Clase 2: Análisis exploratorio y procesamiento de datos

Eje I: Procesamiento y visualización de datos en Python

Objetivo

Introducir los fundamentos de Python para el análisis de datos y explorar conceptos fundamentales del análisis exploratorio de datos en Python, articulando lo visto en Estadística e introduciendo prácticas específicas necesarias para proyectos de machine learning.

Contenidos

  • Importación y exportación de datos (CSV, Excel, parquet).
  • Exploración inicial: tipos de datos, estructuras comunes, estadísticos descriptivos.
  • Limpieza y procesamiento de datos con pandas: filtrar, seleccionar, modificar, ordenar, renombrar, agrupar y resumir.
  • Manejo de datos atípicos (outliers) y valores faltantes (missing data).
  • Introducción a feature engineering: creación de variables derivadas con sentido sustantivo.
  • Terminología: distinción operativa entre limpieza, procesamiento, preprocesamiento, feature engineering y feature selection (ver Apéndice del programa).
NotaFundamentos de Python, sin asumir nada

Esta clase concentra el grueso de los fundamentos de Python (variables y tipos, listas y diccionarios, for y condicionales, funciones), incrustados en el trabajo de análisis sobre datos reales. No se asume Python previo.

Notebooks

Trabajamos sobre el dataset HR Employee Attrition (people analytics: ¿quiénes dejan la empresa y por qué?). Ver ficha del dataset (fuente: IBM).

Lenguaje Leer en el sitio Ejecutar en Colab
Python (principal) Notebook renderizada Open in Colab
R (par validado) Notebook renderizada Open in Colab
Tip

Las dos notebooks recorren el mismo análisis con las mismas conclusiones: elegí el lenguaje en el que quieras trabajar. La versión Python es la del dictado; la versión R es material de referencia equivalente.

Slides

Diapositivas de la clase (PDF)

Lecturas

Obligatoria:

  • McKinney, W. (2022). Python for Data Analysis (3ª ed.), capítulos 5 a 7. O’Reilly. wesmckinney.com/book (gratuito, oficial).

Complementaria (referencia en R):

  • Wickham, H. & Grolemund, G. (2017). R para Ciencia de Datos, capítulos 4 a 6. O’Reilly. es.r4ds.hadley.nz (gratuito, en español).