1
Matplotlib
Gratuito
La visualización de datos es una habilidad clave para los aspirantes a científicos de datos. Matplotlib facilita la creación de gráficos significativos y reveladores. En este capítulo, aprenderás a construir varios tipos de gráficos y a personalizarlos para que sean más atractivos visualmente e interpretables.
2
Diccionarios y pandas
Conoce el diccionario, una alternativa a la lista de Python, y el DataFrame de pandas, el estándar de facto para trabajar con datos tabulares en Python. Practicarás la creación y manipulación de conjuntos de datos, y aprenderás a acceder a la información que necesitas de estas estructuras de datos.
3
Lógica, flujo de control y filtrado
La lógica booleana es la base de la toma de decisiones en los programas Python. Conoce los distintos operadores de comparación, cómo combinarlos con operadores booleanos y cómo utilizar los resultados booleanos en estructuras de control. También aprenderás a filtrar datos en DataFrames de pandas utilizando la lógica.
4
Bucles
Hay varias técnicas que puedes utilizar para ejecutar repetidamente código Python. Mientras que los bucles son como sentencias if repetidas, el bucle for itera sobre todo tipo de estructuras de datos. Aprende todo sobre ellos en este capítulo.
5
Caso práctico: Estadísticas Hacker
Este capítulo te permitirá aplicar todos los conceptos que has aprendido en este curso. Utilizarás estadísticas de hacker para calcular tus posibilidades de ganar una apuesta. ¡Utiliza generadores de números aleatorios, bucles y Matplotlib para obtener una ventaja competitiva!

Initializing

Traza la distribución

Todas estas visualizaciones extravagantes nos han desviado. Aún tenemos que resolver el problema del millón de dólares: ¿Cuáles son las probabilidades de que llegues a 60 escalones de altura en el Empire State Building?

Básicamente, quieres conocer los puntos finales de todos los paseos aleatorios que has simulado. Estos puntos finales tienen una determinada distribución que puedes visualizar con un histograma.

Ten en cuenta que si tu código tarda demasiado en ejecutarse, ¡puede que estés trazando un histograma de los datos equivocados!

Para asegurarnos de que tenemos suficientes simulaciones, vuélvete loco. Simula el paseo aleatorio 500 veces.
En np_aw_t, selecciona la última fila. Contiene el punto final de los 500 paseos aleatorios que has simulado. Guarda esta matriz NumPy como ends.
Utiliza plt.hist() para construir un histograma de ends. No olvides plt.show() para visualizar la trama.