Próxima Edición: 23 de Febrero | Lunes a Jueves | 12 Sesiones Online

Este repositorio contiene el material oficial del curso Py311, primer curso de la ruta de Ingeniería de Datos con Python. Cubre los fundamentos de computación numérica, manipulación y visualización de datos, y presenta las herramientas modernas de análisis y escalado que se usarán a lo largo de toda la ruta.

Este curso asume conocimiento previo de Python. Si necesitas construir esa base primero:

Py311 es el punto de entrada de una ruta progresiva de ingeniería de datos moderna:

Un programa intensivo orientado a construir la base técnica necesaria para trabajar como ingeniero o analista de datos en entornos modernos. Al completarlo serás capaz de:

• Dominar el ecosistema numérico: NumPy, SciPy y álgebra lineal aplicada a datos.
• Manipular datos con Pandas moderno: Tipos eficientes, limpieza, agregaciones y ventanas.
• Visualizar con precisión estadística: Matplotlib, Seaborn y Plotnine (gramática de gráficos).
• Optimizar memoria y rendimiento: PyArrow como backend y Polars para análisis de alto rendimiento.
• Construir productos de datos: Dashboards interactivos con Streamlit sin necesidad de desarrollo web.
• Escalar más allá de la memoria local: Procesamiento paralelo y distribuido con Dask.

Todo el entorno se ejecuta en la nube mediante GitHub Codespaces, sin necesidad de instalación local.

El curso consta de 12 sesiones de 2 horas (24 horas totales), divididas en 6 bloques estratégicos:

• 01_el_proyecto_scipy.ipynb
• 02_conceptos_basicos_de_numpy.ipynb
• 03_gestion_de_arreglos_de_numpy.ipynb
• 04_arreglos_con_contenido_aleatorio.ipynb
• 05_operaciones_basicas_con_arreglos.ipynb
• 06_manipulacion_de_arreglos_de_numpy.ipynb
• 07_gestion_y_analisis_de_datos_de_numpy.ipynb
• 08_algebra_lineal_con_numpy.ipynb
• 09_introduccion_a_pandas.ipynb
• 10_tipos_de_datos_de_pandas.ipynb
• 11_operaciones_basicas_con_dataframes.ipynb
• 12_indices_y_multiindices.ipynb
• 13_datos_categoricos.ipynb
• 14_uniones_y_mezclas_de_dataframes.ipynb
• 15_metodo_merge.ipynb
• 16_metodo_filter.ipynb
• 17_metodos_apply_y_transform.ipynb
• 18_metodos_de_enmascaramiento.ipynb
• 19_herramientas_de_analisis_de_datos.ipynb
• 20_limpieza_y_datos_faltantes.ipynb
• 21_transformacion_de_objetos.ipynb
• 22_metodos_groupby.ipynb
• 23_gestion_de_fechas.ipynb
• 24_funciones de ventana.ipynb
• 25_extraccion_y_almacenamiento.ipynb
• 26_visualizacion_de_datos_con_pandas.ipynb
• 27_introduccion_a_matplotlib.ipynb
• 28_elementos_de_un_grafico.ipynb
• 29_tipos_basicos_de_graficos.ipynb
• 30_introduccion_a_plotnine.ipynb
• 31_introduccion_a_seaborn.ipynb
• 32_objetos_de_seaborn.ipynb
• 33_introduccion_a_pyarrow.ipynb
• 34_introduccion_a_polars.ipynb
• 35_polars_avanzado.ipynb
• 36_introduccion_a_dask.ipynb
• 37_introduccion_a_streamlit.ipynb

• 01 - El proyecto SciPy y el ecosistema de datos.
• 02 - Conceptos básicos de NumPy (arreglos y vectores).
• 03 - Creación de arreglos con funciones especializadas y lectura/escritura de archivos.
• 04 - Generación de datos sintéticos y aleatorios.
• 05 - Indexado, rebanado, modificación de arreglos y broadcasting.
• 06 - Manipulación y transformación de arreglos.
• 07 - Análisis numérico y estadístico básico.
• 08 - Álgebra lineal aplicada a datos.

