React
React Native
Node.js
Python
Rust
PostgreSQL
Solana
Claude
AI Agents
Go
Containers

Python SME Cookbook

Preguntas frecuentes

Secciones

Core Python Language

El Modelo de Ejecución de Python Conceptos básicos de Python Variables, Tipos y Tipado Dinámico Números, Booleanos y Aritmética Strings y f-strings Control Flow Comprensiones y Expresiones Generadoras Funciones, Argumentos y Ámbito Módulos, Importaciones y Paquetes Archivos y E/S Entornos Virtuales: Inicio Rápido Buenas Prácticas Fundamentales de Python Highlights Summary

Syntax and Builtins Collections and Structures Functions and Scope Classes and OOP Iterators and Generators Exceptions and Context Modules and Packaging Asyncio Essentials Pathlib and Files Stdlib Essentials Typing and Annotations Testing with pytest Highlights Summary

El Modelo de Contenedores Detrás de las Estructuras de Datos de Python Conceptos básicos de estructuras de datos Listas y Tuplas Diccionarios Conjuntos y Frozensets Módulo collections heapq y Colas de Prioridad arrays, bytes y memoryview Elegir la Estructura de Datos Correcta Inmutabilidad y Hashabilidad Buenas Prácticas de Colecciones Highlights Summary

El Modelo de Objetos de Python Conceptos básicos de OOP Métodos Dunder / Mágicos dataclasses Propiedades y Descriptores Herencia y MRO Clases Base Abstractas Protocolos y Tipado Estructural Métodos de Clase vs. Instancia vs. Estáticos Enumeraciones Metaclasses y `__init_subclass__`Buenas Prácticas de Python Orientado a Objetos Highlights Summary

Cierres, Protocolos y Evaluación Perezosa Iteradores y el Protocolo de Iterador Generadores y yield yield from & Sub-generadores itertools functools Cierres y Captura de Ámbito Escribiendo Decoradores Decoradores de Clases y Métodos Gestores de Contexto Mejores Prácticas para Iteradores y Decoradores Highlights Summary

El Modelo Mental de Verificación de Tipos Conceptos básicos de las sugerencias de tipo Genéricos Integrados y de Colección Opcional, Unión y el Operador `|`Genéricos y TypeVar Protocolos y Tipado Estructural TypedDict & NamedTuple Literal, Final y Annotated Sobrecargas y Tipos Llamables Configuración de mypy y pyright Estrategia de Tipado Gradual Buenas Prácticas de Sugerencias de Tipos Highlights Summary

Tipado de Pato y el Modelo de Datos Patrones Básicos de Python EAFP vs LBYL Gestores de Contexto como Patrón Los Patrones de Estrategia y Despacho Patrones Factory y Builder Observer y Pub/Sub Inyección de Dependencias en Python Objeto Nulo y Centinelas Antipatrones Comunes Patrones de Python: Mejores Prácticas Highlights Summary

Errores vs. Registro: El Modelo Mental de Dos Canales Conceptos básicos de excepciones Raising & Chaining Jerarquías de Excepciones Personalizadas Grupos de Excepciones y except*Reintentos y Backoff El Módulo logging Registro Estructurado y Contextual Advertencias y Deprecaciones Buenas prácticas de errores y registro Highlights Summary

Estado Compartido y Límites de Aislamiento Conceptos básicos de concurrencia El GIL y Python con Hilos Libres threading multiprocessing concurrent.futures Colas y Productor/Consumidor Subinterpreters Elección de un Modelo de Concurrencia Prácticas recomendadas de concurrencia Highlights Summary

El Modelo Mental del Bucle de Eventos Conceptos básicos de Asyncio Tareas y Gather Concurrencia Estructurada HTTP asíncrono con httpx/aiohttp Gestores y Iteradores de Contexto Asíncronos Puente Síncrono/Asíncrono Bases de datos asíncronas Depuración de código asíncrono Mejores Prácticas de Async Highlights Summary

El Modelo Mental de la Biblioteca Estándar Resumen de la Biblioteca Estándar pathlib y os datetime, zoneinfo y hora json y Serialización re - Expresiones Regulares subprocess Recapitulación de collections, itertools y functools dataclasses, enum y contextlib argparse y configparser hashlib, secrets & uuid Buenas Prácticas de la Biblioteca Estándar Highlights Summary

