recursos
Todo lo que uso para aprender Data Science: herramientas, apps, cursos, webs y mi setup de estudio
Lo que uso cada día para estudiar y crear contenido.
Mi portátil principal para todo: código, dashboards, edición de vídeo. Los 8GB de RAM van muy justos — me las apaño, pero estoy pensando en dar el salto a un modelo superior.
Imprescindibles para concentrarse en la cafetería. Cancelación de ruido brutal — la diferencia entre estudiar 1 hora y estudiar 4.
Para tomar apuntes a mano de estadística y hacer esquemas. Uso Goodnotes.
Mi reloj pixel art para el método Pomodoro. Configuro 25 min de foco + 5 de descanso. La pantalla pixel lo hace todo más divertido.
Estudio mejor fuera de casa. Mis cafeterías favoritas son las que tienen buena wifi y no te miran raro por estar 3 horas.
Las aplicaciones que uso a diario para estudiar Data Science.
Notebooks de Python en la nube. Sin instalar nada, con GPU gratis. Donde hago todos mis EDA y prácticas.
colab.research.google.com →Datasets gratuitos + notebooks de la comunidad + competiciones. El mejor sitio para practicar con datos reales.
kaggle.com →Mi editor de código principal. Con las extensiones de Python y Jupyter es todo lo que necesitas.
code.visualstudio.com →Donde organizo mi roadmap, apuntes de cursos, y el calendario de contenido. Mi segundo cerebro.
notion.so →Versión gratuita de Tableau para crear y publicar dashboards interactivos. Perfecto para el portfolio.
public.tableau.com →Donde guardo todos mis proyectos y código. Imprescindible para el portfolio y para aprender Git.
github.com →Los recursos que realmente me han servido.
Curso completo de análisis de datos con Python. Gratuito, en español, y con certificado.
freecodecamp.org/espanol →Módulos cortos y prácticos de Python, Pandas, SQL, Machine Learning. Ideales para empezar.
kaggle.com/learn →La mejor base de estadística y probabilidad. Explicaciones claras con ejercicios interactivos.
khanacademy.org →Ejercicios interactivos de SQL en el navegador. De cero a JOINs en pocas horas.
sqlbolt.com →Josh Starmer explica estadística y ML de forma visual. El canal que me desatasca cuando no entiendo algo.
youtube.com/@statquest →Datos abiertos del gobierno de España. Perfecto para proyectos con datos reales y relevantes.
datos.gob.es →Cursos interactivos de Python, SQL y R. Caro pero muy completo. Tienen plan para estudiantes.
datacamp.com →Ejercicios de SQL organizados por dificultad. Ideal para practicar después de aprender la sintaxis.
hackerrank.com/sql →Los que de verdad he leído y me han aportado.
Cole Nussbaumer Knaflic. Me cambió la forma de pensar sobre dashboards y gráficos. Lectura obligatoria para cualquier persona que trabaje con datos.
Wes McKinney. El creador de Pandas escribió el libro definitivo. Denso pero muy útil como referencia.
Charles Wheelan. Estadística explicada sin fórmulas, con ejemplos reales. Perfecto para perderle el miedo a la estadística.
Lo que uso para TikTok, Reels y este blog.
Editor de video gratuito. Lo uso para todos mis TikToks y Reels. Subtítulos automáticos incluidos.
Para crear thumbnails, carousels de Instagram y gráficos para el blog. La versión gratuita es suficiente.
Donde está alojada esta web. Hosting gratuito con dominio personalizado. Perfecto para portfolios.
Los comandos que más uso. Copia y pega lo que necesites.
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as snsdf = pd.read_csv('archivo.csv')
df.head() # primeras 5 filas
df.shape # (filas, columnas)
df.info() # tipos y nulos
df.describe() # estadisticas basicas
df.columns.tolist() # lista de columnas
df.dtypes # tipo de cada columnadf.isnull().sum() # contar nulos
df.dropna() # eliminar filas con nulos
df.fillna(0) # rellenar nulos con 0
df.drop_duplicates() # eliminar duplicados
df['col'] = df['col'].astype(int) # cambiar tipo
df.rename(columns={'old': 'new'}) # renombrar# Filtrar
df[df['edad'] > 25]
df[df['ciudad'].isin(['Madrid', 'Barcelona'])]
# Agrupar
df.groupby('ciudad')['salario'].mean()
df.groupby(['ciudad', 'genero']).agg({'salario': ['mean', 'count']})# Histograma
df['col'].hist(bins=20)
# Barras
df.groupby('cat')['val'].mean().plot(kind='bar')
# Scatter
plt.scatter(df['x'], df['y'])
# Heatmap de correlaciones
sns.heatmap(df.corr(), annot=True, cmap='coolwarm')Las queries que necesitas saber para cualquier entrevista.
SELECT nombre, edad, ciudad
FROM clientes
WHERE edad >= 25
AND ciudad = 'Madrid'
ORDER BY edad DESC
LIMIT 10;SELECT ciudad,
COUNT(*) AS total,
AVG(salario) AS salario_medio,
MAX(salario) AS salario_max
FROM empleados
GROUP BY ciudad
HAVING COUNT(*) > 5
ORDER BY salario_medio DESC;-- INNER JOIN: solo coincidencias
SELECT c.nombre, p.producto
FROM clientes c
INNER JOIN pedidos p ON c.id = p.cliente_id;
-- LEFT JOIN: todos los de la izquierda
SELECT c.nombre, p.producto
FROM clientes c
LEFT JOIN pedidos p ON c.id = p.cliente_id;-- Subquery
SELECT nombre FROM empleados
WHERE salario > (SELECT AVG(salario) FROM empleados);
-- CTE (mas legible)
WITH salario_medio AS (
SELECT AVG(salario) AS media FROM empleados
)
SELECT nombre FROM empleados, salario_medio
WHERE salario > salario_medio.media;SELECT nombre, departamento, salario,
RANK() OVER (PARTITION BY departamento ORDER BY salario DESC) AS ranking,
AVG(salario) OVER (PARTITION BY departamento) AS media_depto
FROM empleados;