Python Data Science Cheat Sheet

¡Bienvenido/a a Python Data Science Cheat Sheet! Este repositorio es tu guía rápida y práctica para las herramientas y conceptos esenciales de Python para la ciencia de datos. Tanto si te estás iniciando en la ciencia de datos como si necesitas un repaso rápido, aquí encontrarás información concisa y útil.

Aquí encontrarás una colección organizada de bibliotecas, funciones y flujos de trabajo clave de Python, comúnmente utilizados en la manipulación, el análisis, la visualización y el aprendizaje automático de datos, cada uno con explicaciones claras y ejemplos prácticos de código.

Tabla de Contenidos

• Python Data Science Cheat Sheet
  • Tabla de Contenidos
  • 🌎 Acerca de
  • 🚀 ¿Qué encontrarás aquí?
    • Librerías que abarcará este Repositorio
  • 📂 Estructura del Repositorio
  • 📝 ¿Cómo Usarlo?
  • 🤝 Contribuciones
  • 🫂 Referencias y Agradecimientos
  • 📃 Licencia
  • ✉️ Contáctame

🌎 Acerca de

Python se ha convertido en el lenguaje predilecto para la ciencia de datos gracias a su simplicidad, su amplio ecosistema de bibliotecas y el sólido apoyo de la comunidad. Permite a los profesionales de datos realizar análisis complejos, construir modelos predictivos y crear visualizaciones reveladoras.

Este Python Data Science Cheat Sheet! tiene como objetivo simplificar el aprendizaje y ofrecer una referencia rápida de las bibliotecas y técnicas de Python más importantes y utilizadas en el análisis y la ciencia de datos. Está diseñada para ser un recurso accesible que te ayudará a afrontar los retos de tus datos de forma más eficiente y con mayor confianza.

🚀 ¿Qué encontrarás aquí?

Librerías que abarcará este Repositorio

• NumPy
• Pandas
• Matplotlib
• Seaborn
• SciPy
• SymPy
• statsmodels
• Scikit-Learn
• Keras
• Tensorflow
• Pytorch

📂 Estructura del Repositorio

El repositorio está organizado por bibliotecas y temas centrales de ciencia de datos para facilitar la navegación y el aprendizaje de forma intuitiva:

python-data-science-cheat-sheet/
├── README.md
├── 01_numpy/
│   ├── 01_array_creation.ipynb
│   ├── 02_input_and_output.ipynb
│   ├── 03_inspecting_arrays.ipynb
│   └── ...
│
├── 02_pandas/
│   ├── 01_series_and_dataframes.ipynb
│   ├── 02_data_upload.ipynb
│   ├── 03_data_exploration.ipynb
│   └── ...
│
├── 03_matplotlib/
│   ├── 01_introduction.ipynb
│   ├── 02_basic_plots.ipynb
│   ├── 03_customization_and_styles.ipynb
│   └── ...
│
├── 04_seaborn/
│   ├──
│   ├──
│   ├──
│   └── ...
│
├── 05_scipy/
│   ├──
│   ├──
│   ├──
│   └── ...
└── ...

📝 ¿Cómo Usarlo?

Para sacarle el máximo provecho a este Python Data Science Cheat Sheet, sigue estos pasos:

1. Clona el repositorio: Abre tu terminal o Git Bash y clona este repositorio en tu máquina local:

   git clone https://github.com/ayorick23/python-data-science-cheat-sheet.git

2. Navega al directorio:

   cd python-data-science-cheat-sheet

3. Explora los temas: Accede al directorio de la biblioteca de tu preferencia y explora las diferentes categorías. Por ejemplo, para aprender los conceptos básicos de NumPy:

   cd 01_numpy/

4. Revisa y ejecuta los ejemplos de Jupiter Notebooks: Cada archivo .ipynb contiene un ejemplo práctico del concepto. Puedes abrirlo para ver el código o ejecutarlo directamente desde tu terminal (asegúrate de tener Python y las bibliotecas necesarias instaladas).

   cat 01_array_creation.ipynb
   # To run the example:
   python 01_array_creation.ipynb

   Consejo: Recomiendo encarecidamente ejecutar los ejemplos y modificar el código para experimentar y consolidar su comprensión.

🤝 Contribuciones

¡Las contribuciones son increíblemente valiosas! Si deseas mejorar este Python Data Science Cheat Sheet, añadir nuevos temas, mejorar explicaciones o proporcionar más ejemplos, por favor:

1. Haz un fork de este repositorio.
2. Crea una nueva rama (git checkout -b feature/nuevas-funciones-pandas).
3. Realiza tus cambios y haz commit (git commit -m 'Añadir sección sobre filtrado de datos con loc').
4. Haz un push de tus cambios a tu fork (git push origin feature/nuevas-funciones-pandas).
5. Abre un Pull Request en este repositorio.

🫂 Referencias y Agradecimientos

Este repositorio se ha creado recopilando y sintetizando información de diversas fuentes confiables sobre Python para la ciencia de datos. Agradezco sinceramente a los siguientes recursos, que han sido fundamentales para la creación de este contenido:

• Documentación de NumPy: La fuente oficial de documentación de la librería NumPy.
  • NumPy Documentation
• Documentación de Pandas: La fuente oficial de documentación de la librería Pandas.
  • Pandas Documentation
• Documentación de Matplotlib: La fuente oficial de documentación de la librería Matplotlib.
  • Matplotlib Documentation
• Documentación de Seaborn: La fuente ofical de documentación de la librería Seaborn.
  • Seaborn Documentation
• Documentación de SciPy: La fuente oficial de documentación de la librería SciPy.
  • SciPy Documentation
• Documentación de SymPy: La fuente oficial de documentación de la librería SymPy.
  • SymPy Documentation
• Documentación de Statsmodels: La fuente oficial de documentación de la librería Statsmodels.
  • Statsmodels Documentation
• Documentación de Scikit-Learn: La fuente oficial de documentación de la librería Scikit-Learn.
  • Scikit-Learn
• Documentación de Tensorflow: La fuente oficial de documentación de la librería Tensorflow.
  • Tensorflow Documentation

¡Agradezco a todos estos recursos por su invaluable contribución al conocimiento de cada una de estas librerías!

📃 Licencia

Este proyecto está bajo la Licencia MIT. Consulta el archivo LICENSE para más detalles.

✉️ Contáctame

Si tienes alguna pregunta o sugerencia, no dudes en contactarme: