Python for Data Analysis

Explora las aplicaciones de NumPy y comprende por qué es una de las bibliotecas más populares para el cálculo numérico. Aprende las diferentes formas de crear e inicializar arreglos para gestionar diversas necesidades de datos de manera eficiente.

Descubra cómo acceder a elementos y subconjuntos específicos en arreglos de NumPy utilizando notación de índices. Aprenda a aplicar indexación condicional para filtrar datos y gestionar valores faltantes de manera eficiente.

NumPy ofrece muchas funciones integradas para realizar operaciones comunes con arreglos. Aprenda a aplicar estas herramientas para transformar, agregar y analizar datos de manera eficiente sin escribir código repetitivo.

Aprenda a realizar operaciones matemáticas de manera eficiente en arreglos de NumPy. Aplique estas operaciones para resolver problemas del mundo real y obtenga una comprensión más profunda de cómo los cálculos vectorizados aceleran el análisis numérico.

Introducción a los fundamentos de la biblioteca pandas. Creación y manipulación de Series y DataFrames, exploración de su estructura y desarrollo de confianza en la realización de operaciones de datos esenciales.

Domina la carga y gestión de datos desde archivos CSV y TXT. Adquiere experiencia práctica importando conjuntos de datos y preparándolos para análisis posteriores utilizando las herramientas de pandas.

Aprenda a explorar, limpiar y resumir datos de manera efectiva. Comprenda cómo manejar valores faltantes, extraer información y realizar operaciones estadísticas básicas con pandas.

Esta sección le enseñará cómo mostrar columnas específicas por sus títulos o índices. Además, se familiarizará con las formas en que puede seleccionar filas por sus índices.

Aquí aprenderá a extraer datos que cumplen condiciones específicas. Además, aprenderá a combinarlas e incluso a crear las suyas propias.

En esta sección, ampliará su conocimiento sobre el establecimiento de diferentes condiciones de datos. Aprenderá a verificar si sus datos se encuentran en una lista definida de valores o entre dos valores. También aprenderá a encontrar los valores más grandes y más pequeños.

Esta sección es una de las más fascinantes del curso. Aquí aprenderá cómo agrupar datos de diferentes maneras. Le ayudará a trabajar como analista de datos para obtener información sobre grupos de datos específicos.

Esta sección es una de las más significativas para un analista de datos, ya que si los datos contienen valores faltantes o en un formato incorrecto, será imposible trabajar con ellos. Por lo tanto, aquí aprenderá cómo tratar dichos valores inapropiados.

Comenzaremos nuestro aprendizaje de la teoría de la probabilidad considerando algunas definiciones y reglas básicas: qué es un experimento estocástico y un evento aleatorio, qué es la independencia e incompatibilidad de eventos en el contexto de la teoría de la probabilidad, qué es la probabilidad y cómo podemos calcular las probabilidades de diferentes eventos elementales.

En tareas de la vida real, a menudo debemos enfrentar relaciones complejas y, como resultado, calcular probabilidades de varios eventos o de eventos que dependen entre sí. Analicemos cómo podemos hacerlo utilizando la teoría de la probabilidad.

Para resolver muchos problemas reales en la teoría de la probabilidad, se han creado modelos especiales que describen una situación particular. Consideremos algunos de los modelos más utilizados que pueden emplearse para describir ciertos resultados discretos de experimentos estocásticos.

¿Qué sucede si el resultado de un experimento estocástico no puede describirse mediante un valor discreto? Para esto, se utilizan modelos que trabajan con valores continuos. Considera los modelos más populares de este tipo.

A menudo nos enfrentamos a la tarea de verificar la dependencia de los resultados de diferentes experimentos estocásticos entre sí. Además, es necesario no solo evaluar la presencia de dependencias, sino también cuantificar de alguna manera el grado de dichas dependencias. Para resolver estos problemas, podemos utilizar la covarianza y la correlación.

Descubra los aspectos esenciales de la visualización de datos con Matplotlib. Conozca sus conceptos fundamentales, explore sus ventajas y cree su primer gráfico simple utilizando esta biblioteca básica de gráficos.

Domina la visualización de datos mediante los tipos de gráficos más populares. Aprende a construir gráficos de líneas, dispersión y barras para comunicar claramente los hallazgos de tus datos.

Aprenda a hacer que sus gráficos sean más informativos y visualmente atractivos. Añada títulos, leyendas, colores y cuadrículas, y descubra cómo organizar múltiples subgráficos de manera efectiva.

Explora visualizaciones estadísticas que ayudan a analizar distribuciones y patrones de datos. Crea histogramas, diagramas de caja y gráficos de pastel para descubrir conocimientos estadísticos más profundos.

Lleve sus habilidades de visualización al siguiente nivel con Seaborn. Cree gráficos avanzados como countplots, KDE, pair plots y mapas de calor, dominando el estilo elegante y las opciones de personalización de Seaborn.