Data Wrangling with Python

Manual práctico publicado por O'Reilly centrado en las fases iniciales y más críticas del ciclo de vida de los datos: adquisición, extracción, limpieza y estructuración de información desordenada en Python (trabajando en la transición entre Python 2.7 y Python 3.4/3.5). Está concebido para desarrolladores principiantes e intermedios, periodistas de datos, analistas e investigadores que dominan la sintaxis elemental de programación y necesitan enfrentarse a fuentes de datos caóticas del mundo real sin requerir una formación matemática o estadística avanzada.

Las autoras enseñan a manipular tanto formatos estándar legibles por máquinas como documentos no estructurados u hostiles. Cubren el uso de la biblioteca estándar (módulos csv, json y xml.etree), librerías de hojas de cálculo como xlrd y openpyxl para archivos Excel, y herramientas de extracción de texto y tablas en PDFs como pdfminer y slate. En el terreno de la adquisición en línea abordan el consumo de APIs REST con requests y el web scraping mediante BeautifulSoup, Scrapy y Selenium para interactuar con páginas dinámicas. También tratan el almacenamiento en bases de datos relacionales con sqlite3, el procesamiento y normalización de texto con expresiones regulares, la exploración preliminar de datos con pandas y matplotlib, y la automatización y calendarización de tareas mediante scripts asistidos por logging y cron.

A lo largo de la obra se resuelven ejercicios prácticos y se desarrollan casos de estudio reales basados en datos abiertos, como el monitoreo de la epidemia del Ébola, estadísticas de seguridad ferroviaria, salarios deportivos y registros globales sobre trabajo infantil. Destaca por su enfoque pragmático frente a formatos problemáticos (en particular PDFs y páginas web mal maquetadas) y por transmitir una mentalidad detectivesca de resolución de problemas. Como limitación, al haberse publicado en 2016, algunas librerías para PDFs y ciertas APIs de scraping han quedado obsoletas en entornos modernos de Python 3.10+, y no profundiza en modelado predictivo ni machine learning. Conviene tener soltura básica con la terminal y estructuras de datos nativas.