Este documento describe las bibliotecas Numpy y Pandas en Python para el análisis de datos. Explica cómo instalar librerías en Anaconda y Jupyter Notebook e introduce Numpy, que permite representar y manipular arrays de datos de forma eficiente. También presenta Pandas, que extiende Numpy para manipular y analizar datos en Series y Dataframes.

1. CLASE 05
“Numpy en Python”
PYTHON ENFOCADO AL ANÁLISIS
DE DATOS CON POWER BI

2. ¿Cómo instalamos las librerías?
En la terminal de anaconda Prompt, ejecutamos el comando conda install
<nombre_de_la_librería>. También, se puede hacer directamente desde Jupyter
Notebook, simplemente escribimos !pip install <nombre_de_la_biblioteca> en una
celda de código y ejecutamos para instalar la biblioteca requerida. Seguimos el
mismo el mismo procedimiento en el caso de Google Colab.

3. Numpy
NumPy es una librería de Python especializada en el cálculo numérico y el análisis
de datos, especialmente para un gran volumen de datos.
Incorpora una nueva clase de objetos llamados arrays que permite representar
colecciones de datos de un mismo tipo en varias dimensiones, y funciones muy
eficientes para su manipulación.
La ventaja de Numpy frente a las listas predefinidas en Python es que el
procesamiento de los arrays se realiza mucho más rápido (hasta 50 veces más)
que las listas, lo cual la hace ideal para el procesamiento de vectores y matrices de
grandes dimensiones.

4. Un array es una estructura de datos de un mismo tipo organizada en forma de
tabla o cuadrícula de distintas dimensiones. Las dimensiones de un array también
se conocen como ejes.

5. Introducción a Pandas
Pandas es una biblioteca de software escrita como extensión de NumPy para
manipulación y análisis de datos para Python. El nombre deriva del término "datos
de panel", término de econometría que designa datos que combinan una dimensión
temporal con otra dimensión transversal.
Si bien en Numpy la estructura de datos fundamental es el ndarray, en pandas
existen dos estructuras de datos sobre las que giran todas las operaciones: Series y
Dataframes.

6. MUCHAS
GRACIAS POR
SU ATENCIÓN!!

7. @data_science.analysis
@dsaperu
Data Science Analysis
@datascienceanalysis
926 837 332
Data Science Analysis