Tutorial de Google Colab para científicos de datos

Trabajar en un proyecto de ciencia de datos siempre es emocionante, tanto si estás empezando como si tienes años de experiencia.

Aun así, preparar tu entorno de trabajo, instalar los paquetes necesarios, guardar los archivos del proyecto de forma segura y superar las limitaciones de computación de tu equipo puede ser todo un reto.

En esta guía, aprenderás cómo Google Colab puede simplificar y potenciar tu flujo de trabajo en ciencia de datos.

Índice:

• ¿Qué es Google Colab?
• Crear tu primer cuaderno de Google Colab
• Por qué te conviene usar Google Colab
• Bibliotecas de ciencia de datos preinstaladas
• Uso compartido y colaboración sencillos
• Integración perfecta con GitHub
• Guardar cuadernos de Colab en GitHub
• Trabajar con datos de distintas fuentes
• Cargar datos desde tu ordenador
• Montar Google Drive en la instancia de Colab
• Clonar un repositorio de GitHub en la instancia de Colab
• Obtener datos remotos
• Almacenamiento automático y control de versiones
• Acceso a aceleradores de hardware como GPU y TPU
• DataLab: visión general
• Limitaciones de Google Colab
• Conclusión

¿Qué es Google Colab?

Google Colab es un entorno de cuadernos Jupyter en la nube de Google Research. Con una interfaz sencilla e intuitiva, Colab te ayuda a empezar en ciencia de datos casi sin configuración.

Si te interesa la ciencia de datos con Python, Colab es un gran lugar para poner en marcha tus proyectos sin preocuparte por configurar el entorno. Google Colab facilita escribir y ejecutar código Python directamente desde el navegador, e incluye preinstaladas algunas de las bibliotecas de ciencia de datos en Python más populares.

En las siguientes secciones, conocerás más a fondo las funcionalidades de Google Colab.

Crear tu primer cuaderno de Google Colab

La mejor forma de entender algo es probarlo. Vamos a crear nuestro primer cuaderno de Colab:

• Ve a colab.research.google.com. Verás la pantalla siguiente. Para poder escribir y ejecutar código, tienes que iniciar sesión con tu cuenta de Google. Este es el único paso que necesitas. No hace falta ninguna otra configuración.

• Una vez dentro de Colab, puedes crear un cuaderno nuevo desde «File» → «New notebook», como ves a continuación:

Después de crear el cuaderno, puedes renombrarlo como prefieras. Ya estás listo para ponerte a programar.

• Google Colab es un entorno autosuficiente. Permite escribir código Python y también texto —con celdas Markdown— para incluir texto enriquecido y medios, como ves abajo. Esto ayuda a añadir indicaciones y guías paso a paso, mejorando la legibilidad.

Ahora que ya sabes crear un cuaderno en Colab, veamos sus ventajas.

Por qué te conviene usar Google Colab

Además de ser un entorno en el navegador que solo requiere iniciar sesión con Google, Colab incluye varias funciones muy útiles para la comunidad de ciencia de datos. Algunas ventajas son:

• Bibliotecas de ciencia de datos preinstaladas
• Uso compartido y colaboración sencillos
• Integración perfecta con GitHub
• Trabajo con datos de distintas fuentes
• Almacenamiento automático y control de versiones
• Acceso a aceleradores de hardware como GPU y TPU

Bibliotecas de ciencia de datos preinstaladas

Contar con bibliotecas preinstaladas es una de las razones por las que Colab es una opción popular para poner en marcha un proyecto de ciencia de datos casi al instante.

Colab incluye bibliotecas de Python para análisis y visualización de datos, como NumPy, pandas, matplotlib y seaborn. Esto significa que puedes importarlas directamente en tu proyecto y usar sus módulos según necesites, sin tener que instalarlas.

Como sabrás, estas bibliotecas cubren la mayoría de proyectos de análisis de datos y permiten completar con éxito el preprocesamiento y el análisis exploratorio de datos (EDA) dentro del pipeline de ML para proyectos más grandes.

Si quieres dominar estas bibliotecas, no te pierdas el itinerario de Data Analyst with Python de DataCamp.

Además, Colab trae preinstaladas bibliotecas de machine learning como scikit-learn y de deep learning como PyTorch, TensorFlow y Keras.

