Python for Data Analysis, 2nd Edition
Wes McKinney
- Editorial
- O'Reilly
- Año
- 2017
- Páginas
- ~544
- Nivel
- Intermedio
De qué trata
Segunda edición del manual canónico sobre manipulación y análisis de datos en Python escrito por Wes McKinney, creador original de la librería pandas, y publicado por O'Reilly (completamente actualizado para Python 3.6 y versiones de pandas 0.20-0.21). Está dirigido a analistas, ingenieros de software, científicos de datos y profesionales de finanzas cuantitativas con conocimientos básicos de programación que buscan una referencia exhaustiva y autorizada para limpiar, reestructurar y analizar conjuntos de datos estructurados.
El libro cubre en detalle la computación vectorizada con NumPy (manejo de matrices ndarray, álgebra lineal, generación pseudoaleatoria y funciones universales) y las estructuras nucleares de pandas (Series, DataFrame e índices jerárquicos). Enseña la ingesta y guardado en múltiples formatos de almacenamiento (archivos de texto CSV, JSON, tablas HTML, binarios HDF5 y bases de datos relacionales SQL), técnicas de limpieza y preparación (tratamiento de valores faltantes, deduplicación, discretización e intervalos, y expresiones regulares vectorizadas), operaciones de combinación y reformateo (merge, join, concat y pivot), agrupaciones avanzadas con groupby, manipulación extensiva de series temporales (conversión de zonas horarias, frecuencias, remuestreo y ventanas móviles) y trazado de gráficos con matplotlib y seaborn, además de una introducción a la interfaz con librerías de modelado estadístico como statsmodels, scikit-learn y patsy.
La última parte del libro se vuelca en cinco casos de estudio completos con datos reales de gran escala: registros web de clics acortados en Bitly (1.USA.gov), clasificaciones cinematográficas del dataset MovieLens 1M, series históricas de nombres de bebés en Estados Unidos (1880–2010), la base de datos nutricional del USDA y los registros de contribuciones a campañas presidenciales de la Comisión Federal de Elecciones (FEC 2012). Destaca por ser la guía de diseño de pandas explicada directamente por su autor, enseñando patrones óptimos de rendimiento. No profundiza en algoritmos complejos de machine learning ni en computación en la nube. Conviene tener conocimientos previos de Python elemental y terminal.
- Python 3.6
- Pandas
- NumPy
- Data Wrangling
- Series temporales
- Matplotlib
- Seaborn
- Groupby
- Limpieza de datos
- Statsmodels
- Scikit-Learn
- Jupyter
¿Cómo enseña?
Teoría + práctica
- ✗ Sin ejercicios
- ✓ Incluye proyectos
Proyectos
Análisis de registros de clics web de Bitly (1.USA.gov)
Procesamiento y agregación de logs en formato JSON para extraer métricas de zonas horarias, sistemas operativos y navegadores más utilizados mediante transformaciones con pandas.
Evaluación demográfica de preferencias en MovieLens 1M
Fusión relacional de tablas de usuarios, películas y más de un millón de valoraciones numéricas para calcular discrepancias de puntuación según el género y la edad de la audiencia.
Evolución histórica de nombres de bebés en EE.UU. (1880-2010)
Análisis longitudinal sobre millones de registros de la SSA mediante tablas dinámicas y cálculos de proporciones relativas para estudiar tendencias demográficas y popularidad a lo largo del tiempo.
Normalización de la base nutricional de alimentos del USDA
Aplanamiento y limpieza de registros jerárquicos en JSON sobre nutrientes y porciones para estructurar tablas analíticas aptas para comparaciones bromatológicas.
Auditoría de donaciones de campaña electoral (FEC 2012)
Limpieza y agregación de millones de aportes financieros de la Comisión Federal de Elecciones para perfilar patrones de contribución según el candidato, el estado y la ocupación de los donantes.
