Configura un entorno de data science en tu ordenador

Después de formarte en una plataforma online e interactiva como DataCamp, el siguiente paso es llevar esas habilidades en Python, R, Git o Unix Shell a tu ordenador. No siempre es evidente qué necesitas instalar para los proyectos que tienes en mente. En este tutorial verás qué paquetes y qué programas debes instalar para empezar con estas tecnologías. Dicho esto, ¡vamos al lío!

Python

Para usar Python en tu ordenador, primero tienes que instalarlo. Existen varias distribuciones de Python, pero para data science la más popular es Anaconda (Anaconda Python Distribution).

Ventajas de Anaconda

Anaconda es un gestor de paquetes, un gestor de entornos y una distribución de Python que incluye muchas librerías de código abierto. Una instalación de Anaconda trae preinstalados paquetes como numpy, scikit-learn, scipy y pandas, y además es la forma recomendada de instalar Jupyter Notebooks. La imagen siguiente muestra un Jupyter Notebook en acción. Los notebooks de Jupyter incluyen tanto código como texto enriquecido, con figuras, enlaces y ecuaciones. Puedes aprender más sobre Jupyter Notebooks aquí.

Otras ventajas de Anaconda:

• Si necesitas más paquetes después de instalar Anaconda, puedes usar el gestor de paquetes conda de Anaconda o pip para instalarlos. Esto es muy útil porque no tienes que gestionar tú mismo las dependencias entre paquetes. Conda incluso facilita cambiar entre Python 2 y 3 (puedes saber más aquí).

• Anaconda incluye Spyder, un entorno de desarrollo integrado (IDE) para Python. Un IDE te permite escribir, probar y depurar tu código, y suele ofrecer autocompletado, resaltado, gestión de recursos y herramientas de depuración, entre otras funciones. También puedes integrar Anaconda con otros IDE de Python como PyCharm y Atom. Puedes conocer más sobre distintos entornos de desarrollo para Python aquí.

Cómo instalar Anaconda (Python)

A continuación tienes guías para instalar Anaconda según tu sistema operativo.

Instalar Anaconda en Mac

Instalar Anaconda en Windows

Lenguaje de programación R

Normalmente se instala RStudio junto con el lenguaje R. El entorno de desarrollo integrado (IDE) RStudio suele considerarse la forma más sencilla y eficaz de trabajar con R.

Ventajas de RStudio

Instalar el lenguaje R te da un conjunto de funciones y objetos propios de R y un intérprete para ejecutar comandos. RStudio te ofrece un entorno de desarrollo que funciona junto al intérprete de R.

Al abrir RStudio verás una pantalla como la de arriba. Algunas funciones de los cuatro paneles de RStudio son: (A) editor de texto, (B) panel del entorno de trabajo, (C) consola/intérprete de R y (D) ventana de ayuda y gestor de paquetes. Con todo esto, RStudio es prácticamente todo lo que necesitas tras instalar R.

Cómo instalar R y RStudio

A continuación tienes guías para instalar R y RStudio según tu sistema operativo.

Instalar R y RStudio en Mac

Instalar R y RStudio en Windows

Unix Shell

Navegar por directorios, copiar archivos, usar máquinas virtuales y mucho más forma parte del día a día de una persona que trabaja con datos. A menudo se recurre a Unix Shell para estas tareas.

Algunos usos de Unix Shell

1 - Muchas plataformas de computación en la nube están basadas en Linux (alguna variante de Unix Shell). Por ejemplo, si quieres configurar un entorno de data science en Google Cloud o hacer deep learning con Jupyter Notebooks en la nube (AWS EC2), necesitarás ciertos conocimientos de Unix Shell. A veces puede tener sentido usar una máquina virtual de Windows, pero es menos habitual.

2 - Unix Shell ofrece comandos muy útiles como: wc, que cuenta líneas o palabras en un archivo; cat, que concatena/une archivos; y head y tail, que te ayudan a extraer partes de archivos grandes. Puedes aprender más en 8 comandos de shell útiles para data science. Además, echa un vistazo al curso de DataCamp Data Processing in Shell.

