El Ecosistema de Librerias para Data Science

Python no es poderoso por si solo, su poder viene de las librerias. En esta leccion vas a conocer el ecosistema completo que usan los profesionales de data science, para que sepas que herramienta usar en cada situacion.

Tier 1: Las Esenciales (las vas a usar TODOS los dias)

# El setup estandar de todo notebook de data science
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

# Configuracion estandar
plt.style.use('seaborn-v0_8')
sns.set_palette('husl')
pd.set_option('display.max_columns', 50)
pd.set_option('display.float_format', '{:.2f}'.format)

print("Entorno de data science listo.")

Tier 2: Analisis y Modelado

from scipy import stats
import numpy as np

np.random.seed(42)
grupo_a = np.random.normal(100, 15, 50)
grupo_b = np.random.normal(110, 15, 50)

t_stat, p_valor = stats.ttest_ind(grupo_a, grupo_b)
print(f"t-statistic: {t_stat:.4f}")
print(f"p-valor: {p_valor:.4f}")
print(f"Diferencia significativa? {'Si' if p_valor < 0.05 else 'No'}")

Tier 3: Visualizacion Avanzada

import plotly.express as px
import pandas as pd

df = pd.DataFrame({
    'Mes': ['Ene', 'Feb', 'Mar', 'Abr', 'May', 'Jun'],
    'Ventas': [120, 135, 98, 145, 167, 189]
})
fig = px.bar(df, x='Mes', y='Ventas', title='Ventas Mensuales')
fig.show()

Tier 4: Datos Externos y Produccion

Asi es como se ve un proyecto de data science real:

1. OBTENER DATOS
   - APIs (requests)
   - Bases de datos (sqlalchemy)
   - Archivos CSV/Excel (pandas)
   - Web scraping (beautifulsoup4)

2. LIMPIAR Y TRANSFORMAR
   - Pandas (principal)
   - NumPy (operaciones numericas)

3. EXPLORAR Y VISUALIZAR
   - Matplotlib + Seaborn (estaticos)
   - Plotly (interactivos)

4. MODELAR Y ANALIZAR
   - SciPy (tests estadisticos)
   - Statsmodels (regresion)
   - Scikit-learn (machine learning)

5. COMUNICAR RESULTADOS
   - Jupyter Notebooks (reportes)
   - Streamlit (dashboards)

Ejemplo: Pipeline completo en miniatura

import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from scipy import stats

# 1. Generar datos de ejemplo
np.random.seed(42)
n = 100
datos = pd.DataFrame({
    'edad': np.random.randint(22, 60, n),
    'experiencia': np.random.randint(0, 30, n),
    'salario': np.random.normal(65000, 20000, n).round(2)
})

# 2. Limpiar
datos['salario'] = datos['salario'].clip(lower=25000)

# 3. Explorar
print(datos.describe())

# 4. Analizar: La experiencia se correlaciona con el salario?
correlacion, p_valor = stats.pearsonr(datos['experiencia'], datos['salario'])
print(f"Correlacion experiencia-salario: {correlacion:.3f} (p={p_valor:.4f})")

# 5. Visualizar
fig, axes = plt.subplots(1, 2, figsize=(12, 5))
axes[0].hist(datos['salario'], bins=20, edgecolor='black', alpha=0.7)
axes[0].set_title('Distribucion de Salarios')
axes[0].set_xlabel('Salario ($)')
axes[1].scatter(datos['experiencia'], datos['salario'], alpha=0.5)
axes[1].set_title(f'Experiencia vs Salario (r={correlacion:.3f})')
axes[1].set_xlabel('Experiencia (anios)')
plt.tight_layout()
plt.show()

Las Librerias Esenciales de Python para Data Science

Roadmap de Data Science 2026

Crea un notebook 05_ecosistema.ipynb y:

1. Importa las 4 librerias fundamentales y verifica sus versiones
2. Genera un DataFrame con datos ficticios de 200 empleados
3. Calcula estadisticas descriptivas con Pandas
4. Hace un grafico de barras con el salario promedio por departamento
5. Hace un scatter plot de edad vs salario coloreado por departamento
6. Calcula la correlacion de Pearson entre edad y salario con SciPy

Resumen

El ecosistema de data science en Python tiene capas:

• NumPy: La base matematica
• Pandas: Manipulacion de datos (el mas importante del curso)
• Matplotlib/Seaborn: Visualizacion
• SciPy/Statsmodels: Estadistica
• Scikit-learn: Machine learning
• Plotly/Streamlit: Interactividad y dashboards

A partir del proximo modulo nos vamos a enfocar en Pandas, la herramienta mas importante del dia a dia de un data scientist.