Lección 1 de 14 · Lectura y práctica
Por qué Python para Data Science?
Python: el lenguaje de los datos Python se ha convertido en el lenguaje dominante para la ciencia de datos. Su sintaxis legible, su enorme ecosistema de librerías y su comunidad activa lo hacen ideal para pasar de un archivo CSV.
Del concepto a la práctica
Taller de esta lección
Python resulta útil aquí porque permite dejar por escrito una secuencia completa: entrada, transformación y salida. La ventaja práctica no es una promesa de velocidad universal, sino que otra persona puede revisar los mismos pasos con los mismos datos.
Ejemplo resuelto
Una función pequeña registra una decisión reproducible:
def total_con_impuesto(importes, tasa):
subtotal = sum(importes)
return round(subtotal * (1 + tasa), 2)
print(total_con_impuesto([12.50, 8.00, 4.50], 0.10))
# 27.5Se entregan tres importes y una tasa decimal.
sumproduce 25.00 y la tasa añade 2.50.roundredondea el resultado numérico; para mostrar exactamente dos decimales usaf"{total:.2f}".La misma entrada produce la misma salida.
Un error frecuente es escribir el resultado a mano en una hoja y no conservar la fórmula. Corrígelo separando datos, función y print, como en el ejemplo.
Pruébalo
Usa [9.90, 3.10, 7.00] con una tasa de 0.21 y guarda el resultado en importe_final.
Comprueba tu resultado
Debe aparecer 24.2: el subtotal es 20.00, el impuesto 4.20 y el total 24.20.
Este caso usa floats como simplificación didáctica. En un sistema monetario real define moneda, reglas de redondeo y una representación decimal exacta o unidades menores enteras; no asumas que redondear la impresión corrige toda la aritmética.

Mapa de prácticaUna condición decide qué camino ejecuta el programa. Un bucle repite una operación mientras queden elementos, y termina cuando la lista se agota. Separar ambas ideas ayuda a seguir el flujo y comprobar casos límite.
Ver la infografía en tamaño completo ↗Python: el lenguaje de los datos
Python se ha convertido en el lenguaje dominante para la ciencia de datos. Su sintaxis legible, su enorme ecosistema de librerías y su comunidad activa lo hacen ideal para pasar de un archivo CSV en bruto a un análisis que aporta decisiones. En este curso vas a recorrer ese camino completo: leer datos, limpiarlos, transformarlos, analizarlos y visualizarlos.
¿Por qué Python y no otra herramienta?
- Fácil de leer: el código se parece a pseudocódigo, lo que reduce errores y acelera el aprendizaje.
- Ecosistema completo: NumPy para cálculo numérico, Pandas para datos tabulares, Matplotlib y Seaborn para gráficos, scikit-learn para modelos.
- Reproducibilidad: un mismo script da el mismo resultado, algo difícil de garantizar en una hoja de cálculo manual.
- Escala: sirve igual para un análisis de 100 filas que para uno de millones.
Nota
Excel es excelente para revisar datos a ojo, pero se complica con archivos grandes y no deja rastro de los pasos que aplicaste. Python documenta cada transformación en código que puedes repetir y auditar.
El stack que usarás en este curso
# Librerías fundamentales de data science
import numpy as np # cálculo numérico con arrays
import pandas as pd # manipulación de datos tabulares
import matplotlib.pyplot as plt # gráficos base
import seaborn as sns # gráficos estadísticos sobre matplotlib
Configura tu entorno paso a paso
- Instala las librerías con pip o usa la distribución Anaconda, que ya las trae.
- Abre un Jupyter Notebook, el entorno preferido para análisis exploratorio.
- Verifica las versiones para asegurar reproducibilidad.
# Instalación con pip
pip install numpy pandas matplotlib seaborn jupyter
# Iniciar Jupyter
jupyter notebook
# Verificar versiones dentro del notebook
import numpy as np, pandas as pd
print(np.__version__, pd.__version__)
¿Cuál es la principal ventaja de Python sobre una hoja de cálculo para un análisis serio?
Ejercicio práctico
Objetivo: dejar tu entorno listo y verificado, como harías el primer día en un proyecto real.
- Crea un entorno e instala numpy, pandas, matplotlib, seaborn y jupyter.
- Abre un notebook nuevo y, en la primera celda, importa las cuatro librerías con sus alias convencionales (np, pd, plt, sns).
- Imprime la versión de NumPy y Pandas.
- Crea una lista de Python con 5 números y conviértela en un array con
np.array; imprime su tipo contype().
Entregable: captura del notebook mostrando las versiones impresas y el array creado sin errores.
Para recordar
- El stack base es NumPy, Pandas, Matplotlib y Seaborn.
- Jupyter Notebook mezcla código, texto y gráficos en un solo documento.
- La ventaja clave de Python es la reproducibilidad y la escala.
Sigue con Python para Data Science
Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.
Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.