Cómo analizar datos con Python: 6 pasos que funcionan incluso si empiezas de cero

Usa pandas para leer archivos CSV, Excel o JSON. Luego explora el DataFrame con funciones como .head(), .info() y .describe(). Esto te da una vista rápida de la estructura y calidad de los datos.

1. 1
   Carga un archivo CSV — Coloca tu archivo 'ventas.csv' en la misma carpeta que tu script. En Python escribe: import pandas as pd; df = pd.read_csv('ventas.csv'). Si el archivo está en otra ruta, usa la ruta completa. Para archivos Excel, usa pd.read_excel('ventas.xlsx').
2. 2
   Mira las primeras filas — Ejecuta df.head(10) para ver las primeras 10 filas. Esto te muestra los nombres de las columnas y una muestra de los valores. Si ves datos raros como 'NaN' o fechas en formato texto, ya sabes que necesitas limpiar.
3. 3
   Obtén un resumen del DataFrame — Usa df.info() para ver el número de filas, columnas, tipos de datos y valores no nulos. Por ejemplo, si una columna 'edad' tiene tipo 'object' en lugar de 'int64', significa que hay texto mezclado con números.
4. 4
   Calcula estadísticas básicas — Ejecuta df.describe() para obtener media, desviación estándar, mínimo y máximo de las columnas numéricas. Si el mínimo de 'precio' es negativo, tienes un problema de datos. Si el máximo es 999999, seguramente hay outliers.
5. 5
   Identifica valores nulos — Usa df.isnull().sum() para ver cuántos valores nulos hay por columna. Si una columna tiene más del 50% de nulos, considera eliminarla. Si son pocos, puedes rellenarlos con la media o mediana.

Elimina duplicados con .drop_duplicates(), maneja valores nulos con .fillna() o .dropna(), y corrige tipos de datos con .astype(). También puedes renombrar columnas con .rename() para que sean más legibles.

1. 1
   Elimina filas duplicadas — Ejecuta df.drop_duplicates(inplace=True). Esto elimina filas exactamente iguales. Si solo quieres eliminar duplicados basados en una columna (ej. 'email'), usa subset=['email']. Siempre haz una copia de seguridad antes: df_backup = df.copy().
2. 2
   Maneja valores nulos — Si una columna numérica tiene nulos, rellénalos con la media: df['precio'].fillna(df['precio'].mean(), inplace=True). Para columnas categóricas, usa la moda: df['categoria'].fillna(df['categoria'].mode()[0], inplace=True). Si son muchos nulos, mejor elimina la columna: df.drop('columna', axis=1, inplace=True).
3. 3
   Corrige tipos de datos — Convierte columnas al tipo correcto. Por ejemplo, si 'fecha' es string, haz df['fecha'] = pd.to_datetime(df['fecha']). Si 'precio' tiene símbolos de moneda, primero limpia: df['precio'] = df['precio'].str.replace('$', '').astype(float).
4. 4
   Renombra columnas — Usa df.rename(columns={'OldName': 'NewName'}, inplace=True). Esto hace que los nombres sean más descriptivos. Por ejemplo, 'prod_nm' → 'nombre_producto'. Evita espacios en los nombres; usa guiones bajos.
5. 5
   Filtra filas no deseadas — Si tienes filas con valores imposibles (ej. edad > 120), elimínalas: df = df[df['edad'] < 120]. También puedes filtrar por rango de fechas: df = df[(df['fecha'] >= '2024-01-01') & (df['fecha'] <= '2024-12-31')].

Usa .groupby() para agregar datos por categorías, .pivot_table() para tablas dinámicas y .merge() para combinar DataFrames. Estas funciones son el corazón del análisis y te permiten responder preguntas de negocio.

