Pandas: Análisis de datos con Python

• Programadores Python que necesitan analizar y transformar datos tabulares de forma eficiente y profesional.
• Analistas de datos que quieren automatizar procesos que actualmente realizan en Excel o SQL.
• Científicos de datos e ingenieros de datos que necesitan dominar la herramienta de preprocesamiento más utilizada del ecosistema Python.
• Estudiantes de ciencia de datos, machine learning o inteligencia artificial que necesitan una base sólida en manipulación de datos antes de abordar modelado predictivo.

Módulo 1: Introducción e instalación Qué es Pandas y el ecosistema de datos en Python Instalación y verificación del entorno Módulo 2: Estructuras de datos Series: creación, indexación y operaciones DataFrames: creación, selección con loc/iloc Tipos de datos: dtypes, ArrowDtype y StringDtype Módulo 3: Manipulación de datos Renombrar, agregar y eliminar columnas y filas Filtrado, búsqueda y ordenación Operaciones con texto y categóricas Operaciones matemáticas y estadísticas Operaciones con fechas y series temporales Fusión y concatenación de DataFrames Módulo 4: Agrupación y tablas dinámicas GroupBy y agregaciones Tablas dinámicas, pivot y reshaping Módulo 5: Limpieza y preparación de datos Identificación y tratamiento de valores faltantes Errores y duplicados Detección y tratamiento de outliers Codificación de variables categóricas Módulo 6: Entrada/salida e integraciones Lectura y escritura en CSV, Excel, Parquet, JSON y SQL Integración con Matplotlib Integración con Seaborn Módulo 7: Rendimiento y buenas prácticas Copy on Write y PyArrow backend Encadenamiento de métodos y pipe() Módulo 8: Pandas avanzado MultiIndex e índices jerárquicos Funciones de ventana: rolling, expanding y ewm Novedades de Pandas 2.x Evaluación final Examen de código Examen multirespuesta Proyecto integrador con PyArrow, groupby, pivot, merge y export Parquet

Al completar este curso, serás capaz de:

• Crear, inspeccionar y transformar Series y DataFrames con total soltura.
• Filtrar, ordenar, agrupar y fusionar datos de múltiples fuentes.
• Limpiar conjuntos de datos: tratar valores faltantes, errores, duplicados y outliers.
• Codificar variables categóricas para su uso en modelos de machine learning.
• Crear tablas dinámicas y resúmenes agregados con groupby() y pivot_table().
• Leer y escribir datos en formatos modernos como Parquet y JSON.
• Visualizar datos directamente desde DataFrames con Matplotlib y Seaborn.
• Optimizar el rendimiento de Pandas con Copy-on-Write, PyArrow y vectorización.
• Trabajar con índices jerárquicos MultiIndex y funciones de ventana.
• Escribir código Pandas limpio y mantenible con encadenamiento de métodos y pipe().