Contenido del Curso

Desafío de Entrevista en Ciencia de Datos

1. Python

Introducción Desafío 1: Comprensión de Listas Desafío 2: Manipulación de Cadenas Desafío 3: Manipulación de Diccionarios Desafío 4: Bucles Anidados Desafío 5: Clases Preguntas Teóricas

2. NumPy

Desafío 1: Creación de Arreglo Desafío 2: Manipulación de Arreglos Desafío 3: Perspectivas Estadísticas Desafío 4: Manejo de Valores Ausentes Reto 5: Ordenamiento de Subarreglos Preguntas Teóricas

3. Pandas

Desafío 1: Creación de DataFrame Desafío 2: Agrupación de Datos Desafío 3: Indexación y MultiIndexación Desafío 4: Modificando DataFrame Desafío 5: Iterando Sobre Datos Preguntas Teóricas

4. Matplotlib

Desafío 1: Fundamentos de Trazado Desafío 2: Otros Tipos de Gráficos Desafío 3: Subtramas Desafío 4: Personalización de Gráficos Desafío 5: Añadir Texto a las Gráficas Preguntas Teóricas

5. Seaborn

Reto 1: Visualización de Distribuciones Desafío 2: Explorando Datos Categóricos Desafío 3: Gráficos Relacionales Reto 4: Gráficos de Regresión Desafío 5: Gráficos de Matrices Preguntas Teóricas

6. Estadísticas

Desafío 1: Probabilidades y Distribuciones Desafío 2: Teorema de Bayes Desafío 3: Pruebas de Hipótesis Desafío 4: Intervalos de Confianza Desafío 5: Correlación Preguntas Teóricas

7. Scikit-learn

Desafío 1: Escalado de Datos Reto 2: Creación de un Modelo Básico Desafío 3: Tuberías Desafío 4: Validación cruzada Desafío 5: Ajuste de Hiperparámetros Preguntas Teóricas

Desafío 4: Modificando DataFrame

Pandas proporciona una plétora de herramientas que permiten modificar fácilmente tanto los datos como la estructura de los DataFrames. Estas capacidades son esenciales porque:

Limpieza de datos: Los conjuntos de datos del mundo real suelen estar desordenados. La capacidad de transformar y limpiar los datos garantiza su preparación para el análisis.
Versatilidad:** Con frecuencia, la estructura de un conjunto de datos puede no ajustarse a los requisitos de una tarea determinada. Ser capaz de remodelar los datos puede ser un salvavidas.
Eficiencia:** Las modificaciones directas a los DataFrames, en lugar de crear nuevos, pueden ahorrar memoria y mejorar el rendimiento.

Familiarizarse con las técnicas para alterar los datos y la estructura de los DataFrames es un paso clave para llegar a ser competente con Pandas.

Tarea

Swipe to show code editor

Aproveche el poder de Pandas para alterar los datos y la estructura de DataFrames:

Añade una nueva columna a un DataFrame con los valores Engineer, Doctor y Artist.
1. Cambia el nombre de las columnas de un DataFrame. Cambie la columna Nombre por Nombre completo y la columna Edad por Edad (años).
Elimine la columna Ciudad de un DataFrame.
1. Ordene un DataFrame en función de la columna "Edad" (descendente).

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 3. Capítulo 4

Desafío 4: Modificando DataFrame

Pandas proporciona una plétora de herramientas que permiten modificar fácilmente tanto los datos como la estructura de los DataFrames. Estas capacidades son esenciales porque:

Limpieza de datos: Los conjuntos de datos del mundo real suelen estar desordenados. La capacidad de transformar y limpiar los datos garantiza su preparación para el análisis.
Versatilidad:** Con frecuencia, la estructura de un conjunto de datos puede no ajustarse a los requisitos de una tarea determinada. Ser capaz de remodelar los datos puede ser un salvavidas.
Eficiencia:** Las modificaciones directas a los DataFrames, en lugar de crear nuevos, pueden ahorrar memoria y mejorar el rendimiento.

Familiarizarse con las técnicas para alterar los datos y la estructura de los DataFrames es un paso clave para llegar a ser competente con Pandas.

Tarea

Swipe to show code editor

Aproveche el poder de Pandas para alterar los datos y la estructura de DataFrames:

Añade una nueva columna a un DataFrame con los valores Engineer, Doctor y Artist.
1. Cambia el nombre de las columnas de un DataFrame. Cambie la columna Nombre por Nombre completo y la columna Edad por Edad (años).
Elimine la columna Ciudad de un DataFrame.
1. Ordene un DataFrame en función de la columna "Edad" (descendente).

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Sección 3. Capítulo 4

Desafío 4: Modificando DataFrame

Pandas proporciona una plétora de herramientas que permiten modificar fácilmente tanto los datos como la estructura de los DataFrames. Estas capacidades son esenciales porque:

Limpieza de datos: Los conjuntos de datos del mundo real suelen estar desordenados. La capacidad de transformar y limpiar los datos garantiza su preparación para el análisis.
Versatilidad:** Con frecuencia, la estructura de un conjunto de datos puede no ajustarse a los requisitos de una tarea determinada. Ser capaz de remodelar los datos puede ser un salvavidas.
Eficiencia:** Las modificaciones directas a los DataFrames, en lugar de crear nuevos, pueden ahorrar memoria y mejorar el rendimiento.

Familiarizarse con las técnicas para alterar los datos y la estructura de los DataFrames es un paso clave para llegar a ser competente con Pandas.

Tarea

Swipe to show code editor

Aproveche el poder de Pandas para alterar los datos y la estructura de DataFrames:

Añade una nueva columna a un DataFrame con los valores Engineer, Doctor y Artist.
1. Cambia el nombre de las columnas de un DataFrame. Cambie la columna Nombre por Nombre completo y la columna Edad por Edad (años).
Elimine la columna Ciudad de un DataFrame.
1. Ordene un DataFrame en función de la columna "Edad" (descendente).

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

¿Todo estuvo claro?

¡Gracias por tus comentarios!

Pandas proporciona una plétora de herramientas que permiten modificar fácilmente tanto los datos como la estructura de los DataFrames. Estas capacidades son esenciales porque:

Limpieza de datos: Los conjuntos de datos del mundo real suelen estar desordenados. La capacidad de transformar y limpiar los datos garantiza su preparación para el análisis.
Versatilidad:** Con frecuencia, la estructura de un conjunto de datos puede no ajustarse a los requisitos de una tarea determinada. Ser capaz de remodelar los datos puede ser un salvavidas.
Eficiencia:** Las modificaciones directas a los DataFrames, en lugar de crear nuevos, pueden ahorrar memoria y mejorar el rendimiento.

Familiarizarse con las técnicas para alterar los datos y la estructura de los DataFrames es un paso clave para llegar a ser competente con Pandas.

Tarea

Swipe to show code editor

Aproveche el poder de Pandas para alterar los datos y la estructura de DataFrames:

Añade una nueva columna a un DataFrame con los valores Engineer, Doctor y Artist.
1. Cambia el nombre de las columnas de un DataFrame. Cambie la columna Nombre por Nombre completo y la columna Edad por Edad (años).
Elimine la columna Ciudad de un DataFrame.
1. Ordene un DataFrame en función de la columna "Edad" (descendente).

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones

Sección 3. Capítulo 4

Cambia al escritorio para practicar en el mundo realContinúe desde donde se encuentra utilizando una de las siguientes opciones