Curso Práctico de Python

Lección 1 • Instalación de Python y herramientas de desarrollo

Cubre la instalación del intérprete de Python, la selección de versiones y la configuración del IDE. Establece el entorno base necesario para todos los ejercicios de codificación posteriores.

Lección 2 • Entrada, salida y operadores básicos

Cubre print(), input() y operadores aritméticos, de comparación y lógicos. Estos elementos primitivos aparecen en cada programa escrito en el curso.

Lección 3 • Variables, tipos de datos y literales

Enseña tipado dinámico, tipos de datos incorporados y notación literal. Comprender los tipos es un prerrequisito para todos los capítulos de manipulación de datos.

Lección 1 • Comprensiones e iteración funcional

Enseña comprensiones de listas, diccionarios y conjuntos junto con map() y filter(). Los patrones de iteración concisos mejoran la legibilidad en programas con uso intensivo de datos.

Lección 2 • Bucles for e iteración

Cubre la iteración sobre secuencias y el uso de range(). Los patrones de bucle introducidos aquí reaparecen en los capítulos de colecciones, archivos y procesamiento de datos.

Lección 3 • Bucles while y control de bucle

Introduce bucles controlados por condición y las declaraciones break, continue y pass. Estos controles permiten una gestión precisa del flujo en algoritmos complejos.

Lección 1 • Funciones lambda y decoradores

Introduce funciones anónimas y decoradores que envuelven funciones. Estas herramientas aparecen extensamente en frameworks y código de estilo funcional.

Lección 2 • Definir y llamar funciones

Cubre la sintaxis def, los valores de retorno y las convenciones de llamada. Las funciones son la unidad principal de reutilización en todo el trabajo de proyecto posterior.

Lección 3 • Técnicas avanzadas de parámetros

Enseña valores predeterminados, argumentos de palabra clave, *args y **kwargs. Estos patrones permiten API flexibles que se utilizan en bibliotecas y frameworks más adelante.

Lección 1 • Listas: creación y manipulación

Cubre la indexación, el slicing y todos los métodos de mutación de listas. Las listas son la estructura más común en el procesamiento de datos y el trabajo con algoritmos.

Lección 2 • Tuplas y secuencias inmutables

Enseña la creación, empaquetado, desempaquetado y casos de uso de tuplas. La inmutabilidad hace que las tuplas sean ideales para registros fijos y claves de diccionarios.

Lección 3 • Conjuntos y operaciones de conjuntos

Introduce la creación de conjuntos, pruebas de pertenencia y operaciones matemáticas. Los conjuntos permiten una rápida deduplicación y consultas de relaciones en pipelines de datos.

Lección 4 • Diccionarios: claves, valores y métodos

Cubre la creación de diccionarios, patrones de acceso, iteración y fusión. Los diccionarios sustentan el manejo de JSON, la configuración y el almacenamiento en caché en aplicaciones reales.

Lección 1 • Métodos: de instancia, de clase y estáticos

Cubre los tres tipos de métodos y sus casos de uso apropiados. La elección correcta del método aclara la intención y mejora el diseño de la API.

Lección 2 • Herencia y anulación de métodos

Introduce la herencia simple y múltiple, super() y la resolución de métodos. La herencia reduce la duplicación entre familias de clases relacionadas.

Lección 3 • Encapsulación y métodos especiales

Cubre el mangling de nombres, los métodos dunder y la sobrecarga de operadores. Estas características producen interfaces de clase intuitivas y pitónicas.

Lección 1 • Manejo de excepciones

Enseña try, except, else, finally y excepciones personalizadas. Un manejo adecuado de errores previene fallos y permite una degradación controlada.

Lección 2 • Trabajar con archivos CSV y JSON

Introduce los módulos de la biblioteca estándar csv y json para datos estructurados. Estos formatos son omnipresentes en el intercambio de datos y la integración de API.

Lección 3 • Leer y escribir archivos

Cubre open(), modos de archivo, administradores de contexto y E/S binaria vs. de texto. El manejo de archivos es esencial para la ingestión y salida de datos en proyectos reales.

Lección 1 • Limpieza y transformación de datos

Cubre el manejo de valores faltantes, la conversión de tipos y las transformaciones con apply(). Los datos limpios son un prerrequisito para un análisis y modelado precisos.

Lección 2 • Herramientas estadísticas y de álgebra lineal de NumPy

Introduce funciones de agregación, generación de números aleatorios y operaciones matriciales. Estas herramientas sustentan el preprocesamiento y la simulación en aprendizaje automático.

Lección 3 • Agrupación, fusión y agregación

Introduce groupby(), merge() y tablas dinámicas para resumir datos. Estas operaciones replican analíticas de estilo SQL completamente dentro de Python.

Lección 4 • Arreglos y operaciones de NumPy

Cubre la creación de ndarray, indexación, broadcasting y matemáticas vectorizadas. La eficiencia de NumPy es la columna vertebral de los flujos de trabajo científicos y de ciencia de datos.

Lección 1 • Programación y automatización de tareas

Introduce scripts programados, análisis de argumentos y registro (logging). La automatización en producción requiere una programación confiable y una ejecución observable.

Lección 2 • Planificación y entrega del proyecto final

Guía a los estudiantes a través de la definición, construcción y presentación de un proyecto completo. Sintetiza todas las habilidades fundamentales en un entregable listo para el portafolio.

Lección 3 • Automatización del sistema de archivos y del SO

Enseña os, pathlib y shutil para la automatización de archivos y directorios. Automatizar tareas repetitivas de archivos ahorra un tiempo considerable en los flujos de trabajo profesionales.