datos, como un
directorio de contactos. Se definen utilizando llaves ({}), por ejemplo,
mi_diccionario = {'nombre': 'Juan', 'edad': 30}.
 4.​ Conjuntos (Sets):
○​ Los conjuntos son colecciones no ordenadas de elementos únicos y
mutables. Son útiles para realizar operaciones matemáticas como
uniones, intersecciones y diferencias. Al igual que los diccionarios, los
conjuntos se definen utilizando llaves ({}), pero sin pares de
clave-valor, por ejemplo, mi_conjunto = {1, 2, 3, 4}.Los
conjuntos mutables son los sets, y los inmutables son los frozensets.
5.​ Cadenas de texto (Strings):
○​ Si bien no son una estructura de datos compuesta en el sentido
tradicional, las cadenas de texto se consideran una estructura de datos
fundamental en Python. Son secuencias inmutables de caracteres que
se pueden utilizar para almacenar y manipular texto. Se definen
utilizando comillas simples (') o dobles ("), por ejemplo, mi_cadena
= "Hola, mundo".

Estas son algunas de las estructuras de datos más comunes en Python. Cada una
tiene sus propias características y ventajas, lo que permite a los desarrolladores
elegir la más adecuada según las necesidades específicas de su programa,
optimizando así el rendimiento y la eficiencia en la gestión de datos.

Material Adicional:
Fuente: Python.org
●​ Estructuras de datos en Python
Fuente: W3Schools.com
●​ Python Dictionaries
●​ Python Tuples
●​ Python Sets
●​ Python frozenset() Function
b. Librerías Python para análisis de datos

Python ofrece una amplia variedad de bibliotecas

diseñadas específicamente para el análisis de
datos, cada una con sus propias características y
funcionalidades.

A continuación, se enumeran y describen algunas

de las bibliotecas más populares y útiles para este
propósito:

1.​ Pandas: es una de las bibliotecas más

utilizadas para la manipulación y el análisis
de datos en Python. Proporciona estructuras
de datos flexibles como DataFrame y Series,
que permiten almacenar y manipular datos en forma tabular, similar a una
hoja de cálculo. Pandas ofrece herramientas eficientes para la lectura y
escritura de datos, filtrado, agrupamiento, y tratamiento de datos faltantes,
facilitando el análisis exploratorio de datos.
2.​ NumPy: es fundamental para el cálculo numérico en Python. Proporciona un
objeto de matriz multidimensional, llamado ndarray, que permite realizar
operaciones matemáticas y estadísticas de manera eficiente. NumPy es
esencial para el manejo de datos numéricos, y muchas otras bibliotecas de
ciencia de datos, incluida Pandas, se construyen sobre esta base. Su uso es
crucial para el procesamiento de grandes volúmenes de datos y cálculos
matemáticos avanzados.
3.​ Matplotlib: es una biblioteca de visualización de datos en 2D que permite
crear gráficos estáticos, animados e interactivos. Es extremadamente versátil
y se puede utilizar para generar una amplia gama de visualizaciones,
incluyendo gráficos de líneas, histogramas, diagramas de dispersión, y
mucho más. Matplotlib es frecuentemente utilizado junto con Pandas y
NumPy para presentar visualmente los resultados del análisis de datos.
4.​ Seaborn: es una biblioteca de visualización de datos basada en Matplotlib
que proporciona una interfaz más sencilla y atractiva para crear gráficos
estadísticos. Incorpora temas estéticamente agradables y colores que
mejoran la presentación de los gráficos. Seaborn permite realizar análisis de
datos más complejos, facilitando la creación de gráficos de distribuciones,
relaciones y categorizaciones, lo que es especialmente útil para el análisis
exploratorio de datos.
5.​ SciPy: se utiliza junto con NumPy para realizar cálculos científicos y técnicos.
Ofrece funcionalidades avanzadas para optimización, integración,
interpolación, álgebra lineal, estadísticas y procesamiento de señales. Es
 ideal para quienes necesitan realizar cálculos complejos en el contexto del
análisis de datos.
6.​ Scikit-learn: es una de las bibliotecas más populares para el aprendizaje
automático en Python. Proporciona herramientas para realizar tareas de
clasificación, regresión, agrupamiento y reducción de dimensionalidad. Su
API simple y consistente facilita la implementación de algoritmos de machine
learning y es muy utilizada en proyectos de análisis de datos que requieren
modelos predictivos.
7.​ Statsmodels: proporciona clases y funciones para el análisis estadístico.
Ofrece herramientas para elaborar modelos estadísticos, incluyendo
regresiones lineales y no lineales, autocorrelación, y pruebas de hipótesis.
Statsmodels es particularmente útil para los analistas que necesitan realizar
análisis estadísticos más profundos en sus datos.

Estas bibliotecas, entre muchas otras, conforman el ecosistema de análisis de

datos en Python, ofreciendo herramientas potentes y flexibles para la
manipulación, análisis, visualización y modelado de datos. Esta diversidad
permite a los analistas y científicos de datos seleccionar las herramientas que mejor
se adapten a sus necesidades, optimizando el rendimiento y la eficiencia en sus
proyectos.

