Conceptos básicos de análisis de datos

10 ejemplos para empezar con el análisis de datos: 7 básicos y 3 intermedios.

Prerrequisitos

Python 3.14.0 con pandas 2.2+ y NumPy instalados.
Configuración rápida: uv pip install "pandas>=2.2" "numpy>=2.0" "pyarrow>=18"

Ejemplos básicos

1. Creación de arrays de NumPy

Crea un array numérico homogéneo y ejecuta operaciones matemáticas vectorizadas.

import numpy as np
 
sales = np.array([120, 340, 280, 410], dtype=np.int32)
bonus = sales * 0.1
print(bonus.dtype, bonus.sum())

Los arrays de NumPy almacenan un dtype por eje; mezclar tipos fuerza la conversión.
Las operaciones vectorizadas evitan bucles de Python y se ejecutan en C compilado.
dtype controla la memoria y la precisión; selecciónalo deliberadamente.

Relacionado: Arrays de NumPy - dtypes y broadcasting

2. Series y DataFrame de pandas

Encapsula datos etiquetados en estructuras de pandas.

import pandas as pd
 
revenue = pd.Series([120, 340, 280], index=["Jan", "Feb", "Mar"], name="revenue")
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": revenue.values})
print(df.dtypes)

Una Series es una sola columna con un índice.
Un DataFrame es una tabla de Series alineadas que comparten el mismo índice.
.dtypes revela si las columnas son numéricas, de cadena o categóricas.

Relacionado: Series y DataFrames de pandas - construcción y selección

3. Leer CSV e inspeccionar

Carga un archivo y prodúcelo antes de transformarlo.

import pandas as pd
from io import StringIO
 
csv = "date,region,revenue\n2025-01-01,East,120\n2025-01-02,West,340\n"
df = pd.read_csv(StringIO(csv), parse_dates=["date"])
print(df.info())
print(df.isna().sum())

parse_dates almacena las fechas como dtypes correctos, no como cadenas.
info() muestra recuentos no nulos y uso de memoria.
Cuenta los valores faltantes por columna antes de agregar.

Relacionado: Limpieza y transformación de datos - valores faltantes y dtypes

4. Seleccionar filas y columnas

Utiliza indexación basada en etiquetas y en posición.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
east = df.loc[df["region"] == "East", ["region", "revenue"]]
first_row = df.iloc[0]

.loc selecciona por etiquetas; .iloc selecciona por posición entera.
Las máscaras booleanas filtran filas sin copiar todo el marco cuando es posible.
Asigna siempre los resultados filtrados a una nueva variable o usa .copy() si vas a mutar.

Relacionado: Series y DataFrames de pandas - reglas de indexación

5. Manejar valores faltantes

Elimina o rellena huecos explícitamente.

import pandas as pd
import numpy as np
 
df = pd.DataFrame({"revenue": [120, np.nan, 280]})
filled = df["revenue"].fillna(df["revenue"].median())
dropped = df.dropna(subset=["revenue"])

fillna con una estadística está bien para la exploración; documenta la política para producción.
dropna elimina filas; verifica que no estés sesgando las agregaciones.
pandas 2.x utiliza dtypes anulables (Int64) cuando necesitas enteros con NA.

Relacionado: Limpieza y transformación de datos - correcciones de dtype

6. Agregación GroupBy

Resume por categoría con split-apply-combine.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
summary = (
    df.groupby("region", observed=True)["revenue"]
    .agg(["sum", "mean", "count"])
    .reset_index()
)

groupby divide las filas, aplica una función por grupo y combina los resultados.
observed=True omite los niveles categóricos no utilizados en pandas 2.x.
.reset_index() convierte la clave del grupo de nuevo en una columna normal.

Relacionado: GroupBy y agregación - tablas dinámicas

7. Fusionar dos tablas

Combina conjuntos de datos en una clave compartida.

import pandas as pd
 
orders = pd.DataFrame({"order_id": [1, 2], "region": ["East", "West"]})
revenue = pd.DataFrame({"order_id": [1, 2], "amount": [120, 340]})
merged = orders.merge(revenue, on="order_id", how="inner", validate="one_to_one")

how="inner" mantiene solo las claves coincidentes; documenta lo que eliminas.
validate detecta uniones accidentales de muchos a muchos de forma temprana.
Comprueba los recuentos de filas antes y después de cada fusión.

