Python para Análisis de Datos
� Python • Análisis de Datos Profesional

Domina el Análisis de Datos con Python desde cero con proyectos reales y certificación profesional

Aprende Pandas, NumPy, Matplotlib, Seaborn, análisis estadístico y visualización de datos. Incluye notebooks descargables, datasets reales y talleres de práctica.

Precio normal: $200.000
$69.999
COP • pago único
⚡ Oferta solo por hoy
Precio normal: 40 USD
20 USD
USD • pagos internacionales
⚡ Oferta solo por hoy

💳 Se reciben todos los medios de pago

Ver temario
✅Acceso de por vida • Notebooks actualizados • Certificado al finalizar
✅Para principiantes y analistas que quieren dominar Python para ciencia de datos
⏱️ 40+ horas
🧩 10+ Proyectos
📄 Certificado

Tecnologías que dominarás

Las herramientas más demandadas en análisis de datos empresarial

Python
pd Pandas
N NumPy
Matplotlib
Google Colab
Limpieza de Datos
Seaborn

Temario del Curso

Programa completo de Análisis de Datos con Python – desde fundamentos hasta proyectos avanzados

Estructurado en módulos progresivos con proyectos prácticos y datasets reales en cada sección.

  • ▶ MÓDULO 0 – INTRODUCCIÓN Y ENTORNO
    • Bienvenida al curso
    • Clase 1 – Introducción a Google Colab
  • ▶ MÓDULO 1 – FUNDAMENTOS DE PYTHON Y PANDAS
    • Clase 2 – Conexión de datos, Pandas y DataFrames
    • Clase 3 – Tipos de datos en Python, variables y calculos matematicos
    • Clase 4 – Limpieza de datos automatizada
    • Clase 5 – Segmentacion de tablas y registros unicos
    • Taller Modulo 1 – Fundamentos y limpieza de datos con Pandas
  • ▶ MÓDULO 2 – LÓGICA, FUNCIONES Y APPLY
    • Clase 6 – Introduccion a condicionales, funciones y funciones lambda
    • Clase 7 – Funciones en Python
    • Clase 8 – Funciones aplicadas a Dataframes
    • Clase 9 Ciclo For
    • Clase 10 Ciclo While
    • Taller Modulo 2 – Funciones, lógica y apply en análisis de datos
  • ▶ MÓDULO 3 – CICLOS Y CONTROL DE FLUJO
    • Clase 11 – Break y continue
    • Clase 12 Introducción a Pandas y DataFrames
    • Clase 13 Tipos de datos y valores nulos en pandas
    • Taller Modulo 3 – Automatización de procesos con ciclos en Python
  • ▶ MÓDULO 4 – PREPARACIÓN Y CALIDAD DE DATOS
    • Clase 14 Chekpoint de lo aprendido
    • Clase 15 Que es apply y por que existe
    • Clase 16 Filtros y lógica booleana en Pandas
    • Taller Modulo 4 – Preparación de datos para análisis real
  • ▶ MÓDULO 5 – ESTADÍSTICA Y AGRUPACIONES
    • Clase 17 – Estadística básica aplicada a datos (lo que sí usan las empresas)
    • Clase 18 – GroupBy y agregaciones
    • Taller Modulo 5 – Análisis estadístico y agregaciones con Pandas
  • ▶ MÓDULO 6 – KPI Y ANÁLISIS DE NEGOCIO
    • Clase 19 – Introducción a KPI de la vida real
    • Clase 20 – KPI operativos en una empresa de logística
    • Clase 21 Porcentaje de cumplimiento por sucursal
    • Clase 22 Comparación de sucursales
    • Clase 23 Evolución mensual de envíos
    • Taller Modulo 6 – KPI y análisis de negocio con Python
  • ▶ MÓDULO 7 – EFICIENCIA OPERATIVA Y DESEMPEÑO
    • Clase 24 Evolución de ingresos
    • Clase 25 Evolución de Costos
    • Clase 26 Calculo de utilidad en el tiempo con Python
    • Clase 27 Calculo del porcentaje de retrasos con Python
    • Clase 28 Calculo de porcentaje de retrasos por sucursal con Python
    • Clase 29 Calculo de Eficiencia Operativa con Python
    • Clase 30 Como hacer un TOP en Python
    • Clase 31 Calculo de Ranking con Python
    • Taller Modulo 7 – Análisis de eficiencia y rendimiento operativo
  • ▶ MÓDULO 8 – VISUALIZACIÓN DE DATOS (MATPLOTLIB)
    • Clase 32 Introducción a gráficos con Matplotlib
    • Clase 33 Gráficos de barras
    • Clase 34 Grafico de líneas
    • Clase 35 Histograma
    • Clase 36 Grafico de Utilidad por sucursal
    • Clase 37 Eficiencia operativa por sucursal
    • Clase 38 Evolución comparada dos sucursales
    • Taller Modulo 8 – Visualización de datos para análisis de negocio
  • ▶ MÓDULO 9 – VISUALIZACIÓN AVANZADA CON SEABORN
    • Clase 39 Introducción Seabonr
    • Clase 40 Gráficos con Seaborn
    • Clase 41 Grafico con Seaborn de conteo
    • Clase 42 Histograma con Seaborn
    • Clase 43 Diagrama de cajas
    • Clase 44 Relación con línea de tendencia
    • Taller Modulo 9 – Visualización avanzada y storytelling con datos
Quiero este temario

