Data Science at the Command Line

Manual práctico y directo de Jeroen Janssens que demuestra el potencial de la terminal de comandos de Unix como un entorno ágil, modular y de alto rendimiento para el trabajo cotidiano en ciencia de datos. Esta primera edición de 2014 se apoya en una máquina virtual de desarrollo (Data Science Toolbox basada en Ubuntu) y en herramientas nativas de consola. Está dirigida a científicos de datos, analistas y programadores de nivel intermedio que ya conocen comandos básicos de Bash y desean acelerar sustancialmente sus flujos de trabajo sin escribir scripts extensos ni recurrir a pesados entornos gráficos para tareas rutinarias.

El libro estructura el aprendizaje según las fases del modelo OSEMN (Obtain, Scrub, Explore, Model, Interpret). Detalla la adquisición de datos mediante curl y APIs REST, la transformación y depuración de texto plano, CSV y JSON con herramientas especializadas como csvkit, jq, sed y awk, la exploración y cálculo de estadísticas descriptivas con csvstat y feedgnuplot, la automatización de dependencias y flujos reproducibles con Drake, la aceleración mediante procesamiento paralelo local o en clústeres remotos con GNU Parallel, y la integración de scripts propios en Python y R a través del paquete Rio. Asimismo, introduce el modelado y machine learning desde la consola usando utilidades como Tapkee (para reducción de dimensionalidad con PCA y t-SNE), Weka, BigML y Vowpal Wabbit.

A través de decenas de recetas y tuberías de comandos encadenadas mediante tuberías (pipes), el texto enseña a resolver problemas concretos de extracción y transformación de datos en segundos. Su mayor virtud radica en convertir la consola en una navaja suiza para el preprocesamiento masivo y la inspección rápida antes de acudir a librerías más complejas. No enseña a construir arquitecturas de producción completas y, al tratarse de la edición de 2014, varias herramientas han evolucionado (como Drake o la máquina virtual original, reemplazadas posteriormente por Make y contenedores Docker), aunque la filosofía y la gran mayoría de utilidades Unix conservan plena vigencia.