Data Wrangling with JavaScript
Ashley Davis
- Editorial
- Manning
- Año
- 2018
- Páginas
- ~432
- Nivel
- Intermedio
De qué trata
Guía práctica escrita por Ashley Davis (creador de la librería Data-Forge) que posiciona a JavaScript y el entorno de Node.js como una alternativa viable y potente frente a Python y R para el ciclo completo de preparación y análisis de datos. Publicado por Manning a finales de 2018, el libro demuestra cómo construir canalizaciones de datos desde cero sin tener que abandonar el ecosistema de JavaScript ni reescribir código al pasar a producción. Está pensado para desarrolladores web o de backend en JavaScript de nivel intermedio que conocen Node.js y la sintaxis moderna de ECMAScript y quieren adquirir destrezas en ciencia de datos.
El libro cubre metódicamente la ingesta, limpieza, análisis y visualización de datos. Enseña a extraer información de APIs REST, web scraping con Cheerio y lectura/escritura de formatos tabulares y semiestructurados (CSV, JSON, BSON, Excel). Explica el uso intensivo de Data-Forge para manipular dataframes en JavaScript —filtrado, ordenación, transformación, agregaciones y cruce de datos—, así como el procesamiento de archivos gigantescos que desbordan la memoria mediante Streams nativos de Node.js y persistencia en MongoDB. Además, enseña técnicas de análisis exploratorio (estadísticos descriptivos, medias móviles, regresión lineal) y visualización gráfica tanto en el navegador como en el servidor usando D3.js y C3.js.
A lo largo de los capítulos se construyen canalizaciones completas: un pipeline ETL de adquisición y depuración tabular, un procesador de series temporales de datos meteorológicos históricos con gráficos interactivos y un servidor de procesamiento por lotes y flujos para conjuntos masivos de datos conectado a MongoDB. Su gran valor es permitir que un equipo full-stack unifique todo su stack en JavaScript desde la recolección hasta el cuadro de mando en producción. No cubre aprendizaje automático profundo (deep learning), sino el trabajo diario y esencial de saneamiento y preparación de datos (data wrangling). Conviene tener buen manejo de promesas, async/await y manipulación funcional de colecciones en JavaScript.
- JavaScript
- Node.js
- Data Wrangling
- Data-Forge
- D3.js
- C3.js
- ETL
- Streams
- MongoDB
- Web Scraping
- Series temporales
¿Cómo enseña?
Con proyectos
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Pipeline ETL de extracción y limpieza de datos tabulares
Flujo de trabajo en Node.js y Data-Forge que ingesta datos desde APIs web y archivos CSV/JSON, limpiando registros incompletos, normalizando formatos y aplicando transformaciones tabulares.
Analizador y visualizador de series temporales meteorológicas
Aplicación de análisis estadístico sobre registros climáticos históricos que calcula medias móviles y regresiones lineales, generando paneles visuales interactivos en cliente y servidor con D3.js y C3.js.
Procesador por streaming de archivos masivos con MongoDB
Sistema de ingesta eficiente para archivos que superan la memoria RAM mediante Streams de Node.js, transformando fragmentos de datos en vuelo y almacenándolos de forma optimizada en MongoDB.
