Python para Análisis de Datos

Este es el primer post en una serie en la que aprenderemos a utilizar Python para el análisis de datos. O lo que es lo mismo, herramientas para manipular, procesar, limpiar y extraer información a partir de imágenes, texto, series temporales o tablas. En esta serie aprenderemos a manejarnos con la sintaxis básica de Python que luego combinaremos con algunas librerías orientadas al análisis de datos dentro del gran ecosistema existente. Los motivos que convierten a Python en el lenguaje ideal para el análisis de datos son básicamente su facilidad de uso y el gran ecosistema de librerías que existe enfocado a este tarea en concreto y que podemos utilizar de forma sencilla. Además, Python no solo sirve para el análisis de datos sino que también se puede utilizar para implementar servidores web e incluso hacer juegos. Otra de las grandes ventajas que Python ofrece es que puede utilizarse como capa de integración para código optimizado escrito en otros lenguajes como C o C++. Esto hace que Python sea un lenguaje muy versátil, ya que podemos utilizar su sintaxis sencilla para definir la estructura de nuestros programas y, de ser necesario, optimizar algunas partes implementándolas en lenguajes de bajo nivel como C, C++ o CUDA (así es como están implementadas librerías de Deep Learning como Tensorflow o Pytorch). Existen varios lenguajes alternativos a Python para el análisis de datos, algunos ejemplos son R o MATLAB, muy utilizados en la industria.

Las principales librerías de análisis de datos en Python que vamos a ver son las siguientes:

• Numpy es la librería que utilizamos para cálculo numérico, ya que nos provee de estructuras de datos y algoritmos con implementaciones optimizadas y eficientes.
• Pandas provee de estructuras de datos de alto nivel para trabajar con datos tabulares de forma rápida y sencilla.
• Utilizaremos Matplotlib para generar gráficas y visualizaciones de nuestros datos.

Entrando en el mundo del Machine Learning:

• Utilizaremos Scikit-Learn para entrenar modelos de clasificación, regresión o clustering.
• Por último, librerías como Tensorflow o Pytorch nos proveerán de todo lo necesario para definir y entrenar redes neuronales para Deep learning.

En este post te enseñaré cómo instalar Python y algunas de las diferentes herramientas que podemos utilizar a la hora de hacer nuestros programas. En los próximos posts nos adentraremos en la sintaxis del lenguaje y cómo trabajar con las diferentes librerías mencionadas.

Instalando Python 🐍

Vamos a empezar instalando Python. Es muy probable que ya lo tengas instalado en tu ordenador, para comprobarlo simplemente abre un terminal y escribe python. Si recibes un mensaje de error significará que Python no está instalado, mientras que si se abre el interpretador de Python significa que está instalado y puedes empezar a utilizarlo. Si no estás familiarizado con el terminal, puedes abrirlo buscando command prompt en Windows o terminal en MacOS (si usas Linux asumo que ya conoces de lo que hablo 😛).

Podemos instalar Python de varias maneras. Una de ellas es directamente desde su página web sin embargo existe una mejor opción para el análisis de datos: Anaconda. Al instalar anaconda instalaremos no solo Python sino también el gestor de paquetes conda, que nos permitirá instalar todas las librerías necesarias de manera fácil y optimizado para nuestro sistema. Aún así, la opción que personalmente recomiendo es instalar Miniconda que solo nos instalará Python y el gestor de paquetes conda sin ninguna librería siendo así una instalación más ligera.

Windows

Para instalar miniconda en Windows, elige la opción de instalación que se ajuste a tu sistema y luego sigue las instrucciones del instalador.

⚠️ Durante la instalación, asegúrate de marcar la opción de añadir conda al PATH, ya que de lo contrario es posible que tengas problemas más adelante.

En lo que se refiere a las versiones de Python, la opción recomendad es instalar la versión 3 (miniconda3) ya que la versión 2 de Python ha dejado de ser mantenida. Todas las librerías que usaremos son compatibles con la versión 3.

MacOS

Los pasos para instalar miniconda en MacOS son muy similares a los de Windows. Selecciona el instalador adecuado para tu sistema (de nuevo, escogeremos la versión 3) y sigue los pasos del instalador. Puedes verificar que minicondase añadido correctamente en tu archivo .bash_profile (de no ser así, puedes añadirlo manualmente).

Linux

Los detalles de la instalación de minicondaen Linux pueden variar en función de la versión de Linux que utilices. Para una instalación típica en Ubuntu puedes descargarte el instalador adecuado para tu sistema desde la página de miniconda. Ésto descargará un script que puedes ejecutar con el comando bash, lo cual instalará Python y conda. Puedes verificar que el instalador ha añadido la variable de entorno PATH en tu archivo .bashrc (o .zshrcsi usas el terminal zsh). De no ser así puedes añadirlo manualmente.

