Integración de Modelos Analíticos con pandas y Jupyter

Contenido del curso

Módulo 1: ¿Qué es una base de datos y para qué sirve?

0/8

¿Dónde vemos bases de datos todos los días?

✅ Revisión rápida:1

Tipos de datos: estructurados y no estructurados

✅ Revisión rápida

¿Qué es un sistema gestor de bases de datos (SGBD)?

✅ Revisión rápida

Bases de datos vs. Excel

✅ Revisión rápida:

Módulo 2: Modelos de bases de datos

0/4

Bases de datos relacionales (RDB)

Bases de datos No Relacionales (NoSQL)

Modelos jerárquico, en red y orientado a objetos (explicación simple)

Comparativa práctica de modelos de bases de datos

Módulo 3: Componentes de una base de datos

0/3

Tablas, filas, columnas, claves primarias y foráneas

Relaciones entre tablas (uno a uno, uno a muchos, muchos a muchos)

Normalización (nivel básico)

Módulo 4: Primeros pasos con SQL

0/4

¿Qué es SQL y para qué sirve?

SELECT, FROM, WHERE — La base de todo

INSERT, UPDATE, DELETE — Modificando datos con SQL

Consultas simples combinadas — Ordenar, filtrar y buscar

Módulo 5: Diseño de bases de datos relacionales

0/3

Modelo entidad-relación (ER)

Diagramas Entidad-Relación (ER) paso a paso

Casos reales — Agenda de contactos, Inventario, Ventas

Módulo 6: SQL en acción

0/4

JOINS — Cómo combinar tablas (INNER, LEFT, RIGHT, FULL)

Agrupaciones y funciones (COUNT, SUM, AVG)

Subconsultas — Consultas dentro de consultas

Vistas (Views) — Consultas reutilizables y seguras

Módulo 7: Seguridad y gestión

0/4

Usuarios y roles

Backups y Restauración de Bases de Datos

Integridad Referencial y Claves Foráneas

Gestión de Usuarios y Permisos Avanzados

Módulo 8: Bases de datos en la nube (introducción)

0/4

¿Qué es una base de datos en la nube?

Amazon RDS, Azure SQL, Google Cloud SQL

Demo práctica con base gratuita

Práctica con Amazon DynamoDB (Base de datos NoSQL en AWS)

Módulo 9: Introducción a NoSQL

0/3

¿Por qué nació NoSQL?

Tipos de NoSQL: Documental, clave-valor, columnares, grafos

¿Cuándo usar NoSQL y cuándo no?

Módulo 10: MongoDB desde cero

0/4

Instalación y primeros comandos

CRUD en MongoDB – Crear, Leer, Actualizar y Eliminar documentos

Comparación MongoDB vs SQL

Guía práctica: Instalación de MongoDB localmente y con Docker

Módulo 11: Cassandra y bases columnares

0/5

Qué es Cassandra y para qué sirve

Claves primarias y particionamiento en Cassandra

Lectura distribuida en Cassandra

Comparación entre Cassandra y MongoDB

Guía práctica: Instalación de Apache Cassandra localmente y con Docker

Módulo 12: Otros tipos

0/3

Redis – Base de datos clave-valor en memoria

Neo4j: bases de datos de grafos

Ejemplos prácticos por cada tipo

Módulo 13: Arquitecturas modernas

0/3

Bases de datos distribuidas

Replicación y Particionamiento en Bases de Datos Distribuidas

Consistencia Eventual vs. Consistencia Fuerte

Módulo 14: Rendimiento y tuning

0/3

Índices en Bases de Datos

Planes de ejecución y optimización de consultas

Optimización de consultas

Módulo 15: Integración con aplicaciones

0/3

Conexión a bases de datos con Python

ORM (SQLAlchemy, Django ORM)

ETL: Extracción, Transformación y Carga

Módulo 16: Bases de datos para Ciencia de Datos

0/4

Limpieza y transformación de datos

Modelos de datos analíticos

Integración de Modelos Analíticos con pandas y Jupyter

Ejemplo práctico: Construcción de un Modelo Estrella en SQL

Bases de Datos: De Cero a Experto

🎯 Objetivo:

Aprender a trabajar con modelos de datos analíticos usando pandas en Jupyter Notebook para facilitar el análisis y visualización de datos.

🧩 ¿Por qué usar pandas y Jupyter?

pandas: biblioteca Python especializada en manipulación y análisis de datos con estructuras tipo DataFrame, muy parecidas a tablas.
Jupyter Notebook: entorno interactivo para escribir y ejecutar código Python, documentar análisis y visualizar resultados en un solo lugar.

⚙️ Paso 1: Cargar datos en pandas

Supongamos que tienes archivos CSV exportados desde tu modelo estrella o base de datos.

python

import pandas as pd

# Cargar dimensiones y hechos df_producto = pd.read_csv('dim_producto.csv') df_cliente = pd.read_csv('dim_cliente.csv') df_fecha = pd.read_csv('dim_fecha.csv') df_ventas = pd.read_csv('fact_ventas.csv')

⚙️ Paso 2: Unir tablas (merge)

Para analizar los datos, debes unir las tablas de hechos con dimensiones, igual que en SQL con JOIN.

python

df = df_ventas

    .merge(df_producto, on='producto_id')

    .merge(df_cliente, on='cliente_id')

    .merge(df_fecha, on='fecha_id')

# Mostrar las primeras filas print(df.head())

⚙️ Paso 3: Análisis y agregación

Por ejemplo, calcular ventas totales por cliente y año:

python

ventas_agrupadas = df.groupby(['nombre_cliente', 'año'])

    .agg({'cantidad': 'sum', 'monto': 'sum'})

    .reset_index()

print(ventas_agrupadas)

⚙️ Paso 4: Visualización básica con matplotlib

python

import matplotlib.pyplot as plt

ventas_agrupadas.plot(kind='bar', x='nombre_cliente', y='monto') plt.title('Ventas por Cliente') plt.ylabel('Monto Total') plt.show()

📝 Actividad práctica

Exporta tus tablas de modelo estrella a CSV.
Carga los datos en pandas dentro de Jupyter Notebook.
Realiza uniones y agrupaciones para analizar las ventas.
Genera gráficos simples para visualizar resultados.

✅ Revisión rápida

¿Qué función de pandas une DataFrames?
¿Por qué es útil Jupyter para análisis?
¿Cómo agrupas datos y calculas sumas en pandas?

Scroll al inicio