Tooling, Environments & Quality

El Entorno y Modelo de Resolución de Python Conceptos básicos de entornos y empaquetado uv - La Cadena de Herramientas Rápida Poetry y PDM Explicación de pyproject.toml Resolución de Dependencias y Archivos de Bloqueo Gestión de Versiones de Python Instalaciones Editables y Paquetes Locales Índices y Espejos Privados Buenas Prácticas para Entornos Highlights Summary

El Modelo de Pipeline de Análisis Estático Configuración de Ruff Formato Black / Ruff Reglas Esenciales de Linting isort y Organización de Importaciones mypy y pyright en CI Hooks de pre-commit Integración con el Editor Linting en CI/CD Mejores Prácticas de Linting y Formateo Highlights Summary

La Anatomía de una Suite pytest Configuración de pytest Aserciones y Estructura de Pruebas Fixtures Parametrización Mocking y Parcheo Testing Async Code Cobertura y Reportes Pruebas Basadas en Propiedades Probar APIs Web tox / nox Mejores Prácticas de Pruebas Highlights Summary

El Modelo de Documentación Viva de BDD Lista de verificación de decisiones BDD Sintaxis de Gherkin Configuración de behave / pytest-bdd Definiciones de Pasos De Gherkin a Código Gherkin a Canalización de CI Mejores Prácticas de BDD Highlights Summary

Cómo Python Gasta Tiempo y Memoria Fundamentos de Rendimiento timeit y Microbenchmarks cProfile y Profilers Análisis de Memoria Vectorización con NumPy Cython y mypyc PyPy y Runtimes Alternativos Almacenamiento en caché y memorización Async y Concurrencia para Rendimiento Lista de verificación de auditoría de rendimiento Buenas Prácticas de Rendimiento Highlights Summary

El Modelo de Empaquetado de Python: Del Árbol de Fuentes a un Paquete Instalado Conceptos básicos de empaquetado Compilar Backends Versionado y Changelogs Publicar en PyPI Puntos de Entrada y Scripts de Consola Extensiones Nativas y Wheels Distribución de Aplicaciones Buenas prácticas de empaquetado Highlights Summary

El Contrato de la CLI: Qué Hace que una Herramienta de Línea de Comandos Sea un Buen Ciudadano Conceptos básicos de la CLI argparse Click Typer Salida Enriquecida Configuración y Entorno Prompts Interactivos Empaquetado y Distribución de CLIs Buenas Prácticas para CLI Highlights Summary

Cómo usar una lista de reglas de Python 50 Reglas de Python que Todo Especialista Debería Seguir 40 Reglas de Diseño de API (FastAPI/Django/Flask)30 Reglas de Asincronía 30 Reglas de Código para Datos/ML 30 Reglas de Seguridad para Python Referencia de PEP 8 y Estilo Referencia de Problema / Solución Decisiones de Arquitectura en Python Highlights Summary

Architecture & Debugging

El Modelo Mental de Arquitectura para Servicios Python Lista de verificación de decisiones de arquitectura de proyectos Estructura de Paquetes y Diseño de `src/`Arquitectura Limpia / Hexagonal Modelado de Dominio Inyección y Cableado de Dependencias Configuración y Ajustes Decisiones de Refactorización Lista de Verificación de Auditoría de Código Base Migración de una Aplicación Heredada de Python 2/Django/Flask Buenas Prácticas de Arquitectura Highlights Summary

El Modelo Mental de Depuración para Servicios Python Errores de Argumentos Predeterminados Mutables Escenarios de Importación Circular Bloqueos y Bloqueo del Bucle en asyncio Escenarios de Fugas de Memoria Errores de codificación y Unicode Errores de punto flotante y numéricos Conflictos de Dependencias y Entorno Defectos en Pipelines de Datos Herramientas de depuración Depurar fragmentos de refactorización Highlights Summary

Web, APIs & Data Layer

El Modelo del Ciclo de Vida de la Solicitud de FastAPI Fundamentos de FastAPI Modelos de Solicitud y Respuesta Inyección de Dependencias Rutas y Bases de Datos Asíncronas Autenticación y Autorización Tareas en Segundo Plano y Workers WebSockets y Streaming Middleware y Manejo de Errores Testing FastAPI Despliegue de FastAPI Prácticas recomendadas de FastAPI Highlights Summary

El Ciclo de Solicitud MTV de Django y la Pereza del ORM Conceptos básicos de Django Modelos y el ORM Migraciones Django REST Framework Plantillas y Formularios Autenticación y Permisos Vistas y Canales Asíncronos El Admin Caché y Rendimiento Escalado y Despliegue Buenas Prácticas de Django Highlights Summary

