Data

Tools

Indexes

Applications

Experiments

Awesome

An open API service indexing awesome lists of open source software.

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

Guía rápida y práctica de sintaxis, comandos y funciones esenciales de Python para Ciencia de Datos. Perfecta para recordar cómo usar las librerías más comunes como NumPy, Pandas, Matplotlib y Scikit-learn en tus análisis diarios.
https://github.com/ayorick23/python-data-science-cheat-sheet

cheat-sheet data-analysis data-science data-visualization deep-learning jupyter-notebook machine-learning matplotlib ml numpy pandas python scikit-learn scipy seaborn statistics sympy tensorflow

Last synced: 3 months ago
JSON representation

Guía rápida y práctica de sintaxis, comandos y funciones esenciales de Python para Ciencia de Datos. Perfecta para recordar cómo usar las librerías más comunes como NumPy, Pandas, Matplotlib y Scikit-learn en tus análisis diarios.

Awesome Lists containing this project

README 

          
# data-science **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**](#-python-data-science-cheat-sheet)

  - [Tabla de Contenidos](#tabla-de-contenidos)

  - [🌎 Acerca de](#-acerca-de)

  - [🚀 ¿Qué encontrarás aquí?](#-qué-encontrarás-aquí)

    - [Librerías que abarcará este Repositorio](#librerías-que-abarcará-este-repositorio)

  - [📂 Estructura del Repositorio](#-estructura-del-repositorio)

  - [📝 ¿Cómo Usarlo?](#-cómo-usarlo)

  - [🤝 Contribuciones](#-contribuciones)

  - [🫂 Referencias y Agradecimientos](#-referencias-y-agradecimientos)

  - [📃 Licencia](#-licencia)

  - [✉️ Contáctame](#️-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



- [x] NumPy

- [x] Pandas

- [x] 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:



```bash

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:



   ```bash

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

   ```



2. **Navega al directorio:**



   ```bash

   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:



   ```bash

   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).



   ```bash

   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](https://numpy.org/doc/)

- **Documentación de Pandas:** La fuente oficial de documentación de la librería Pandas.

  - [Pandas Documentation](https://pandas.pydata.org/docs/)

- **Documentación de Matplotlib:** La fuente oficial de documentación de la librería Matplotlib.

  - [Matplotlib Documentation](https://matplotlib.org/stable/index.html)

- **Documentación de Seaborn:** La fuente ofical de documentación de la librería Seaborn.

  - [Seaborn Documentation](https://seaborn.pydata.org/)

- **Documentación de SciPy:** La fuente oficial de documentación de la librería SciPy.

  - [SciPy Documentation](https://docs.scipy.org/doc/scipy/)

- **Documentación de SymPy:** La fuente oficial de documentación de la librería SymPy.

  - [SymPy Documentation](https://simpy.readthedocs.io/en/latest/)

- **Documentación de Statsmodels:** La fuente oficial de documentación de la librería Statsmodels.

  - [Statsmodels Documentation](https://www.statsmodels.org/stable/index.html)

- **Documentación de Scikit-Learn:** La fuente oficial de documentación de la librería Scikit-Learn.

  - [Scikit-Learn](https://scikit-learn.org/stable/)

- **Documentación de Tensorflow:** La fuente oficial de documentación de la librería Tensorflow.

  - [Tensorflow Documentation](https://www.tensorflow.org/api_docs)



¡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:



[![GitHub](https://img.shields.io/badge/-GitHub-181717?style=flat&logo=github&logoColor=white)](https://github.com/ayorick23)

[![Gmail](https://img.shields.io/badge/-Email-D14836?style=flat&logo=gmail&logoColor=white)](mailto:mayorickhenry@gmail.com)

[![LinkedIn](https://img.shields.io/badge/-LinkedIn-blue?style=flat&logo=linkedin&logoColor=white)](https://linkedin.com/in/dereckmendez/)

[![Kaggle](https://img.shields.io/badge/-Kaggle-181717?style=flat&logo=kaggle&logoColor=white)](https://www.kaggle.com/dereckmendez)