Practical Python Data Wrangling and Data Quality: Primeros pasos en la lectura, limpieza y análisis de datos

Opiniones de los lectores

El libro es muy recomendable para quienes se inician en Python, especialmente en el contexto de la ciencia de datos. Abarca temas esenciales para la recopilación, preparación, análisis y presentación de datos, e incluye ejemplos prácticos y actividades. Sin embargo, algunos críticos señalan que el libro es un poco caro y que han tenido problemas con envíos dañados.

⬤ Gran recurso para principiantes en Python
⬤ redacción clara y comprensible
⬤ cubre conceptos esenciales del manejo de datos
⬤ incluye ejemplos prácticos y actividades
⬤ muy recomendable como libro de texto estándar para la ciencia de datos
⬤ se discuten técnicas modernas
⬤ bien estructurado y adecuado para profesionales.

Considerado algo caro por algunos críticos; múltiples problemas de entrega con paquetes dañados.

(basado en 4 opiniones de lectores)

Título original:

Practical Python Data Wrangling and Data Quality: Getting Started with Reading, Cleaning, and Analyzing Data

Contenido del libro:

En los conjuntos de datos se pueden hacer descubrimientos asombrosos y contar historias valiosas, y este libro le ayudará a descubrirlos. Tanto si ya trabaja con datos como si sólo desea comprender sus posibilidades, las técnicas y consejos de este práctico libro le ayudarán a aprender a limpiar, evaluar y analizar mejor los datos para generar perspectivas significativas y visualizaciones convincentes.

A través de conceptos básicos y ejemplos prácticos, la autora Susan McGregor proporciona las herramientas necesarias para evaluar y analizar todo tipo de datos y comunicar los resultados de forma eficaz. Este libro proporciona una forma metódica y sin jerga para que profesionales de todos los niveles aprovechen el poder de los datos.

⬤ Utilice Python 3. 8+ para leer, escribir y transformar datos de diversas fuentes.

⬤ Comprender y utilizar los conceptos básicos de programación en Python para manejar datos a escala.

⬤ Organizar, documentar y estructurar su código utilizando las mejores prácticas.

⬤ Completar ejercicios ya sea en su propia máquina o en la web.

⬤ Recopilar datos de archivos de datos estructurados, páginas web y API.

⬤ Realizar análisis estadísticos básicos para dar sentido a los conjuntos de datos.

⬤ Visualizar y presentar datos de forma clara y convincente.