Es posible crear proyectos de machine learning y deep learning sin instalar nada. Solo necesitas un navegador y, en pocos minutos, tendrás tu proyecto en marcha.

Trabajar en grupo en un proyecto es una gran experiencia de aprendizaje. En la siguiente sección verás cómo Colab facilita la colaboración.

Uso compartido y colaboración sencillos

Trabajar en un cuaderno Jupyter en tu ordenador local tiene limitaciones a la hora de colaborar. Con Colab, puedes compartir tu cuaderno y trabajar en él de forma colaborativa con amigos y compañeros.

Puedes activar el uso compartido en un solo paso, como en la imagen.

Integración perfecta con GitHub

Como desarrollador, usarás GitHub constantemente para llevar el control de cambios en los archivos de tu proyecto, y su integración con Colab solo puede mejorar las cosas.

Veamos cómo guardar tus cuadernos en repositorios de GitHub:

Guardar cuadernos de Colab en GitHub

1. Para guardar tu cuaderno en un repositorio de GitHub, ve a «File» → «Save a copy in GitHub».

1. Se te pedirá autorizar Colab. Esta autorización es necesaria para que Colab pueda enviar commits a tu repositorio.

1. Después tendrás que confirmar el acceso siguiendo las instrucciones en pantalla.

2. Una vez completada la autorización, debería aparecer esta ventana.

En la imagen anterior:

• «username» y «name of the repo» son marcadores de posición. Verás tu usuario de GitHub y podrás elegir el repositorio al que quieres enviar el cuaderno actual como «name of the repo».

• La rama predeterminada es «main» del repositorio elegido, pero puedes seleccionar la que prefieras. También puedes personalizar la ruta del archivo.

• Por último, escribe un buen mensaje de commit y haz clic en «Ok». Tu commit se enviará al repositorio de GitHub seleccionado.

Así podrás alojar todos tus cuadernos de Colab en repositorios de GitHub. Esto también facilita compartir conocimiento y hacer crecer proyectos de código abierto.

Trabajar con datos de distintas fuentes

En cualquier proyecto de ciencia de datos, empezarás importando el conjunto de datos a tu entorno de trabajo. En esta sección verás distintas formas de hacerlo en Google Colab.

Cargar datos desde tu ordenador

Para subir archivos con datos desde tu equipo, haz clic en el icono «File upload» en la pestaña «Files», como se muestra abajo, y elige el archivo que quieras subir.

Montar Google Drive en la instancia de Colab

Si prefieres guardar todos tus archivos en Google Drive, puedes montarlo fácilmente en la instancia actual de Colab. Así podrás acceder a todos los conjuntos de datos y archivos almacenados en tu Drive.

Hay un par de formas de hacerlo:

• Puedes hacer clic en el icono de «drive» en la pestaña «Files» y seguir las indicaciones.

• Cuando el montaje se complete, deberías ver la carpeta «drive» como un directorio disponible en la pestaña «Files».

Para montar tu Google Drive en la instancia actual de Colab, también puedes ejecutar estas líneas en una celda de código del cuaderno.

from google.colab import drive
drive.mount('content/drive')

Se te pedirá conceder acceso. Elige la opción «Connect to Google Drive». Igual que con el método anterior, deberías ver la carpeta «drive» en la pestaña «Files».

Clonar un repositorio de GitHub en la instancia de Colab

Si necesitas acceder a todos los archivos de un repositorio de GitHub concreto, puedes clonarlo en tu espacio de trabajo actual como sigue.

Ejecutar la siguiente línea te permitirá clonar cualquier repositorio remoto de GitHub —simplemente reemplaza el marcador de posición

!git clone <URL of the repo>

Obtener datos remotos

A veces, tendrás que descargar tu conjunto de datos desde la web; así es como puedes hacerlo:

Como puedes ejecutar comandos de shell comunes dentro del cuaderno, puedes usar «!wget» para obtener datos remotos indicando su URL.

Vamos a descargar el conjunto de datos de viviendas de Boston que se usa en el curso Supervised Learning with scikit-learn de DataCamp.

El conjunto de datos está en este enlace, y en la imagen siguiente ves cómo recuperarlo correctamente.

Almacenamiento automático y control de versiones

¿Alguna vez te ha costado recuperar archivos perdidos de tu proyecto?

Con Colab, perder archivos no es un problema porque todos los cuadernos se guardan automáticamente en el Drive de la cuenta de Google con la que has iniciado sesión.

