Framework ligero para análisis de datos con Python, orientado a profesionales que buscan un flujo simple, claro y reutilizable para exploración y análisis descriptivo de datasets.
Analítica Fácil es un mini framework modular diseñado para simplificar tareas comunes de análisis de datos en Python.
El proyecto organiza el flujo de trabajo en etapas claras y reutilizables:
- Gestión de fuentes de datos
- Limpieza y depuración
- Transformación de datos
- Análisis exploratorio
- Visualización de resultados
- Ejecución de pipelines de análisis
El objetivo es reducir la fricción técnica al trabajar con pandas, matplotlib y seaborn, permitiendo enfocarse en el análisis y no en código repetitivo.
Este framework fue construido como una solución práctica para profesionales que necesitan realizar análisis de datos de forma estructurada, sencilla y mantenible.
No busca reemplazar ecosistemas enterprise de data engineering o machine learning.Su objetivo es resolver una necesidad muy frecuente:
Convertir tareas repetitivas de análisis en un flujo reusable, probado y fácil de ejecutar.
En muchos entornos profesionales el análisis de datos comienza siempre con los mismos pasos:
- cargar archivos CSV o Excel
- limpiar columnas
- transformar datos
- generar resúmenes estadísticos
- detectar valores atípicos
- construir visualizaciones exploratorias
- repetir el mismo proceso con nuevos datasets
Analítica Fácil encapsula ese proceso en módulos reutilizables que permiten acelerar análisis descriptivos y exploratorios.
Este proyecto está orientado a:
- Analistas de datos
- Profesionales de automatización
- Consultores que necesitan análisis exploratorios rápidos
- Equipos pequeños que desean estandarizar procesos analíticos
- Profesionales que trabajan con pandas y desean reducir código repetitivo
- Leer datos desde CSV y Excel
- Leer datos desde algunas APIs (ej: Yahoo Finance)
- Limpiar y preparar datasets
- Transformar datos de forma estructurada
- Generar resúmenes estadísticos
- Analizar variables numéricas y categóricas
- Calcular correlaciones
- Detectar valores atípicos
- Generar visualizaciones exploratorias
- Ejecutar pipelines completos de análisis
Por alcance, este proyecto no está orientado a:
- procesamiento distribuido
- big data
- streaming
- entrenamiento de modelos de machine learning
- pipelines empresariales complejos de datos
Su objetivo es análisis descriptivo y exploratorio eficiente.
analitica_facil/ │ ├── src/ │ └── analitica_facil/ │ ├── init.py │ ├── gestor_fuentes.py │ ├── limpiar_depuracion.py │ ├── transformacion_datos.py │ ├── analisis_exploratorio.py │ ├── visualizacion_datos.py │ └── pipeline_analisis.py │ ├── tests/ │ ├── test_transformacion_datos.py │ ├── test_analisis_exploratorio.py │ └── test_visualizacion.py │ ├── datos/ │ └── ventas_prueba_1000.csv │ ├── pyproject.toml ├── README.md └── .gitignore
Encargado de cargar datos desde diferentes fuentes.
Funciones principales:
- lectura de archivos CSV
- lectura de archivos Excel
- lectura de datos desde Yahoo Finance
Encargado de preparar los datos antes del análisis.
Incluye funciones para:
- inspección inicial de datos
- manejo de valores nulos
- eliminación de duplicados
- normalización de nombres de columnas
- selección de columnas
- eliminación de columnas
- renombrado de columnas
Permite reorganizar y enriquecer datasets.
Funciones principales:
- filtrado de datos
- ordenamiento de registros
- agrupaciones y agregaciones
- creación de nuevas variables
- uniones entre datasets
- tablas dinámicas
Permite entender el comportamiento general de los datos.
Funciones principales:
- resumen estadístico de variables numéricas
- resumen de variables categóricas
- cálculo de frecuencias
- análisis de correlación entre variables
- detección de valores atípicos mediante IQR
Genera visualizaciones exploratorias.
Gráficos disponibles:
- histogramas
- gráficos de barras
- barras agrupadas
- gráficos de dispersión
- mapas de calor de correlaciones
- boxplots
Permite ejecutar un flujo completo de análisis:
- carga de datos
- limpieza inicial
- generación de resúmenes estadísticos
- cálculo de correlaciones
- detección de valores atípicos
- generación automática de gráficos
Instalación en modo desarrollo:
pip install -e .
Instalación con dependencias de desarrollo:
pip install -e ".[dev]"
---
Ejecución de Pruebas
El proyecto incluye pruebas automatizadas para validar el comportamiento de los módulos principales.
Ejecutar pruebas:
pytest tests -v
Las pruebas cubren:
transformación de datos
análisis exploratorio
visualización de datos
Esto permite validar que las funciones operan correctamente tanto con dataframes pequeños de prueba como con datasets más grandes.
---
Ejemplo de Uso del Pipeline
from analitica_facil.pipeline_analisis import ejecutar_pipeline_basico
resultados = ejecutar_pipeline_basico(
ruta_archivo="datos/ventas_prueba_1000.csv",
tipo_archivo="csv",
columnas_numericas=["cantidad", "precio_unitario", "venta_bruta", "venta_neta"],
columnas_categoricas=["ciudad", "producto", "canal"],
carpeta_salida="salidas_analisis"
)
print(resultados["resumen_numericas"])
print(resultados["correlacion"])
print(resultados["valores_atipicos"])
---
Ejemplo de Uso Modular
from analitica_facil.gestor_fuentes import leer_csv
from analitica_facil.limpiar_depuracion import normalizar_nombres_columnas
from analitica_facil.analisis_exploratorio import resumen_variables_numericas
from analitica_facil.visualizacion_datos import histograma_variable
df = leer_csv("datos/ventas_prueba_1000.csv")
df = normalizar_nombres_columnas(df)
resumen = resumen_variables_numericas(
df,
["cantidad", "precio_unitario", "venta_neta"]
)
print(resumen)
histograma_variable(df, "venta_neta", mostrar=True)Este proyecto demuestra capacidades relevantes para roles de ingeniería y automatización de software:
diseño modular de software
construcción de librerías reutilizables
estandarización de procesos de análisis
testing automatizado con pytest
empaquetado profesional con pyproject.toml
uso estructurado de pandas, matplotlib y seaborn
enfoque en mantenibilidad y reutilización
Más que un conjunto de scripts, este repositorio representa una solución técnica diseñada como producto reutilizable.
Versión inicial funcional enfocada en análisis descriptivo y exploratorio.
Alvaro Andres Contreras Rosas
Senior Automation Engineer Python | Backend | Automatización | RPA | Soluciones reutilizables