Plan de Aprendizaje Completo: Python avanzado

Objetivo: Leer el código de FastAPI, Django, Pandas y PySpark y reconocer el mecanismo de Python que está debajo: un decorador, un generador, un tipo o una espera.

Metodología: Intermedio y POO van antes. Cada fase muestra el mismo recurso en Python puro y dice en qué librería lo vas a volver a ver.

Tus apuntes van en Mis notas.

Índice

1. Fase 1: Decoradores
2. Fase 2: Gestores de contexto
3. Fase 3: Tipado que los frameworks exigen
4. Fase 4: Hilos, procesos y asyncio
5. Fase 5: Logging, empaquetado y pruebas
6. Proyectos integradores

Fase 1: Decoradores

Meta: Entender que @algo es una función que envuelve otra.

• Una función puede recibir y devolver otra función
• Escribir un decorador que mide el tiempo y conserva el nombre con functools.wraps
• Decorador con argumentos
• Dónde vuelve a aparecer: @app.get en FastAPI, @login_required en Django, @property en una clase
• 🧪 Práctica: @medir sobre tres funciones y un log con el nombre real, no wrapper.

Fase 2: Gestores de contexto

Meta: Abrir y cerrar un recurso aunque la operación falle.

• with y el protocolo __enter__ / __exit__
• contextlib.contextmanager para no escribir una clase
• Varios recursos en un solo with
• Dónde vuelve a aparecer: sesión de SQLAlchemy, archivo, cliente HTTP, lock
• 🧪 Práctica: Un contexto que abre un archivo de log y lo cierra, y otro que hace rollback si hubo excepción.

Fase 3: Tipado que los frameworks exigen

Meta: Anotar funciones y estructuras como lo hacen FastAPI y las firmas de Pandas.

• list[int], dict[str, float], tuple[int, str], set[str]
• str | None para un campo opcional
• Literal, TypedDict y Callable
• Annotated para colgar metadatos de un tipo, que es la forma moderna de los parámetros de FastAPI
• Pasar el archivo por pyright o mypy y corregir lo que marque
• 🧪 Práctica: Las funciones del proyecto de POO quedan anotadas y el type checker pasa en modo básico.

Fase 4: Hilos, procesos y asyncio

Meta: Elegir la herramienta según si el programa espera o calcula.

• I/O-bound frente a CPU-bound
• threading cuando esperas y la librería no es async
• multiprocessing cuando el CPU está ocupado (un cálculo de Pandas o un UDF pesado no se arregla con async)
• async / await, asyncio.gather y el error de meter time.sleep dentro de async def
• Dónde vuelve a aparecer: endpoints async de FastAPI, el driver de Spark que no debes bloquear, asyncio en un cliente HTTP
• 🧪 Práctica: Diez esperas de un segundo, primero secuenciales y después con gather. Anota los tiempos.

Fase 5: Logging, empaquetado y pruebas

Meta: Un módulo que otra persona instala y prueba, no un notebook de un solo uso.

• logging con niveles, no print para diagnosticar
• Paquete con pyproject.toml o al menos instalable en el venv
• pytest: un test del camino feliz y uno del error
• Dónde vuelve a aparecer: tests de una API, logs de un job de Spark, el paquete que Airflow importa
• 🧪 Práctica: El dominio de tareas tiene dos tests y un log cuando una transición de estado se rechaza.

Proyectos integradores

1. Mini librería tareas — dominio de la guía de POO, decorador de tiempo, contexto de unidad de trabajo y tipos.
2. Cliente concurrente — baja o simula varias respuestas y deja un log por cada fallo, sin tumbar el lote.

Recursos

Recurso	Uso
functools	wraps
contextlib	with propio
typing	Anotaciones
asyncio	Concurrencia de espera
pytest	Pruebas

Criterios de avance

Fase	La dominas cuando...
1	Lees @app.get y sabes que es una función envolviendo a tu función
2	Un recurso se cierra solo si el bloque falla
3	Anotas una función opcional y el editor te avisa si pasas el tipo mal
4	Decides hilo, proceso o asyncio con una frase, según espera o cálculo
5	pytest falla si quitas una regla del dominio