Además de las estructuras de datos básicas de Python, las librerías nos habilitan
otras estructuras. NumPy proporciona la potente estructura de datos ndarray para
trabajar con arreglos multidimensionales, mientras que Pandas ofrece las
estructuras Series y DataFrame para el manejo y análisis de datos estructurados.
Estas herramientas son cruciales para realizar análisis de datos y cálculos
numéricos de manera eficiente en Python.
Introducción a estructuras de Datos en NumPy

1.​ ndarray (N-dimensional array): La estructura de datos principal de NumPy

es el objeto ndarray, que permite almacenar y manipular datos en forma de
arreglos multidimensionales. Estos arreglos pueden ser de cualquier número
de dimensiones (1D, 2D, 3D, etc.) y son mucho más eficientes en términos de
rendimiento y uso de memoria en comparación con listas de Python. Los
elementos del ndarray son del mismo tipo de dato, lo que permite realizar
operaciones matemáticas vectorizadas de manera eficiente.
Introducción a estructuras de Datos en Pandas

1.​ Series: es una colección unidimensional similar a una lista o un array de

NumPy, pero con etiquetas en los índices. Cada elemento en una Series se
puede acceder utilizando su índice, y permite almacenar y manipular datos de
diferentes tipos (números, cadenas, objetos, etc.). Es útil para representar
datos unidimensionales con etiquetas.
2.​ DataFrame: el DataFrame, que es una colección bidimensional de datos que
se asemeja a una tabla o una hoja de cálculo. Un DataFrame está compuesto
por varias Series, donde cada columna puede contener diferentes tipos de
datos. Los DataFrames permiten realizar operaciones de filtrado,
agrupamiento y agregación, además de facilitar la manipulación de datos y su
análisis, gracias a su capacidad para manejar etiquetas en filas y columnas.
Ejercicios Prácticos

Actividad 1: Primer bloque de texto en Colab

Contexto
Tu primera guía en SynthData será Silvia, la Project Manager. En su
onboarding, suele pedir a las personas en pasantía que documenten
sus descubrimientos de forma clara y visual. Aunque parezca simple,
crear un buen bloque de texto en Colab es el primer paso para construir
notebooks útiles, legibles y colaborativos.

Objetivos
Aprender a utilizar los bloques de texto de Google Colab para documentar código,
explicar hallazgos y agregar referencias visuales o externas. Esta habilidad te
permitirá entregar trabajos entendibles tanto para colegas técnicos como para
usuarios no especializados.

Ejercicio práctico

1.​ Creá un nuevo bloque de texto en tu notebook de Colab.

2.​ Agregá un título de nivel 1 con tu nombre (usando #).
3.​ Escribí un breve párrafo de presentación, incluyendo formato en negrita,
cursiva, y una lista con al menos 3 ítems.
4.​ Insertá un link externo (por ejemplo, a una página de documentación oficial
de Python).
5.​ Desde tu Google Drive, insertá al menos una imagen relevante para tu
presentación (podés ser vos, tu setup, un mapa, lo que quieras).
6.​ Cerrá con una cita breve o una frase que te represente usando el formato de
bloque de cita (>).
¿Por qué importa esto en SynthData?
En SynthData, los notebooks no son solo espacios de código: son reportes vivos. Se
comparten con clientes, con otros equipos, y se usan para dejar evidencia de
decisiones técnicas. Saber cómo documentar con claridad, destacar lo importante y
conectar visualmente los bloques de análisis es tan importante como saber
programar. Silvia lo repite siempre: "El mejor código del mundo no sirve si nadie
puede leerlo después."

Actividad 2: Pares, impares y primeros pasos en Python

Contexto
En esta segunda tarea, tu mentor será Luis, Analista de BI. Él te va a
acompañar en los primeros pasos con código. El desafío es entender
cómo interactuar con los usuarios a través de la consola, tomar datos de
entrada y procesarlos usando lógica condicional.

Objetivos
Familiarizarte con los bloques de código en Colab y practicar la escritura de scripts
básicos en Python. Aprender a usar input() y condicionales if/else para
resolver un problema concreto y simple: detectar si un número es par o impar.

Ejercicio práctico
1.​ Insertá un nuevo bloque de código en tu notebook de Colab.
2.​ Escribí un programa que:
a.​ Pida al usuario que ingrese un número entero usando input()
b.​ Convierta ese valor a entero (int())
c.​ Use una estructura if/else para verificar si el número es divisible por 2
d.​ Imprima un mensaje indicando si el número es par o impar
3.​ Ejecutá el bloque al menos dos veces, con un número par y uno impar.

🙂
No te preocupes por validar errores si se ingresa algo incorrecto. Asumimos que el
usuario siempre colabora

¿Por qué importa esto en SynthData?

Aunque este ejercicio parece elemental, es la base de todas las decisiones
condicionales que usamos más adelante para filtrar datos, construir dashboards, o
automatizar reportes. Luis trabaja con estructuras como estas todos los días para
calcular métricas condicionales y responder preguntas como: ¿cuántos usuarios
activos hubo esta semana en comparación con la anterior? Dominar la lógica
if/else es el primer paso hacia ese tipo de análisis.