Relacionado: Joins y fusiones - detección de duplicados

Ejemplos intermedios

8. Remuestrear una serie temporal

Agrega datos diarios a totales mensuales.

import pandas as pd
 
idx = pd.date_range("2025-01-01", periods=90, freq="D", tz="UTC")
df = pd.DataFrame({"revenue": range(90)}, index=idx)
monthly = df["revenue"].resample("ME").sum()

Los índices de fecha y hora permiten la agrupación consciente del calendario a través de .resample.
Almacena las marcas de tiempo en UTC; convierte a hora local solo para visualización.
"ME" es la frecuencia de fin de mes en pandas moderno.

Relacionado: Series temporales - ventanas móviles y zonas horarias

9. Escaneo perezoso de Polars

Retrasa el trabajo y deja que el planificador de consultas optimice la E/S.

import polars as pl
 
lf = pl.scan_parquet("sales.parquet")
result = (
    lf.filter(pl.col("region") == "East")
    .group_by("month")
    .agg(pl.col("revenue").sum().alias("total"))
    .collect()
)
print(result)

Los marcos perezosos de Polars empujan los filtros hacia abajo antes de leer todas las columnas.
.collect() ejecuta el plan; mantén la lógica perezosa hasta que necesites datos materializados.
Polars 1.x utiliza el diseño de memoria Apache Arrow para operaciones de columna rápidas.

Relacionado: Polars - patrones de evaluación perezosa

10. dtypes eficientes en memoria

Reduce un marco amplio antes de que agote la RAM.

import pandas as pd
 
df = pd.read_csv("large.csv", dtype={"region": "category", "units": "int32"})
df["revenue"] = pd.to_numeric(df["revenue"], downcast="float")
print(df.memory_usage(deep=True).sum() / 1e6, "MB")

category almacena cadenas repetidas una vez, ideal para columnas de baja cardinalidad.
downcast elige el dtype numérico más pequeño que se ajusta a tus valores.
Mide con memory_usage(deep=True) después de cada carga pesada.

Relacionado: Rendimiento y memoria - fragmentación y Arrow

Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.

Conceptos básicos de análisis de datos

10 ejemplos para empezar con el análisis de datos: 7 básicos y 3 intermedios.

Prerrequisitos

Python 3.14.0 con pandas 2.2+ y NumPy instalados.
Configuración rápida: uv pip install "pandas>=2.2" "numpy>=2.0" "pyarrow>=18"

Ejemplos básicos

1. Creación de arrays de NumPy

Crea un array numérico homogéneo y ejecuta operaciones matemáticas vectorizadas.

import numpy as np
 
sales = np.array([120, 340, 280, 410], dtype=np.int32)
bonus = sales * 0.1
print(bonus.dtype, bonus.sum())

Los arrays de NumPy almacenan un dtype por eje; mezclar tipos fuerza la conversión.
Las operaciones vectorizadas evitan bucles de Python y se ejecutan en C compilado.
dtype controla la memoria y la precisión; selecciónalo deliberadamente.

Relacionado: Arrays de NumPy - dtypes y broadcasting

2. Series y DataFrame de pandas

Encapsula datos etiquetados en estructuras de pandas.

import pandas as pd
 
revenue = pd.Series([120, 340, 280], index=["Jan", "Feb", "Mar"], name="revenue")
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": revenue.values})
print(df.dtypes)

Una Series es una sola columna con un índice.
Un DataFrame es una tabla de Series alineadas que comparten el mismo índice.
.dtypes revela si las columnas son numéricas, de cadena o categóricas.

Relacionado: Series y DataFrames de pandas - construcción y selección

3. Leer CSV e inspeccionar

Carga un archivo y prodúcelo antes de transformarlo.

import pandas as pd
from io import StringIO
 
csv = "date,region,revenue\n2025-01-01,East,120\n2025-01-02,West,340\n"
df = pd.read_csv(StringIO(csv), parse_dates=["date"])
print(df.info())
print(df.isna().sum())

parse_dates almacena las fechas como dtypes correctos, no como cadenas.
info() muestra recuentos no nulos y uso de memoria.
Cuenta los valores faltantes por columna antes de agregar.

Relacionado: Limpieza y transformación de datos - valores faltantes y dtypes

4. Seleccionar filas y columnas

Utiliza indexación basada en etiquetas y en posición.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
east = df.loc[df["region"] == "East", ["region", "revenue"]]
first_row = df.iloc[0]

.loc selecciona por etiquetas; .iloc selecciona por posición entera.
Las máscaras booleanas filtran filas sin copiar todo el marco cuando es posible.
Asigna siempre los resultados filtrados a una nueva variable o usa .copy() si vas a mutar.

