Introducción Cuando trabajamos con un conjunto de datos, normalmente el siguiente paso consiste en crear gráficos y calcular estadísticas. Sin embargo, un gráfico por sí solo no siempre explica lo que realmente está ocurriendo. En este proyecto utilicé un dataset público de Kaggle con información del Mundial de la FIFA 2026. Después de preparar los datos con Python y Pandas, decidí incorporar Inteligencia Artificial como apoyo para formular preguntas, identificar patrones y convertir los números en una historia con sentido. El objetivo no fue que la IA reemplazara el análisis, sino utilizarla como un asistente capaz de proponer nuevas perspectivas y ayudar a interpretar los resultados obtenidos. ¿Qué información contiene el dataset? El conjunto de datos incluye información de todas las selecciones participantes en el Mundial 2026, entre ellas: Información de los jugadores. Estadísticas por partido. Eventos del encuentro. Goles esperados (Expected Goals). Disparos realizados. Posic...

  Análisis de la Copa Mundial FIFA 2026 con Python: Estadísticas, eficiencia ofensiva y visualizaciones antes de las semifinales La ciencia de datos ofrece una excelente oportunidad para descubrir patrones que muchas veces pasan desapercibidos durante un partido de fútbol. En este proyecto utilizaremos Python , Pandas y Matplotlib para analizar información estadística de la Copa Mundial FIFA 2026 a partir de un conjunto de datos disponible en Kaggle, url  Football 2026 World Cup Dataset Más allá de obtener tablas y gráficos, el objetivo es responder preguntas interesantes como: ¿Qué selección fue la más eficiente frente al arco? ¿Qué equipos generaron más oportunidades de gol? ¿La cantidad de tiros realmente se traduce en más goles? ¿Qué estilos ofensivos se pueden identificar a partir de los datos? Este artículo es el primero de una serie donde construiremos un proyecto completo de análisis deportivo utilizando Python, desde la exploración de datos hasta modelo...

Análisis del Top 100 ATP con Python y Tennis API: ¿Quién domina cada superficie? Los datos deportivos son una excelente forma de aprender análisis de datos y visualización con Python. En este artículo exploramos el rendimiento histórico del Top 100 ATP actual utilizando la Tennis API , una plataforma que ofrece acceso a rankings, perfiles de jugadores, resultados en vivo, estadísticas históricas y mucho más. Nuestro objetivo fue responder una pregunta sencilla: ¿Quiénes son los mejores jugadores del Top 100 ATP actual en cada superficie? Para ello utilizamos Python, Pandas y Plotly para analizar más de 3,700 registros históricos obtenidos desde la API desde 2004 a 2026 para el top100 . Obtención de datos con Tennis API La información fue obtenida utilizando el endpoint Surface Summary disponible en la documentación oficial de Tennis API. Documentación: https://tennisapidoc.matchstat.com/ Sitio oficial: https://tennis-api.com/ El proceso consistió en: Obte...

 Cada día se generan miles de noticias y tendencias en internet. Muchas veces nos enteramos tarde de temas importantes simplemente porque no revisamos constantemente los portales de noticias. Por eso decidí crear una pequeña demo educativa usando Python para generar automáticamente una página web con noticias recientes de México utilizando RSS de Google News. Lo interesante es que este proyecto: consume datos reales, genera HTML automáticamente, funciona sin APIs costosas, y puede actualizarse de forma automática. Además, es un excelente ejercicio para aprender automatización, consumo de feeds RSS y generación dinámica de contenido con Python. ¿Qué hace esta demo? 🔥 El proyecto: Obtiene noticias recientes desde Google News RSS. Procesa los títulos automáticamente. Genera una página HTML estilo portal de noticias. Muestra enlaces directos a las noticias originales. El resultado es una mini página dinámica de tendencias y noticias de México. Tecnologías ...

Análisis de divorcios en México con Python y datos del INEGI (Proyecto real de Ciencia de Datos) ¿Alguna vez te has preguntado qué estados de México tienen las tasas de divorcio más altas y cómo analizarlo con datos reales? En este proyecto práctico de Ciencia de Datos con Python , trabajé directamente con microdatos oficiales del INEGI para responder esa pregunta. El resultado es un mapa interactivo profesional que permite explorar visualmente los divorcios en México, normalizados por cada 1,000 habitantes , usando herramientas reales que se utilizan en el mundo laboral. ¿Qué aprenderás con este proyecto? Consolidación masiva de datos: lectura automática de más de 9 archivos CSV desde una carpeta. Limpieza de datos reales: solución a errores de codificación (UTF-8 vs Latin1) y cruces con catálogos oficiales del INEGI. Análisis estadístico: normalización de tasas por población para comparaciones correctas entre estados. Visualización geoespacial: creación d...

Los divorcios son un fenómeno social que refleja cambios en la estructura familiar y las dinámicas de pareja en México. Analizar estos datos nos permite entender patrones, tendencias y diferencias según el sexo de los integrantes, duración del matrimonio y otras variables relevantes. En este artículo, exploraremos un conjunto de datos oficiales sobre divorcios en México utilizando Python y Jupyter Notebook. A través de limpieza de datos, visualizaciones y análisis estadístico, obtendremos conclusiones que nos ayudan a comprender mejor la dinámica de estos eventos. A continuación, describo los pasos que seguí para realizar este análisis de manera clara y estructurada: Obtener los datos de una fuente oficial Analizar la información descargada  Leer los datos con Panda Limpiar Datos Hacer análisis con graficas Generar una descripción de estas gráficas para obtener algunas conclusiones Las Herramientas tecnológicas que vamos a utilizar son Python Jupyter  Matplotlib seaborn ...

📊 ¿Cuántos reumatólogos se necesitan en Playa del Carmen? Un análisis con Python Las enfermedades autoinmunes afectan aproximadamente al 5% de la población mundial . Esto incluye padecimientos como lupus, artritis reumatoide, esclerosis múltiple, entre otros. En este artículo haremos un ejercicio técnico para estimar cuántos reumatólogos serían necesarios para atender esa demanda en una ciudad como Playa del Carmen, Quintana Roo , utilizando Python y Jupyter Notebook . 📌 Paso 1: Estimar población y personas afectadas De acuerdo con datos recientes, la población aproximada de Playa del Carmen es de 304,942 personas. Si el 5% sufre una enfermedad autoinmune: # Supuestos poblacion_total = 304_942 porcentaje_afectados = 0.05 personas_afectadas = poblacion_total * porcentaje_afectados print(f"Número estimado de personas con enfermedades autoinmunes: {int(personas_afectadas)}") Resultado: 15,247 personas con enfermedades autoinmunes. 📌 Paso 2: ¿Cuántos re...

“Este análisis fue realizado con fines educativos y de concientización, utilizando datos públicos y anónimos. Todo el contenido respeta la privacidad de los pacientes y busca aportar valor desde la ciencia de datos.” 🔍 Introducción Las enfermedades reumatológicas, como la artritis reumatoide, el lupus o la fibromialgia, afectan a miles de personas en México y el mundo. Más allá de los números, se trata de condiciones que influyen profundamente en la calidad de vida de quienes las padecen. En este artículo realizo un ejercicio educativo utilizando Python y Jupyter para explorar datos públicos de salud disponibles a través del sistema SINBA/SINAIS de la Secretaría de Salud. El objetivo no es presentar un diagnóstico ni emitir juicios clínicos, sino visibilizar patrones agregados y mostrar cómo la ciencia de datos puede aplicarse de manera respetuosa y útil en el ámbito médico y de salud pública . El análisis está pensado tanto para: 👩‍⚕️ Profesionales de salud que quieran apren...