Ejemplos reales de Python que construirás

Código profesional, optimizado y con propósito. Cada ejemplo incluye dataset y explicación detallada.

visualizacion.py
# Gráfico de ventas mensuales
import pandas as pd
import seaborn as sns

df = pd.read_csv('ventas.csv')
df['fecha'] = pd.to_datetime(df['fecha'])
mensuales = df.groupby(df['fecha'].dt.month)['total'].sum()
sns.lineplot(data=mensuales)
plt.title('Ventas Mensuales')
plt.show()
limpieza_datos.py
# Limpieza y transformación de datos
import pandas as pd

df = pd.read_csv('clientes.csv')

# Eliminar duplicados y valores nulos
df = df.drop_duplicates().dropna()

# Normalizar texto
df['nombre'] = df['nombre'].str.title().str.strip()

# Crear categorías
df['segmento'] = pd.cut(df['ingresos'], bins=[0,30000,70000,150000])
df.to_csv('clientes_limpio.csv', index=False)
kpis_dashboard.py
# Dashboard de KPIs empresariales
import pandas as pd
import matplotlib.pyplot as plt

df = pd.read_excel('ventas_mensual.xlsx')

# Calcular KPIs
df['ROI'] = (df['ingresos'] - df['costos']) / df['costos'] * 100
df['margen'] = (df['ingresos'] - df['costos']) / df['ingresos'] * 100

# Crear dashboard
fig, axes = plt.subplots(2, 2, figsize=(12,8))
df.plot(x='mes', y='ROI', ax=axes[0,0])
df.plot(x='mes', y='margen', ax=axes[0,1])
plt.savefig('dashboard_kpis.png')
score = modelo.score(X, y)
print(f'R²: {score:.2f}')

¿Qué incluye?

📚
Notebooks interactivos
Jupyter Notebooks completos y datasets reales.
🧩
10+ Proyectos prácticos
Casos reales de negocio con datos reales.
🎓
Certificado
Al completar el proyecto final integrador.
�
Análisis estadístico
Estadística descriptiva y análisis de datos.
⚡
Visualizaciones
Matplotlib, Seaborn y dashboards profesionales.
�
Acceso de por vida
El curso queda habilitado de por vida para que aprendas al ritmo que tu quieras.

Lo que dicen nuestros estudiantes

Muchos de nuestros estudiantes han transformado sus carreras con Python

★★★★★
“El mejor curso de Python que he tomado. Pude automatizar mis reportes de Excel en la semana 2 con Pandas.”
— Carolina R.
Analista de Datos
★★★★★
“Los notebooks y ejemplos son oro puro. El proyecto final de KPIs me ayudó a conseguir una promoción.”
— Andrés M.
Data Analyst
★★★★★
“Claridad total. Desde cero aprendí Python y ahora creo dashboards profesionales con Matplotlib en minutos.”
— Laura G.
Analista Financiera
★★★★★
“Increíble cómo explican Pandas. Pasé de 3 horas limpiando datos manualmente a 5 minutos con código.”
— Roberto P.
Controller Financiero
★★★★★
“Los ejercicios prácticos son geniales. Apliqué lo aprendido en mi empresa y ahora soy el referente en Python.”
— María S.
Business Analyst
★★★★★
“Excelente inversión. El módulo de visualización con Matplotlib vale por sí solo el precio del curso completo.”
— Diego F.
Analista de Marketing
import pandas
df.head()
plt.plot(x, y)
import numpy as np
df.groupby()
sns.heatmap()
for i in range:
df['column']
def analyze():
pd.read_csv()
np.array([])
print(data)
df.describe()
plt.show()
import matplotlib
df.merge()
np.mean()
lambda x:
df.fillna()
plt.scatter()