• 09 - Introducción a Pandas.
• 10 - Tipos de datos de Pandas y funciones de conversión de tipos.
• 11 - Operaciones estructurales en DataFrames.
• 12 - Índices simples (pd.Index) y multiíndices (pd.MultiIndex).
• 13 - Datos categóricos y relaciones.
• 14 - Uniones y mezclas de DataFrames.
• 15 - El método merge(): uniones inner, outer, left y right.
• 16 - El método filter(): filtrado de columnas e índices por etiqueta.
• 17 - Transformaciones personalizadas (apply, transform).
• 18 - Técnicas de enmascaramiento avanzado.
• 19 - Herramientas de análisis de datos.
• 20 - Estrategias de imputación y manejo de nulos.
• 21 - Transformación y limpieza de objetos.
• 22 - Agregaciones avanzadas: groupby, crosstab y pivot_table.
• 23 - Gestión de fechas: pd.date_range(), .dt, indexación temporal y resample().
• 24 - Window functions (funciones de ventana): shift, rolling y expanding.
• 25 - Extracción y almacenamiento de datos.
• 26 - Visualización de datos con Pandas.

• 27 - Introducción a Matplotlib (fundamentos).
• 28 - Elementos de un gráfico (títulos, ejes, leyendas, estilos).
• 29 - Tipos básicos de gráficos (scatter, line, bar, histogramas).
• 30 - Plotnine (gramática de gráficos para reportes reproducibles).
• 31 - Introducción a Seaborn (visualización estadística rápida).
• 32 - Objetos especializados en Seaborn (regresión, correlación, distribuciones).

📊 Nota: Plotnine (basado en ggplot2) es ideal para reportes reproducibles y migración desde R. Seaborn para exploración iterativa. Matplotlib para control fino de bajo nivel.

• 33 - Introducción a PyArrow: arrays, tablas y backend para Pandas.
• 34 - Introducción a Polars: API expresiva y evaluación lazy.
• 35 - Polars Avanzado: window functions, optimización y decisiones arquitectónicas.

• 36 - Introducción a Dask: procesamiento paralelo y escalabilidad out-of-core.

• 37 - Introducción a Streamlit: dashboards web sin HTML/CSS/JavaScript.

¡Olvídate de configurar entornos locales! Este repositorio está configurado para GitHub Codespaces.

1. Haz clic en el botón "Code" (verde) arriba a la derecha.
2. Ve a la pestaña "Codespaces".
3. Haz clic en "Create codespace on main".

El entorno se iniciará automáticamente con:

• Python 3.11
• JupyterLab
• Todas las librerías instaladas (Polars, Dask, Streamlit, etc.)
• Puertos configurados para visualizar tus apps.

Si prefieres trabajar en tu máquina:

# Clonar el repositorio
git clone https://github.com/PythonistaMX/py311.git
cd py311

# Crear entorno virtual
python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# Instalar dependencias
pip install -r requirements.txt

# Iniciar Jupyter
jupyter lab

• Documentación oficial de Pandas
• Documentación oficial de Polars
• Documentación oficial de Dask
• Documentación oficial de Streamlit

Este proyecto está bajo la licencia Creative Commons Atribución 4.0 Internacional (CC-BY 4.0).

Eres libre de:

• ✅ Compartir el material en cualquier medio o formato
• ✅ Adaptar, remezclar y crear contenido derivado
• ✅ Usar con fines comerciales

Con la condición de:

• 📌 Atribución: Debes dar crédito apropiado, proporcionar un enlace a la licencia e indicar si se han realizado cambios.

Para más información, visita: https://creativecommons.org/licenses/by/4.0/

Véase el archivo LICENSE para los términos completos.