Relacionado: Series y DataFrames de pandas - reglas de indexación

5. Manejar valores faltantes

Elimina o rellena huecos explícitamente.

import pandas as pd
import numpy as np
 
df = pd.DataFrame({"revenue": [120, np.nan, 280]})
filled = df["revenue"].fillna(df["revenue"].median())
dropped = df.dropna(subset=["revenue"])

fillna con una estadística está bien para la exploración; documenta la política para producción.
dropna elimina filas; verifica que no estés sesgando las agregaciones.
pandas 2.x utiliza dtypes anulables (Int64) cuando necesitas enteros con NA.

Relacionado: Limpieza y transformación de datos - correcciones de dtype

6. Agregación GroupBy

Resume por categoría con split-apply-combine.

import pandas as pd
 
df = pd.DataFrame({"region": ["East", "West", "East"], "revenue": [120, 340, 280]})
summary = (
    df.groupby("region", observed=True)["revenue"]
    .agg(["sum", "mean", "count"])
    .reset_index()
)

groupby divide las filas, aplica una función por grupo y combina los resultados.
observed=True omite los niveles categóricos no utilizados en pandas 2.x.
.reset_index() convierte la clave del grupo de nuevo en una columna normal.

Relacionado: GroupBy y agregación - tablas dinámicas

7. Fusionar dos tablas

Combina conjuntos de datos en una clave compartida.

import pandas as pd
 
orders = pd.DataFrame({"order_id": [1, 2], "region": ["East", "West"]})
revenue = pd.DataFrame({"order_id": [1, 2], "amount": [120, 340]})
merged = orders.merge(revenue, on="order_id", how="inner", validate="one_to_one")

how="inner" mantiene solo las claves coincidentes; documenta lo que eliminas.
validate detecta uniones accidentales de muchos a muchos de forma temprana.
Comprueba los recuentos de filas antes y después de cada fusión.

Relacionado: Joins y fusiones - detección de duplicados

Ejemplos intermedios

8. Remuestrear una serie temporal

Agrega datos diarios a totales mensuales.

import pandas as pd
 
idx = pd.date_range("2025-01-01", periods=90, freq="D", tz="UTC")
df = pd.DataFrame({"revenue": range(90)}, index=idx)
monthly = df["revenue"].resample("ME").sum()

Los índices de fecha y hora permiten la agrupación consciente del calendario a través de .resample.
Almacena las marcas de tiempo en UTC; convierte a hora local solo para visualización.
"ME" es la frecuencia de fin de mes en pandas moderno.

Relacionado: Series temporales - ventanas móviles y zonas horarias

9. Escaneo perezoso de Polars

Retrasa el trabajo y deja que el planificador de consultas optimice la E/S.

import polars as pl
 
lf = pl.scan_parquet("sales.parquet")
result = (
    lf.filter(pl.col("region") == "East")
    .group_by("month")
    .agg(pl.col("revenue").sum().alias("total"))
    .collect()
)
print(result)

Los marcos perezosos de Polars empujan los filtros hacia abajo antes de leer todas las columnas.
.collect() ejecuta el plan; mantén la lógica perezosa hasta que necesites datos materializados.
Polars 1.x utiliza el diseño de memoria Apache Arrow para operaciones de columna rápidas.

Relacionado: Polars - patrones de evaluación perezosa

10. dtypes eficientes en memoria

Reduce un marco amplio antes de que agote la RAM.

import pandas as pd
 
df = pd.read_csv("large.csv", dtype={"region": "category", "units": "int32"})
df["revenue"] = pd.to_numeric(df["revenue"], downcast="float")
print(df.memory_usage(deep=True).sum() / 1e6, "MB")

category almacena cadenas repetidas una vez, ideal para columnas de baja cardinalidad.
downcast elige el dtype numérico más pequeño que se ajusta a tus valores.
Mide con memory_usage(deep=True) después de cada carga pesada.

Relacionado: Rendimiento y memoria - fragmentación y Arrow

Versiones de la pila: Esta página se escribió para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+ y uv 0.6+.

Conceptos básicos de análisis de datos

Buscar en la documentación

Conceptos básicos de análisis de datos