Incluso cuando colaboras con amigos y compañeros, puedes seguir todos los cambios del cuaderno a lo largo del tiempo consultando el historial de revisiones. Ve a «File» → «Revision History» y podrás ver los cambios y cuándo se hicieron.

Aquí tienes un ejemplo de historial de revisiones:

Acceso a aceleradores de hardware como GPU y TPU

Muy a menudo, las especificaciones de tu equipo local y sus límites de potencia de proceso pueden ser un problema, especialmente al trabajar con modelos grandes de deep learning.

Para superar estas limitaciones, Colab ofrece acceso a aceleradores de hardware —GPU (Graphics Processing Unit) y TPU (Tensor Processing Unit)— para entrenar modelos de deep learning más rápido.

Las siguientes figuras muestran cómo activar el uso de GPU en un cuaderno de Colab —se hace en dos pasos:

1. Ve a «Runtime» → «Change runtime type»

1. Elige el acelerador de hardware que necesites, GPU o TPU.

Hasta aquí, has visto funciones útiles de Colab para ciencia de datos. Si te suena interesante, quizá también te apetezca probar DataLab. Empieza a usar DataLab creando una cuenta gratuita en DataCamp.

DataLab: visión general

DataLab te ofrece un entorno 100% en el navegador para todas tus necesidades de ciencia de datos. Puedes programar en Python o R con soporte integrado para SQL y colaborar sin necesidad de configurar nada.

• Si buscas empezar a construir tu portfolio de ciencia de datos, DataLab es una gran opción. Puedes crear un nuevo DataLab en Python o R, o empezar directamente a trabajar con un repositorio de GitHub.

• Al igual que Google Colab, DataLab tiene muchas funciones: bibliotecas preinstaladas, conjuntos de datos precargados, integraciones con fuentes de datos habituales y mucho más. Puedes escribir y ejecutar código en Python y R, además de añadir texto e imágenes.

• Una vez publiques un cuaderno, podrás compartirlo y colaborar fácilmente con otras personas.

• DataLab incluye conjuntos de datos, plantillas y playbooks precargados en áreas muy diversas —como aprendizaje no supervisado, análisis de mercado, procesamiento de lenguaje natural y más. Estas plantillas te dan la guía necesaria para empezar a crear proyectos desde el primer momento.

• No necesitas alojar tus cuadernos en un repositorio de GitHub. Todos tus cuadernos están accesibles desde tu perfil de DataCamp, así que puedes mostrar todo tu portfolio directamente con tu cuenta gratuita de DataCamp.

• Para saber más sobre DataLab, visita la documentación.

Limitaciones de Google Colab

Aunque Colab facilita mucho las cosas, deberías tener presentes estas limitaciones:

• La instancia gratuita de Colab es suficiente para proyectos pequeños y medianos. Sin embargo, hay restricciones en el uso de GPU. El tiempo típico para entrenar modelos con GPU es de 12 horas, tras lo cual la sesión se desconecta. Para usar GPU y TPU durante más tiempo, tendrás que pasarte a Colab Pro.

• Google Colab está pensado para ciencia de datos en Python. No obstante, puede que a veces quieras usar R, SQL u otros lenguajes para extraer datos de bases de datos. Colab actualmente solo admite Python. Si prefieres usar R y necesitas integraciones con bases de datos como MySQL, echa un vistazo a DataLab.

• En Colab, la demanda y asignación de aceleradores de hardware ocurre en tiempo real. En ocasiones, esto puede provocar fluctuaciones en el acceso a GPU y TPU.

• Los archivos y bibliotecas que instalas e importas son específicos de la instancia concreta de Colab. Al desconectar la sesión, se pierden esos archivos y paquetes. Si necesitas trabajar en el cuaderno en varias tandas, tendrás que volver a conectar una sesión e instalar de nuevo los paquetes necesarios.

• Colab impone un límite de espacio en disco en cada instancia, según la máquina que te asignen. Esto puede ser un impedimento con conjuntos de datos muy grandes.

Conclusión

En este tutorial has visto las funciones más útiles de Google Colab desde la óptica de la ciencia de datos. También has aprendido cómo DataLab puede ayudarte a crear un portfolio de ciencia de datos directamente desde el navegador, y por qué puede ser una gran opción para empezar —todo con una cuenta gratuita de DataCamp.