3 - Verás a menudo Unix Shell integrado con otras tecnologías, como comprobarás a lo largo del artículo.

Integración con otras tecnologías

Es habitual encontrar comandos de Unix Shell integrados en otras herramientas. Por ejemplo, es común ver comandos de shell en Jupyter Notebooks junto a código en Python. En Jupyter Notebook puedes lanzar comandos de shell anteponiendo un !. En el código de abajo, el resultado del comando ls (que lista los archivos del directorio actual) se asigna a la variable de Python myfiles.

myfiles = !ls

La siguiente imagen muestra código en Python integrado en un flujo para combinar varios conjuntos de datos. Fíjate en un comando de Unix Shell (dentro del rectángulo rojo) integrado en un Jupyter Notebook.

Ten en cuenta que el código de la imagen anterior no es una forma única de realizar una tarea, sino un pequeño ejemplo de cómo puede utilizarse Unix. Si quieres aprender a usar Unix para data science, DataCamp tiene un curso gratuito Introduction to Shell for Data Science que te recomiendo. Es una habilidad que muchos aspirantes a data scientist pasan por alto, pero es muy valiosa en el trabajo.

Unix Shell en Mac

Mac incluye un shell de Unix, así que normalmente no tienes que instalar nada. Ten en cuenta que hay distintos sabores de Unix con comandos que pueden variar. A veces verás que te falta algún comando (como wget) que sí existe en otro sistema Unix. Igual que tienes gestores de paquetes en RStudio o Anaconda, en Mac puedes instalar un gestor de paquetes llamado Homebrew. En el siguiente enlace verás cómo instalar y usar Homebrew.

Cómo instalar y usar Homebrew

Comandos de Unix Shell en Windows

Windows no trae Unix Shell por defecto. Recuerda que Unix Shell te ofrece comandos muy útiles para data science. Hay varias formas de conseguir estos comandos en Windows. Puedes instalar Git en Windows con las herramientas de Unix opcionales para disponer de comandos de Unix en el Símbolo del sistema. También puedes instalar Gnu on Windows (GOW) (10 MB), Cygwin (mínimo 100 MB), entre otras opciones.

Git

Git es el sistema de control de versiones más utilizado. Un sistema de control de versiones registra los cambios de uno o varios archivos a lo largo del tiempo para que puedas recuperar versiones anteriores cuando lo necesites. Git es clave para colaborar y es muy común en las empresas. Algunas ventajas de aprender Git:

• Con Git no se pierde nada que esté bajo control de versiones: siempre puedes volver a versiones anteriores de tus programas.

• Git te avisa cuando tu trabajo entra en conflicto con el de otra persona, así que es más difícil (aunque no imposible) sobrescribir cambios por error.

• Git sincroniza el trabajo de distintas personas en diferentes máquinas, por lo que escala a medida que crece tu equipo.

• Saber Git facilita contribuir al desarrollo open source de paquetes en R y Python.

Integración con otras tecnologías

Una de las grandes ventajas de Git es que suele integrarse con otras herramientas. Antes comentábamos que el IDE RStudio es, en general, la mejor forma de trabajar con R. RStudio ofrece soporte de control de versiones y muchos IDE de Python (más info aquí) también lo incluyen.

Si quieres aprender a usar Git para data science, DataCamp tiene un curso gratuito Introduction to Git for Data Science que te recomiendo.

Cómo instalar Git

A continuación tienes guías para instalar Git según tu sistema operativo.

Instalar Git en Mac

Instalar Git en Windows

Conclusión

Este tutorial te ayuda a configurar un entorno local de data science en tu ordenador. Un punto clave es que estas tecnologías pueden integrarse y, de hecho, suelen hacerlo. Si tienes preguntas o comentarios sobre el tutorial, escríbeme abajo o por Twitter. También puedes ver mis otros tutoriales de instalación en mi GitHub o en mi blog en Medium.