El Modelo de Contexto y WSGI de Flask Conceptos básicos de Flask Fábricas y Blueprints de Aplicaciones Extensiones Ciclo de Vida y Contexto de la Solicitud Plantillas con Jinja2 Creación de APIs REST Pruebas de Flask Despliegue de Flask Flask vs FastAPI vs Django Prácticas recomendadas de Flask Highlights Summary

El Modelo de Límite de Pydantic Conceptos básicos de Pydantic Tipos y Restricciones de Campos Validadores Serialización Gestión de Configuración Modelos Anidados y Recursivos Rendimiento y pydantic-core Dataclasses vs Pydantic vs attrs Buenas Prácticas de Validación Highlights Summary

El Modelo de Capas de Base de Datos en Python Conceptos básicos de bases de datos SQLAlchemy Core SQLAlchemy ORM 2.0 SQLModel Migraciones con Alembic Acceso Asíncrono a Bases de Datos Patrones de Consulta y N+1 NoSQL y Caché Gestión de Conexiones Mejores Prácticas de Bases de Datos Highlights Summary

El Límite de Confianza de la API de Python Conceptos básicos de diseño de API GraphQL en Python OAuth2 y JWT Manejo de contraseñas y credenciales Gestión de Secretos Validación de Entradas e Inyección Fundamentos de Criptografía Limitación de Tasa y Prevención de Abusos Seguridad de Dependencias y Cadena de Suministro Prácticas recomendadas de API y seguridad Highlights Summary

Data & Scientific Computing

El modelo mental de NumPy y pandas Conceptos básicos de análisis de datos Arrays de NumPy Indexación y Remodelación de NumPy Series y DataFrames de pandas Limpieza y Transformación de Datos GroupBy & Agregación Joins y Combinaciones Series Temporales Polars Rendimiento y Memoria Buenas prácticas de análisis de datos Highlights Summary

Grammar of Graphics vs. Imperative Plotting Conceptos básicos de visualización matplotlib seaborn Plotly Altair Dashboards (Streamlit / Dash / Gradio)Trazado de Grandes Volúmenes de Datos Mejores Prácticas de Visualización Highlights Summary

El Modelo Mental de Procesamiento por Lotes, en Streaming y Orquestación Fundamentos de Ingeniería de Datos Airflow Prefect y Dagster dbt con Python PySpark Streaming (Kafka / Faust)Validación y Calidad de Datos Formatos de Archivo Fiabilidad del Flujo de Trabajo Mejores Prácticas de Ingeniería de Datos Highlights Summary

AI & Machine Learning

El Modelo Mental Clásico de ML Conceptos básicos de aprendizaje automático Conjuntos de Datos y Divisiones Ingeniería de características Pipelines Aprendizaje Supervisado Evaluación de Modelos Ajuste de Hiperparámetros Aprendizaje No Supervisado Datos Desequilibrados Gradient Boosting Mejores Prácticas de Machine Learning Highlights Summary

El Modelo Mental de Deep Learning Conceptos básicos de PyTorch Autograd Construcción de Modelos con nn.Module Datasets y DataLoaders Bucles de Entrenamiento GPU y Precisión Mixta Aprendizaje por Transferencia y Ajuste Fino PyTorch Lightning Guardado, Carga y Exportación Entrenamiento Distribuido Mejores Prácticas de Aprendizaje Profundo Highlights Summary

El Modelo de Interfaz de LLM Conceptos básicos de LLM SDK de Anthropic Claude SDKs de OpenAI y otros Hugging Face transformers Ingeniería de Prompts Salida Estructurada Embeddings y Similitud Streaming y llamadas asíncronas a LLM Tokens, Cost & Rate Limits Modelos Locales y Abiertos Mejores Prácticas para LLMs Highlights Summary

El Modelo Mental de la Pipeline RAG y el Bucle de Agente Conceptos básicos de RAG Fragmentación e Ingesta Bases de datos vectoriales Recuperación y Reclasificación LangChain LlamaIndex LangGraph y Bucles de Agentes Uso de Herramientas y Llamada a Funciones Protocolo de Contexto de Modelo (MCP)Evaluación y Barreras de Seguridad Mejores prácticas para Agentes de IA Highlights Summary

El Ciclo de Vida de Notebook a Producción Conceptos básicos de MLOps Seguimiento de Experimentos Registros y control de versiones de modelos Versionado de Datos y Modelos (DVC)Servir con FastAPI Servicio Dedicado (BentoML / Triton / TorchServe)Inferencia por lotes y en streaming Monitorización y Deriva Infraestructura y Costo de GPU Mejores Prácticas de MLOps Highlights Summary