1. 1
   Agrupa por una columna — Para calcular ventas totales por producto: df.groupby('producto')['ventas'].sum(). Esto te da una Serie con los totales. Si quieres múltiples métricas, usa .agg(): df.groupby('producto').agg({'ventas': 'sum', 'precio': 'mean'}).
2. 2
   Crea una tabla dinámica — Usa pd.pivot_table(df, values='ventas', index='producto', columns='region', aggfunc='sum'). Esto te da una matriz de ventas por producto y región. Similar a las tablas dinámicas de Excel, pero más rápido.
3. 3
   Combina dos DataFrames — Si tienes 'clientes' y 'ventas', únelos por ID de cliente: df_combinado = pd.merge(ventas, clientes, on='id_cliente', how='left'). El parámetro how puede ser 'left', 'right', 'inner' o 'outer' según necesites.
4. 4
   Aplica funciones a filas o columnas — Usa .apply() para transformar datos. Por ejemplo, para crear una columna 'descuento' del 10%: df['descuento'] = df['precio'].apply(lambda x: x * 0.10). También puedes usar funciones más complejas definidas con def.
5. 5
   Ordena los resultados — Después de agrupar, ordena con .sort_values(): df_grouped.sort_values('ventas', ascending=False). Esto te muestra los productos más vendidos al principio. Para ordenar por múltiples columnas, pasa una lista: sort_values(['ventas', 'producto'], ascending=[False, True]).

Crea gráficos de líneas, barras y dispersión con matplotlib. Personaliza colores, etiquetas y títulos. Las visualizaciones te ayudan a comunicar hallazgos de forma clara y rápida.

1. 1
   Crea un gráfico de líneas básico — Importa matplotlib: import matplotlib.pyplot as plt. Luego: plt.plot(df['fecha'], df['ventas']); plt.show(). Esto muestra la evolución de ventas en el tiempo. Añade etiquetas con plt.xlabel('Fecha') y plt.ylabel('Ventas').
2. 2
   Haz un gráfico de barras — Para ventas por producto: df.groupby('producto')['ventas'].sum().plot(kind='bar'); plt.show(). Usa kind='barh' para barras horizontales. Cambia colores con color='green' o una lista de colores.
3. 3
   Crea un histograma — Para ver la distribución de precios: df['precio'].plot(kind='hist', bins=20); plt.show(). Ajusta bins para más o menos detalle. Superponer una línea de densidad con df['precio'].plot(kind='kde') ayuda a ver la forma.
4. 4
   Personaliza el gráfico — Añade título con plt.title('Ventas mensuales 2024'). Cambia el tamaño de la figura con plt.figure(figsize=(10,6)). Guarda el gráfico como imagen: plt.savefig('grafico.png', dpi=300). Así lo puedes incluir en informes.
5. 5
   Combina múltiples gráficos — Usa plt.subplot(1,2,1) para crear una cuadrícula de gráficos. Por ejemplo, un histograma a la izquierda y un boxplot a la derecha. Luego plt.tight_layout() evita que se solapen las etiquetas.

No basta con tener gráficos. Debes extraer insights accionables. Compara métricas, identifica tendencias y formula hipótesis. Documenta tus hallazgos en un informe claro, usando tablas y gráficos para respaldar cada punto.

1. 1
   Compara métricas clave — Calcula el promedio de ventas por mes: df.groupby(df['fecha'].dt.month)['ventas'].mean(). Si octubre tiene ventas muy por encima del promedio, investiga si hubo una campaña. Usa .idxmax() para encontrar el mes con mayor venta.
2. 2
   Identifica tendencias y patrones — Calcula la diferencia porcentual mes a mes: df['ventas'].pct_change() * 100. Si ves un descenso consistente los últimos 3 meses, algo está pasando. También puedes usar ventanas móviles: df['ventas'].rolling(window=3).mean() para suavizar la serie.
3. 3
   Segmenta y compara grupos — Compara el comportamiento de clientes nuevos vs. recurrentes. Si los recurrentes gastan el doble, enfoca tus esfuerzos en retención. Usa groupby y luego .plot(kind='bar') para visualizar las diferencias.
4. 4
   Documenta tus hallazgos — Crea un resumen ejecutivo con los 3-5 hallazgos principales. Por ejemplo: 'El producto A genera el 40% de los ingresos, pero su margen es bajo'. Incluye tablas con df.to_excel('resumen.xlsx') para compartir con el equipo.
5. 5
   Valida tus conclusiones — Antes de presentar, verifica que los datos no tengan errores. Vuelve a ejecutar los pasos de limpieza. Pregúntate: ¿tiene sentido este resultado? Si algo parece extraño, probablemente hay un error en los datos o en el código.