Análisis de datos con Python
Aprende el trabajo de un analista de datos con Python: cargar, preparar, resumir, analizar, visualizar y comunicar datos de negocio con pandas y su ecosistema. Es un curso de nivel inicial a intermedio para quien quiere su primer empleo como analista de datos junior: necesitas Python básico (el tema 0 lo repasa y te dice si te falta algo), pero nada de análisis de datos. Empiezas preparando tu entorno profesional y dando tus primeros pasos con NumPy y pandas, y terminas con un proyecto final que sirve como pieza de portafolio: el análisis completo de una tienda online —KPIs del año, cohortes, segmentos RFM y una pregunta de negocio que eliges— en un proyecto reproducible con Git, con un informe que se genera solo en HTML, PDF y Excel y un panel interactivo con Streamlit. Todo se trabaja en tu ordenador sobre los datos de «Brisa Hogar», una tienda online ficticia de artículos para el hogar con tres años de pedidos, clientes y navegación web, más una prueba A/B y el Excel de gasto en marketing.
Qué incluye: 24 temas en 8 módulos, 6 prácticas y un proyecto final
- Módulo 0 · Antes de empezar — Lo que necesitas de Python: repaso y diagnóstico por bloques
- Módulo 1 · Tu entorno, NumPy y primeros pasos con pandas — El trabajo del analista y tu entorno: Jupyter, VS Code, entornos virtuales, uv y pip · NumPy esencial · Series, DataFrame e índice · Leer y escribir CSV, Excel, Parquet, JSON y bases de datos SQL · Práctica 1: primer contacto con la tienda
- Módulo 2 · Preparar los datos — Seleccionar, filtrar y transformar · Texto, fechas y categorías · Limpieza: nulos, duplicados, atípicos y normalización · Calidad de datos y validación con pandera y pytest · Práctica 2: de los datos en bruto a datos fiables y validados
- Módulo 3 · Resumir y combinar — Agrupar y agregar · Remodelar tablas: tablas dinámicas, tablas cruzadas y MultiIndex · Combinar tablas sin perder ni duplicar filas · Práctica 3: el informe mensual de ventas
- Módulo 4 · Analizar en el tiempo — Ventanas y desplazamientos · Series temporales: remuestreo, calendarios, estacionalidad y descomposición · Práctica 4: tendencias, estacionalidad y medias móviles
- Módulo 5 · Describir, visualizar y explorar — Estadística descriptiva aplicada · Visualización con matplotlib, seaborn y plotly · Análisis exploratorio guiado y comunicación de resultados · Práctica 5: EDA con informe visual
- Módulo 6 · Análisis de negocio e inferencia — KPIs y métricas de negocio · Cohortes, retención, segmentación RFM y embudos · Inferencia básica y pruebas A/B · Práctica 6: retención, segmentos RFM y la prueba A/B de la página de pago
- Módulo 7 · Del análisis al producto — Polars y DuckDB · Proyecto reproducible, dependencias fijadas y Git · Informes automatizados en Excel, HTML y PDF · Paneles interactivos con Streamlit · Proyecto final: análisis completo de la tienda con informe automatizado y panel
Cada tema trae un PDF propio con código resuelto sobre la tienda y su salida real, un entrenamiento autocorregible (completas funciones en Python y python comprobar.py te dice al momento si son correctas y, si no, qué mirar) con su solución, y una autoevaluación con la explicación de cada respuesta.
A quién va dirigido. A quien quiere trabajar como analista de datos, a perfiles de negocio, marketing, finanzas u operaciones que ya programan un poco en Python y quieren sacar sus propias cifras, y a quien trabaja con hojas de cálculo y se ha quedado corto. Requisitos: Python básico (colecciones, funciones, ficheros, excepciones y fechas) y un ordenador propio con Windows, macOS o Linux en el que puedas instalar programas. No es un curso de machine learning.
Metodología. Sin calendario: el curso es autogestionado y tienes 365 días desde la matrícula para recorrerlo cuando mejor te venga. Cada tema combina un PDF con código ejecutado sobre la tienda, un entrenamiento que se corrige solo y una autoevaluación; cada módulo se cierra con una práctica individual que el tutor evalúa a medida que llega, con observaciones para mejorarla. Una práctica por debajo del 7 se rehace y se reenvía, sin límite de intentos, hasta aprobarla.
Evaluación. Seis prácticas y el proyecto final con rúbrica (90 %; el proyecto final pesa un 30 %) y las autoevaluaciones de los temas (10 %). Apruebas con una nota final de al menos 7 sobre 10 y al menos un 7 en cada práctica y en cada autoevaluación. Al aprobar recibes un certificado de finalización verificable en línea.
Trabajarás con Python 3.13, uv o pip, VS Code y Jupyter, pandas 3, NumPy, matplotlib, seaborn, plotly, SciPy, statsmodels, pandera, pytest, Polars, DuckDB, papermill, Git y Streamlit. Dedicación estimada: 200 horas.