Este documento presenta una introducción a ciencia de datos con Python. Explica el uso de librerías como NumPy, Pandas, Matplotlib y Scikit-learn. Cubre temas como manejo de archivos y datos, dataframes, limpieza de datos, visualización de datos, y modelos predictivos como regresión lineal, árboles de decisión y clustering k-means. Incluye enlaces a notebooks de Jupyter para ejemplos prácticos sobre estos temas.

2. Introducción
a Ciencia de Datos
con Python
By Ing. Gustavo A. Brey

3. Agenda LIBRERIAS
MANEJO DE ARCHIVOS Y DATASETS
DATAFRAMES
DATA CLEANING
PLOTTING
PREDICTIVE MODELS

4. Librerias
import numpy as np
import pandas as pd
import scipy.stats as stats
import matplotlib.pyplot as plt
import sklearn

5. Manejo de archivos
Y DATASETS

6. Manejo de archivos
Y DATASETS
POSIBILIDADES DE LEER Y ESCRIBIR EN DIFERENTES FORMATOS
csv = pd.read_csv( 'examples/ex1.csv' ) xlsx = pd.read_excel( 'examples/ex1.xlsx' )
Text Files, separados por coma Excel
HDFS API´s Otros

7. Dataframes
NumPy array-like
Each column can have a different type
Row and column index
Size mutable: insert and delete columns

8. Dataframes

9. Dataframes
MANOS A LA OBRA

10. Data Cleaning
& PREPARATION
df['LoanAmount'].mean()
df['ColumnA'].fillna('0',inplace=True)
df['ColumnB'].fillna(df['ColumnB'].mean(),inplace=True)
df.duplicates()
df.drop_duplicated()
df.replace(-999, np.nan)
MISSING DATA TRANSFORMING DATA
.dropna Borra celdas o filas completas de acuerdo a criterios de NA
.fillna Llena celdas NA con valores calculados a predeterminados

11. Dataframes
EN PANDAS
Ingresar a: http://jupyter.org/try
Seguir las pruebas de:
http://pandas.pydata.org/pandas-docs/stable/10min.html

12. Plotting
Durante el proceso de análisis y exploración, se necesita visualizar el estado del dataset,
para reconocer patrones, outliars detection, etc. matplotlib es la librería utilizada.

13. Plotting
import matplotlib.pyplot as plt
import numpy as np
x = np.linspace(0,10)
plt.plot(x, np.sin(x), '--', linewidth=2)
plt.show()

14. Plotting
import matplotlib.pyplot as plt
import numpy as np
plt.scatter(
np.random.randn(100).cumsum(),
np.random.randn(100).cumsum(), color='black')

15. Predictive Models
DECISION TREE
La idea de un árbol de decisiones es dividir el
conjunto de datos en conjuntos de datos más
pequeños basados ​​en las características
descriptivas hasta llegar a un conjunto lo
suficientemente pequeño que contenga puntos
de datos que se encuentran bajo una etiqueta.
SCIKIT-LEARN (MACHINE LEARNING IN PYTHON)
Libreria simple y eficiente para data mining y
analysis, construida sobre NumPy, SciPy y
matplotlib.
Soporte para Clasification, Regression, Clustering,
Dimensionality Reduction, Model Selection y
Preprocessing
LINEAR REGRESSION
La regresión lineal es un modelo lineal, p. un
modelo que asume una relación lineal entre las
variables de entrada (x) y la variable de salida
única (y). Más específicamente, que y se puede
calcular a partir de una combinación lineal de las
variables de entrada (x).

16. Decision tree
Ingresar a: http://jupyter.org/try
Seguir las pruebas de:
https://drive.google.com/file/d/1MDfMZxsx06-WZwtOwFlk
mbYQXqrNOZI2/view?usp=sharing DATABASE
https://drive.google.com/file/d/18gUwyZyQ-5LBEM66SDP
Rpb7Sokwp9574/view?usp=sharing NOTEBOOK
MANOS A LA OBRA

17. Clustering K-Means
Ingresar a: http://jupyter.org/try
MANOS A LA OBRA
Seguir las pruebas de:
https://mubaris.com/2017/10/01/kmeans-clustering-in
-python/

18. Regresion Lineal
Ingresar a: http://jupyter.org/try
MANOS A LA OBRA
Seguir las pruebas de:
http://scikit-learn.org/stable/auto_examples/linear_mo
del/plot_ols.html#sphx-glr-auto-examples-linear-model
-plot-ols-py

19. Gracias!