Plan de Aprendizaje Completo: Pandas

Objetivo: Limpiar, unir y resumir tablas hasta dejar un dataset confiable para un pipeline o un modelo.

Metodología: Trabaja sobre un archivo real (ventas, logs o un export de Power BI). Cada fase deja ese archivo más usable que al empezar.

Tus apuntes van en Mis notas.

Índice

1. Fase 1: Series, DataFrame y lectura
2. Fase 2: Selección y limpieza
3. Fase 3: Joins, grupos y reshape
4. Fase 4: Fechas, texto y calidad
5. Fase 5: Rendimiento y handoff al pipeline
6. Proyectos integradores

Fase 1: Series, DataFrame y lectura

Meta: Cargar datos sin adivinar tipos.

• Series vs DataFrame; índice y columnas
• read_csv, read_excel, read_parquet: separador, encoding, dtype, parse_dates
• head, info, describe, shape, columns
• loc vs iloc
• 🧪 Práctica: Carga un CSV problemático (comas en texto, fechas, nulos) y deja un info() limpio.

Fase 2: Selección y limpieza

Meta: Que cada columna tenga un tipo y un significado.

• Filtros booleanos y query
• Nulos: isna, dropna, fillna; cuándo borrar y cuándo imputar
• Duplicados: duplicated, drop_duplicates, claves de negocio
• Tipos: astype, categorías, errores con to_numeric(..., errors="coerce")
• Renombres y un diccionario de columnas estable
• 🧪 Práctica: Documento de calidad: % nulos, duplicados y tipos antes/después.

Fase 3: Joins, grupos y reshape

Meta: Combinar tablas como en un modelo estrella chico.

• merge: inner, left, claves compuestas, sufijos, validar cardinalidad con validate
• concat y cuándo no usarlo en lugar de un join
• groupby: agg, transform, filter
• pivot, pivot_table, melt (el UNPIVOT de un reporte ancho)
• 🧪 Práctica: Hecho de ventas + dimensión de producto, con totales por categoría y mes.

Fase 4: Fechas, texto y calidad

Meta: Dejar llaves de tiempo y texto comparables.

• to_datetime, zonas, periodos dt.to_period("M")
• Resample básico sobre una serie
• Strings: str.strip, str.lower, str.extract
• Outliers con percentiles o reglas de negocio, no solo con un z-score ciego
• 🧪 Práctica: Calendario de meses continuos aunque falten días en la fuente.

Fase 5: Rendimiento y handoff al pipeline

Meta: Saber el límite de Pandas en una laptop y cómo entregar el resultado.

• Evitar apply fila a fila; preferir operaciones vectorizadas
• category y lectura por columnas (usecols)
• Exportar Parquet con tipos estables
• Qué de esta lógica debe vivir después en SQL o Spark
• 🧪 Práctica: Script reproducible (argparse o función main) que lee crudo y escribe curado.

Proyectos integradores

1. Dataset de ventas listo para BI — limpieza, dimensión de producto y agregado mensual.
2. Bitácora de calidad — mismo pipeline sobre dos meses y un diff de esquemas.

Recursos

Recurso	Uso
10 minutes to pandas	Mapa rápido
User guide	Joins, groupby, tiempo
Pandas comparada con SQL	Si ya piensas en SQL

Criterios de avance

Fase	La dominas cuando...
1	Lees un archivo y justificas cada dtype
2	Entregas un conteo de nulos y duplicados, no solo un dropna
3	Un join no duplica filas y puedes probarlo
4	El mes de una fecha no depende del formato del Excel
5	El script corre de nuevo sobre un archivo nuevo sin editar celdas a mano