Python es un lenguaje de programación interpretado, de propósito general y ampliamente utilizado en ciencia de datos, inteligencia artificial y computación científica. Su diseño prioriza la legibilidad del código y la productividad del programador, lo que lo ha convertido en uno de los lenguajes más populares en investigación y análisis de datos VanderPlas (2016)McKinney (2022).
En este notebook se introducen los fundamentos del lenguaje Python necesarios para comenzar a trabajar con análisis de datos y aprendizaje automático.
Objetivos de aprendizaje¶
Al finalizar este notebook podrás:
Comprender la sintaxis básica de Python
Utilizar tipos de datos fundamentales
Manipular estructuras de datos como listas, tuplas y diccionarios
Aplicar operaciones básicas con arrays usando NumPy
Entender conceptos clave para análisis de datos
Estos conceptos constituyen la base para el uso de Python en ciencia de datos y aprendizaje automático Harris et al. (2020).
Importación de librerías¶
Una de las principales fortalezas de Python es su ecosistema de librerías científicas.
En ciencia de datos, las librerías más utilizadas incluyen:
NumPy: computación numérica eficiente
pandas: manipulación de datos tabulares
matplotlib: visualización
scikit-learn: machine learning
El uso de alias como np y pd es una convención ampliamente adoptada en la comunidad científica VanderPlas (2016).
import numpy as np
import pandas as pd
Tipos de datos básicos¶
Python posee varios tipos de datos fundamentales:
| Tipo | Descripción | Ejemplo |
|---|---|---|
int | números enteros | 10 |
float | números reales | 3.14 |
str | texto | “hola” |
bool | valores lógicos | True / False |
Estos tipos constituyen la base de la representación de información en Python Downey (2011).
x = 10
y = 3.5
texto = "Python"
flag = True
print(type(x))
print(type(y))
print(type(texto))
print(type(flag))
Estructuras de datos¶
Python incluye estructuras de datos muy flexibles para almacenar colecciones de información.
Las más importantes son:
Listas (
list): colecciones ordenadas y mutablesTuplas (
tuple): colecciones ordenadas e inmutablesDiccionarios (
dict): pares clave-valor
Estas estructuras son esenciales para el desarrollo de algoritmos y manipulación de datos Downey (2011).
Listas¶
lista = [1,2,3,4]
print(lista)
print(lista[0])
print(lista[-1])
Las listas son mutables, lo que significa que sus elementos pueden modificarse.
lista[0] = 10
lista
Tuplas¶
tupla = (1,2,3)
tupla
Las tuplas son inmutables, es decir, sus elementos no pueden modificarse después de su creación.
Diccionarios¶
persona = {
"nombre": "Ana",
"edad": 25,
"ciudad": "Quito"
}
persona["nombre"]
Los diccionarios almacenan información mediante pares clave–valor.
Desde Python 3.7, los diccionarios preservan el orden de inserción de los elementos.
Introducción a NumPy¶
La librería NumPy proporciona estructuras eficientes para cálculo numérico.
Su objeto principal es el array multidimensional (ndarray), que permite realizar operaciones vectorizadas sobre grandes conjuntos de datos Harris et al. (2020).
a = np.array([1,2,3,4])
a
a * 2
Las operaciones vectorizadas permiten realizar cálculos sobre todos los elementos del array de forma eficiente, evitando el uso de bucles explícitos.
Ejercicio¶
Dado el vector:
a = [2,5,7,9,12]Obtén los tres primeros elementos
Obtén los dos últimos
Obtén los elementos con paso 2
Resumen¶
En este notebook aprendimos:
Fundamentos del lenguaje Python
Tipos de datos básicos
Estructuras de datos fundamentales
Uso inicial de NumPy
Estos conceptos constituyen la base para trabajar con bibliotecas de análisis de datos y machine learning en Python McKinney (2022).
- VanderPlas, J. (2016). Python Data Science Handbook. O’Reilly.
- McKinney, W. (2022). Python for Data Analysis. O’Reilly.
- Harris, C. R., Millman, K. J., & van der Walt, S. J. (2020). Array programming with NumPy. Nature, 585, 357–362.
- Downey, A. (2011). Think Stats Probability and Statistics for Programmers. Version 1.6. 0. Massachusetts, Green Tea Press. https://greenteapress.com/thinkstats/thinkstats.pdf