Fundamentos para Análisis de Datos en NumPy y Pandas

**🔵 ¿Por qué deberías aprender NumPy y Pandas?** **.** Aprender **Pandas** y **NumPy** es crucial para cualquier persona interesada en el **análisis de datos y la ciencia de datos**, ya que estas bibliotecas proporcionan herramientas esenciales para manipular y analizar datos de manera eficiente. Dominarlas te permitirá **convertir datos en información valiosa** y destacar en campos como la ingeniería de datos y la inteligencia artificial, abriendo oportunidades para **tomar decisiones informadas basadas en análisis robustos**. Nunca pares de aprender 💚 . Dato: Numpy es la abreviatura de *Numerical Python* y Pandas de *Panel Data*.

Hola mundo! bienvenidos al curso, no olviden que en cada video existen recursos de lectura, ejercicios y también el repositorio para que complementen todo el conocimiento. Éxito a todos. ⚡

¡Vamos por esa meta de ser Científico de Datos, sí señores! No ha sido fácil, la pereza está fuerte, pero nada, no se negocia con la mente y empezamos.

Realmente me alegra ver a Carli en un nuevo curso de Platzi... ella superó mis expectativas en el curso de Python y me encanta que Platzi la haya traido de regreso para este curso de NumPy y Pandas 💚💚💚 Y después de hacer algunos ajustes en mi Visual Studio.... vamos con todo !!!! 

### Fundamentos de NumPy 1. **Creación de Arrays** * `np.array()`: Crear arrays a partir de listas o tuplas. * `np.zeros()`, `np.ones()`: Crear arrays de ceros o unos. * `np.arange()`: Crear arrays con rangos de números. * `np.linspace()`: Crear arrays con números espaciados uniformemente. 2. **Indexación y Slicing** * Acceso a elementos específicos utilizando índices. * Subsetting arrays mediante slicing (`array[start:stop:step]`). 3. **Operaciones Aritméticas** * Operaciones elementales: suma, resta, multiplicación y división. * Operaciones universales (ufuncs): `np.add()`, `np.subtract()`, `np.multiply()`, etc. 4. **Manipulación de la Forma del Array** * `reshape()`: Cambiar la forma de un array sin cambiar sus datos. * `flatten()`: Convertir un array multidimensional en uno unidimensional. 5. **Funciones Estadísticas y Matemáticas** * Sumar elementos: `np.sum()`. * Calcular la media: `np.mean()`. * Encontrar el máximo y mínimo: `np.max()`, `np.min()`. * Desviación estándar y varianza: `np.std()`, `np.var()`. 6. **Broadcasting** * Principio que permite realizar operaciones aritméticas en arrays de diferentes formas. ### Fundamentos de Pandas 1. **Series y DataFrames** * `pd.Series()`: Creación de Series. * `pd.DataFrame()`: Creación de DataFrames. 2. **Lectura y Escritura de Datos** * `pd.read_csv()`, `pd.read_excel()`: Leer datos desde archivos CSV y Excel. * `to_csv()`, `to_excel()`: Escribir datos en archivos CSV y Excel. 3. **Indexación y Selección de Datos** * Selección de columnas: `df['col_name']` o `df.col_name`. * Filtrado de filas: `df[df['col_name'] > value]`. * Uso de `.loc[]` y `.iloc[]` para selección basada en etiquetas e índices. 4. **Operaciones de DataFrame** * Agregar nuevas columnas: `df['new_col'] = values`. * Eliminar columnas: `df.drop(columns=['col1', 'col2'])`. * Agrupación: `df.groupby('col_name')`. * Funciones de resumen: `df.describe()`, `df.mean()`, `df.sum()`, etc. 5. **Manejo de Datos Faltantes** * Identificación de datos faltantes: `df.isnull()`, `df.notnull()`. * Rellenar datos faltantes: `df.fillna(value)`. * Eliminar filas/columnas con datos faltantes: `df.dropna()`. 6. **Unión y Concatenación** * Concatenación: `pd.concat([df1, df2])`. * Unión (merge): `pd.merge(df1, df2, on='key')`. 7. **Manejo de Fechas y Tiempos** * Conversión de strings a fechas: `pd.to_datetime(df['date_col'])`. * Operaciones con datos temporales: extracción de año, mes, día, etc.

## ¿Por qué NumPy? Es una librería enfocada al cálculo numérico y manejo de Arrays. * Es muy veloz, hasta 50 veces más rápido que usar una lista de Python o C. * Optimiza el almacenamiento en memoria. * Maneja distintos tipos de datos. Es una librería muy poderosa, se pueden crear ***redes neuronales*** desde cero. ¿Por qué Pandas? Pandas está enfocada a la manipulación y análisis de datos. * Al estar construido sobre NumPy es veloz. * Requiere poco código para manipular los datos. * Soporta múltiples formatos de archivos. * Ordena los datos en una alienación inteligente. Se pueden manejar ***grandes cantidades de datos***, hacer analítica y generar dashboards.

La música está muy fuerte

Es muy grande la expectativa que tengo de este curso. Me encanta el análisis de datos y Pandas (o Excel con esteroides) y Numpy (la calculadora de Dios) son vitales para eso mismo. Muchas gracias Platzi por darle F5 a estos conocimientos.

Presente! Prof. .... activo con sus buenos cursos

 una buena practica es llamas a numpy como np

Emocionado por este nuevo curso. Creo que es súper necesario aprender Numpy y Pandas para esta carrera de Data Science 😎

Empecemos con el curso.

cuáles son los prerequisitos para este curso? quiero aprender analisis de datos para RNA-seq venía usando R pero quiero aprender phyton, debería tener más bases en phyton?

A todos los compañeros, cuando instalan las librerías tengan en cuenta que: El signo ! se usa cuando instalan desde una celda de una ambiente que usa notebooks. Cuando instalan desde una terminal normal no se usa el signo !

buenas tardes voy comenzando que tengo que instalar para comenzar, ya instale el Visual Code, también hay que instalar el Python? , gracias de antemano

No puedo instalar Numpy😢

es muy interesante el curso, vamos a darle con todo para obtener nuevos conocimientos

**¿Qué vas a aprender en este curso?** Aprenderas a manejar y analizar grandes volúmenes de datos de forma eficiente utilizando 3 herramientas fundamentales en Python: * **NumPy**: Te permite realizar operaciones matemáticas y estadísticas de alto rendimiento. * **Pandas:** Facilita la manipulación de datos de forma rápida y sencilla. Ideal para trabajar con datos tabulares como los que se encuentras en hojas de cálculo o bases de datos. * **Matplotlib**: Te permite visualizar datos de forma efectiva.

Después de ver a Carli en el curso de fundamentos de python, es momento de seguir aprendiendo Python con este nuevo curso de Platzi 

uso WSL y utilice Mamba para crear un ambiente virtual e instalar pandas, matplotlib y numpy. Hasta el momento bien ... pero cuando quise descargar el CSV de los recursos, me dice que el acceso esta denegado y dice lo siguiente: "This XML file does not appear to have any style information associated with it"

Excelente curso , muy chévere saber que nos servirá para portafolios

Un curso muy útil, me gustaría que explicarán un poco más el proceso de extraer datos de una API y poder manipular los con la libreria Pandas. Sería buena idea dado que es lo que se hace en la ingeniería de datos.

Ahora que han actualizado este curso lo tomaré nuevamente #NuncaParesDeAprender

La música de fondo está muy alta, me cuesta escuchar con atención lo que dice.