Infrastructure & Ops

El Modelo Mental de Infraestructura Declarativa Conceptos básicos de automatización de infraestructura Ansible Pulumi (IaC en Python)Terraform con Python Gestión de Configuración Aprovisionamiento de Recursos en la Nube Testing Infrastructure Code Buenas Prácticas de Automatización de Infraestructura Highlights Summary

El Modelo Mental de la Arquitectura de boto3 Conceptos básicos de boto3 S3 Lambda DynamoDB SQS y SNS Secrets Manager y SSM google-cloud y azure-sdk Patrones de Credenciales y Sesiones Reintentos, Paginación y Limitación Buenas Prácticas para SDK en la Nube Highlights Summary

El Contrato de Proceso: Cómo los Scripts de Automatización Hablan con su Entorno Conceptos básicos de scripting Automatización de Archivos y Directorios subprocess e Interoperabilidad con Shell Programación y Cron SSH y Ejecución Remota Trabajar con APIs y Webhooks Análisis de Registros y Texto Scripts Robustos Mejores Prácticas de Scripting de Sistemas Highlights Summary

El Modelo de Artefacto de Despliegue: Construir una Vez, Configurar en Tiempo de Ejecución Conceptos básicos de despliegue Dockerizar Python Gunicorn y Uvicorn AWS Lambda y Serverless Kubernetes para aplicaciones Python Canales de CI/CD Configuración y secretos en producción Despliegues sin tiempo de inactividad Mejores Prácticas de Despliegue Highlights Summary

El Modelo de Correlación de Observabilidad Conceptos básicos de observabilidad Registro Estructurado Métricas Trazado Distribuido Seguimiento de Errores Salud y Preparación Monitorización de Rendimiento (APM)Buenas Prácticas de Observabilidad Highlights Summary

Ecosystem & Team

El Modelo de Dependencias de Python httpx y requests Rich & Textual pydantic-settings tenacity pendulum / arrow Pillow openpyxl / python-docx / reportlab beautifulsoup4 y lxml Celery SQLModel / SQLAlchemy Prácticas recomendadas para bibliotecas esenciales Highlights Summary

El Modelo de Habilidad de Agente para Equipos de Python Habilidad Experta de FastAPI Habilidad de Pipeline de Datos Habilidad de PyTorch / Deep Learning Skill de LLM / RAG Habilidad de Empaquetado y Publicación pytest / Habilidad de Pruebas Habilidad de Sugerencias de Tipo Habilidad de Automatización de Infraestructura Habilidad: Mejores Prácticas de Python Highlights Summary

El modelo de objetos de Git Comandos Esenciales de Git Ramificación y Fusión Lista de verificación para la resolución de conflictos de fusión Git Worktrees GitHub CLI Git para datos/notebooks Configuración de Git Mejores prácticas de Git Highlights Summary

Fluidez en la CLI de Linux para Ingenieros de Python Conceptos Esenciales de Sysadmin Búsqueda y Expresiones Regulares Python en la Línea de Comandos Pipes y Procesamiento de Texto Gestión de Procesos y Recursos SSH y Trabajo Remoto Productividad en la Shell Mejores prácticas de la CLI de Linux Highlights Summary

El Modelo de Capacidad del Equipo de Python Lista de verificación para la incorporación de desarrolladores Lista de verificación de configuración del entorno Orientación de la Base de Código Convenciones y Guía de Estilo Guías de Revisión de Código Prácticas recomendadas para el equipo Highlights Summary

Tech-Lead Craft

La respuesta a incidentes de producción como disciplina Depuración en Producción Playbooks de Respuesta a Incidentes Análisis post-mortem sin culpa y RCA Modos de Fallo Comunes en Producción Runbooks de Reversión y Recuperación Convertir incidentes en barreras de seguridad Salud de la guardia (On-Call)Highlights Summary

Qué optimiza realmente la entrega empresarial Gestión de Lanzamientos Feature Flags y Entrega Progresiva Estrategias de Reversión Métricas DORA Pruebas A/B y Experimentación Entornos y Promoción de Configuración Mejores Prácticas de Entrega Highlights Summary

El Modelo Mental del Líder Técnico Toma de Decisiones Técnicas Registros de Decisiones de Arquitectura (ADR)Ejecución de Revisiones de Diseño Cultura de Revisión de Código Mentoría y Niveles Delegación y Propagación de Contexto Manejo de desacuerdos técnicos Mejores Prácticas de Liderazgo Highlights Summary