Hola Mundo

Una vez hemos instalado Python podemos ejecutar el iterpretador desde el terminal simplemente escribiendo python. Si ésto no funciona es probable que haya algún problema con la variable de entorno PATH(o quizás tengas que reiniciar el ordenador). Si has podido abrir el interpretador, es el momento de escribir tu primer programa en Python. Para ello escribe print("Hola Mundo") y luego aprieta enter. Deberías ver como el mensaje Hola Mundo aparece en el terminal. ¡Felicidades, has escrito tu primer programa en Python! 🎉

Puedes cerrar el interpretador con la función exit().

Instalando librerías

Podemos instalar librerías con el comando conda install. Es posible que algunas librerías no esten disponibles en conda, en ese caso las podemos instalar con el gestor de paquetes por defecto de Python, pip.

Scripting con un editor de texto

Normalmente no trabajamos desde el terminal, sino que escribimos nuestros programas (también llamados scripts) en un editor de texto. Existen varias opciones especialmente diseñadas para trabajar con Python como Pycharm. Sin embargo, aquí usaremos VSCode. Ambos son IDEs (integrated development environment) por lo que además de poder editar nuestros scripts nos darán muchas funcionalidades que nos harán la vida más sencilla. Instala VSCode desde su página web y, una vez instalado, navega a la pestaña de extensiones e instala la extensión de Python. Esto nos activará funcionalidades tales como navegación, formateo de código, linting, etc.

Una vez instalado, abre VSCode y crea un nuevo archivo llamado main.py. Añade la línea print("Hola Mundo") al archivo y ejecútalo para ver el resultado. Para ello, abre el terminal integrado en VSCode y escribe python main.py para ejecutar el script. El resultado debería ser el mismo que hemos obtenido anteriormente.

Jupyter Notebooks

Si bien podemos utilizar VSCode para implementar y ejectura nuestros programas de Python, existe una herramienta muy utilizada en el mundo del análisis de datos que facilita mucho el trabajo sobre todo durante la fase de exploración. Esta herramienta se llama Jupyter y nos ofrece la posibilidad de crear, editar y compartir documentos formados por celdas en las que podemos ejecutar de manera interactiva código, texto y visualizaciones (entre otras cosas). ¡El post que estás leyendo ahora mismo ha sido creado en un notebook de Jupyter (exportado al formato adecuado para ser mostrado como una página web)!

En primer lugar, necesitaremos instalar la librería. Para ello, abre un terminal y ejecuta el comando conda install jupyter. Una vez instalada la librería podemos ejecutar jupyter con el comando jupiter notebook. Esto abrirá una nueva pestaña en el navegador desde donde podremos manejar nuestros notebooks. Para crear un nuevo notebook, haz click en el botón New y selecciona la opción Notebook de Python 3. En el nuevo notebook, introduce en una casilla tu programa Hola Mundo. Al ejecutar la casilla debería obtener el mismo resultado que en las ocasiones anteriores.

Puedes aprender más acerca del funcionamiento de los notebooks de jupyter aquí, aun así iremos aprendiendo a manejarnos a medida que vayamos aprendiendo las diferentes herramientas de análisis de datos y haciendo ejemplos.

Google Colab

La última pieza que introduciré en este post es Google Colab. Éste es un servicio que nos ofrece Google (gratuito) para editar y ejecutar nuestros notebooks en la nube, en sus propios servidores, y almacenarlos en nuestro Google Drive. Además, en Google Colab podremos utilizar una GPU o TPU durante un tiempo limitado. Esto es una gran ventaja a la hora de entrenar grandes redes neuronales ya que, como hablaremos en otros posts, para entrenar grandes redes se necesita mucha potencia de cálculo, y poder entrenar nuestras redes en una GPU o TPU acelerará el proceso. Otra gran ventaja de Colab es que permite compartir notebooks muy fácilmente, de manera que cualquier persona pueda acceder al contenido y ejecutar el notebook de manera interactiva. Por ejemplo, para abrir este post en Colab directamente, puedes hacer click en el botón que tienes arriba.

Resumen

En este post hemos introducido Python para el análisis de datos, una de las herramientas más utilizada hoy en día gracias a su facilidad de uso y gran ecosistema de librerías que nos permiten llevar a cabo multitud de tareas, desde el procesado de datos hasta el entrenamiento de grandes redes neuronales. Hemos visto cómo instalar Python a través de miniconda y ejecutado un ejemplo sencillo de programa en el interpretador de Python del terminal. También hemos introducido el desarrollo de programas de Python con el IDE VSCode y la herramienta Jupyter que nos permite el desarrollo de documentos interactivos en los que podemos ejecutar código, añadir texto, visualizaciones, etc. Por último, hemos hablado de Google Colab, un servicio en la nube para almacenar, editar, ejecutar y compartir nuestros notebooks con acceso a hardware especializado para entrenar grandes modelos.

Ahora que ya conoces lo que es Python y las diferentes formas de trabajar con él para el análisis de datos y machine learning podemos empezar a aprender los elementos básicos del lenguaje. Nos vemos en el siguiente post.