Python para la ciencia de datos: Una introducción práctica

Opiniones de los lectores

Algunos lectores aprecian la información proporcionada, mientras que otros critican su claridad, la falta de materiales complementarios esenciales y la calidad general de la redacción. Los usuarios experimentaron problemas con el repositorio GitHub vinculado y encontraron algunos conceptos de codificación mal explicados, por lo que es difícil de seguir para los principiantes.

⬤ Contiene buena información
⬤ algunos capítulos mejoran a medida que avanza el libro
⬤ el libro cumple ciertas expectativas para los lectores que están algo familiarizados con el tema.

⬤ Carece de soluciones adecuadas en el repositorio de GitHub
⬤ los primeros capítulos son vagos y confusos para los principiantes
⬤ introducción repentina de conceptos de codificación complejos sin explicación
⬤ mala calidad de la escritura
⬤ faltan archivos de apoyo
⬤ insatisfacción general con el valor del libro.

(basado en 5 opiniones de lectores)

Título original:

Python for Data Science: A Hands-On Introduction

Contenido del libro:

Una introducción práctica y real al análisis de datos con el lenguaje de programación Python, repleta de ejemplos de gran alcance.

Python es una opción ideal para acceder, manipular y obtener información de datos de todo tipo. Python for Data Science le introduce en el mundo pitónico del análisis de datos con un enfoque práctico basado en ejemplos y actividades prácticas. Aprenderá a escribir código Python para obtener, transformar y analizar datos, practicando las técnicas más avanzadas de procesamiento de datos para casos de uso en gestión empresarial, marketing y apoyo a la toma de decisiones.

Descubrirá el rico conjunto de estructuras de datos incorporadas de Python para operaciones básicas, así como su sólido ecosistema de bibliotecas de código abierto para la ciencia de datos, incluyendo NumPy, pandas, scikit-learn, matplotlib y más. Los ejemplos muestran cómo cargar datos en varios formatos, cómo racionalizar, agrupar y agregar conjuntos de datos, y cómo crear gráficos, mapas y otras visualizaciones. En capítulos posteriores se profundiza con demostraciones de aplicaciones de datos del mundo real, como el uso de datos de localización para impulsar un servicio de taxis, el análisis de la cesta de la compra para identificar los artículos que se suelen comprar juntos y el aprendizaje automático para predecir los precios de las acciones.