La Asociación Producto-Ingeniería De Requisitos a Especificaciones Técnicas Priorización de la Plataforma y Deuda Técnica Estimación y Riesgo Contribuciones al Roadmap Comunicación con Stakeholders Haciendo que el Proceso Funcione (Scrum/Kanban/SAFe)Mejores Prácticas de Colaboración de Producto Highlights Summary

Cómo leer un estudio de caso Referencia: Un Backend SaaS con FastAPI Referencia: Un Pipeline de ML de Producción Referencia: Una Plataforma de Datos / Sistema ETL Antes/Después: Refactorización de un Monolito Django Heredado Antes/Después: Migración de Sincronización a Asincronía Benchmarks de Escalabilidad Catálogo de Lecciones Aprendidas Highlights Summary

Ingeniería de Gobernanza a Escala Estándares y Guías de Estilo de Código Convenciones de Documentación Guías de Contribución Gobernanza de Dependencias y Cadena de Suministro Política de Deprecación y Actualización Puntas, Pruebas de Concepto y Adopción de Nuevas Herramientas Crecimiento Profesional: de Senior a Lead y a Staff/Principal Buenas Prácticas de Gobernanza Highlights Summary

/

/

© 2026 @csjcode|SystemsArchitect.io: Cloud Systems Tools|Términos

Recurso educativo independiente y no oficial. Sin afiliación, respaldo ni patrocinio de los propietarios o responsables de las marcas.

Buscar en la documentación

Busca en todas las páginas de la documentación

Python SME/Visualización/Visualization Highlights Summary

Highlights Summary Data Visualization

Visualization Highlights Summary

Every highlight bullet from the 9 pages in this section, gathered on one page and grouped by the page it came from.

Puntos clave / Visualization Highlights Summary

Every chart is a mapping from data columns to visual encodings - position, color, size, shape
Match chart type to the analytic question
Figure is canvas; Axes is where data draws
data= parameter expects tidy DataFrames
Plotly Express maps DataFrame columns to roles
Charts compose from mark + encode + data

Grammar of Graphics vs. Imperative Plotting

Every chart is a mapping from data columns to visual encodings - position, color, size, shape
Imperative libraries (matplotlib) draw artists; declarative ones (Altair) describe mappings and let a renderer draw
Tidy, long-format data is what makes the grammar-of-graphics model work
Audience and delivery medium (static report vs. interactive dashboard) should pick the library before chart type does

Visualization Basics

Match chart type to the analytic question
Label axes and units - charts lie by omission
Start with matplotlib for control; layer seaborn for stats
Save figures at dpi suited to medium (screen vs print)

matplotlib

Figure is canvas; Axes is where data draws
Use fig, ax = plt.subplots() in production code
tight_layout prevents label clipping
Close figures in loops to avoid memory leaks

seaborn

data= parameter expects tidy DataFrames
set_theme gives consistent aesthetics
hue/size/style encode extra dimensions
errorbar replaces deprecated ci= in modern seaborn

Plotly

Plotly Express maps DataFrame columns to roles
write_html embeds without a server
Hover templates customize tooltips
Downsample before plotting millions of points

Altair

Charts compose from mark + encode + data
Vega-Lite JSON serializes for git review
transform_* keeps logic in the spec
Aggregate before plotting large datasets

Dashboards (Streamlit / Dash / Gradio)

Streamlit is fastest for data scientist prototypes
Dash fits multi-page Plotly enterprise apps
Gradio targets ML model demos with inputs/outputs
Cache expensive loads with st.cache_data

Plotting Large Data

Never send a million points to the browser raw
Aggregate or bin first; plot the summary
datashader rasterizes huge scatter to images
LTTB preserves visual shape when downsampling lines

Visualization Best Practices

Start y-axis at zero for bar charts unless log scale is labeled
Color is not the only channel - use labels and shapes
Title states the insight; axes state units
Aggregate before plotting large datasets

Revisado por Chris St. John·Última actualización: 31 jul 2026

En esta página

[Grammar of Graphics vs. Imperative Plotting](./grammar-of-graphics-vs-imperative-plotting.md)[Visualization Basics](./visualization-basics.md)[matplotlib](./matplotlib.md)[seaborn](./seaborn.md)[Plotly](./plotly.md)[Altair](./altair.md)[Dashboards (Streamlit / Dash / Gradio)](./dashboards-streamlit-dash-gradio.md)[Plotting Large Data](./plotting-large-data.md)[Visualization Best Practices](./best-practices.md)