El Primer Paso - Conectando a Datos en Power Query vs. Python con Pandas

¡Bienvenido al tercer capítulo de "El Puente al Machine Learning"!

En el post anterior, instalamos nuestro laboratorio de ciencia de datos. Ahora que tienes tu entorno listo, es hora de hacer lo que mejor sabemos hacer: conectarnos a un origen de datos.

Recuerdo la primera vez que tuve que importar un archivo de texto plano (.txt) con un formato algo extraño en Power BI. Tuve que pasar por varias ventanas de configuración, probando delimitadores hasta que finalmente di con el correcto. Funcionó, pero me dejó pensando: ¿habrá una forma más directa y reproducible de hacerlo?

Hoy te mostraré que la hay. Vamos a comparar, cara a cara, cómo se realiza esta tarea fundamental en nuestro mundo conocido de Power Query y en nuestro nuevo taller de Python.

---

Nuestro Ejemplo: Un Archivo de Geografía

Para nuestro ejercicio, vamos a usar un archivo de datos geográficos de Honduras llamado Geografia.txt, que he alojado en el repositorio de GitHub del blog. Es un ejemplo realista del tipo de datos con los que trabajamos en BI.

---

Preparando Nuestro Espacio de Trabajo: Conectando con GitHub

Antes de leer los datos, vamos a traerlos a nuestro entorno local. En lugar de descargar el archivo manualmente, clonaremos el repositorio completo. Esto nos asegura tener siempre la versión más actualizada de los datos y el código.

Paso 0: ¡Requisito Previo! Instalar Git

Para poder clonar el repositorio, necesitamos una herramienta fundamental llamada Git. Si al intentar el siguiente paso te aparece un error como 'git' is not recognized as an internal or external command, significa que no lo tienes.

Puedes instalarlo fácilmente desde su página oficial: git-scm.com/download/win. Simplemente descarga el instalador y haz clic en "Next" en todas las ventanas, aceptando la configuración por defecto. Una vez instalado, es muy importante que cierres y vuelvas a abrir tu Anaconda Prompt.

Paso 1: Clonar el Repositorio

Ahora sí, abre tu Anaconda Prompt (¡no uses PowerShell ni el CMD normal!), navega a la carpeta donde guardas tus proyectos (usando el comando cd), y ejecuta el siguiente comando:

git clone https://github.com/NORSAB/El-Puente-al-Machine-Learning.git

Este comando creará una nueva carpeta llamada El-Puente-al-Machine-Learning en tu computadora con todos los archivos del repositorio.

Pro Tip: Si la carpeta El-Puente-al-Machine-Learning ya existe de un intento anterior, el comando git clone te dará un error. Simplemente borra la carpeta existente y vuelve a intentarlo.

Paso 2: Navegar al Directorio y Abrir Jupyter Lab

Una vez clonado, desde la misma Anaconda Prompt, navega dentro de la nueva carpeta. Si clonaste el repositorio directamente en tu disco C:\, el comando sería:

cd C:\El-Puente-al-Machine-Learning

Ahora, activa el entorno que creamos en el post anterior:

conda activate mi_entorno_ml

Y desde ahí, lanza Jupyter Lab:

jupyter lab

Esto abrirá Jupyter en tu navegador, con acceso directo a todas las carpetas y archivos del proyecto.

Paso 3 (Opcional): Crear un Atajo Inteligente para Automatizar Todo

Para no tener que escribir estos comandos cada vez, podemos crear un script .bat que haga todo por nosotros: verificará que todo esté correcto, actualizará el repositorio y lanzará Jupyter Lab.

1. Abre el Bloc de Notas.
2. Copia y pega el siguiente código:

@echo off
:: Cambiar a UTF-8 para mostrar bien acentos y caracteres del español
chcp 65001 >nul

cls

echo ===================================================
echo  CHECKLIST: Requisitos para El Puente al ML
echo ===================================================
echo.

:: === 1. Verificar si git está instalado ===
echo [1/4] Verificando Git...
where git >nul 2>&1
if %errorlevel% equ 0 (
    echo    ✓ Git encontrado
) else (
    echo    ✗ ERROR: Git no está instalado o no está en el PATH.
    echo       Descarga Git desde: [https://git-scm.com](https://git-scm.com)
    echo.
    pause
    exit /b 1
)

:: === 2. Detectar e inicializar conda ===
echo [2/4] Buscando instalación de Anaconda/Miniconda...

set "CONDA_PATH="

if exist "%USERPROFILE%\Anaconda3\Scripts\activate.bat" set "CONDA_PATH=%USERPROFILE%\Anaconda3"
if exist "%USERPROFILE%\Miniconda3\Scripts\activate.bat" set "CONDA_PATH=%USERPROFILE%\Miniconda3"
if exist "C:\ProgramData\Anaconda3\Scripts\activate.bat" set "CONDA_PATH=C:\ProgramData\Anaconda3"
if exist "C:\ProgramData\Miniconda3\Scripts\activate.bat" set "CONDA_PATH=C:\ProgramData\Miniconda3"

if defined CONDA_PATH (
    echo    ✓ Conda encontrado en: %CONDA_PATH%
    call "%CONDA_PATH%\Scripts\activate.bat"
) else (
    echo    ✗ ERROR: No se encontró Anaconda ni Miniconda.
    echo       Asegúrate de tenerlo instalado en la ruta por defecto.
    echo       Descarga desde: [https://www.anaconda.com](https://www.anaconda.com) o [https://docs.conda.io/en/latest/miniconda.html](https://docs.conda.io/en/latest/miniconda.html)
    echo.
    pause
    exit /b 1
)

:: === 3. Verificar entorno ===
echo [3/4] Verificando entorno 'mi_entorno_ml'...
call conda env list | findstr /C:"mi_entorno_ml" >nul 2>&1
if %errorlevel% equ 0 (
    echo    ✓ Entorno 'mi_entorno_ml' encontrado
) else (
    echo    ✗ ERROR: El entorno 'mi_entorno_ml' no existe.
    echo       Por favor, créalo siguiendo las instrucciones del post anterior.
    echo.
    pause
    exit /b 1
)

:: === 4. Verificar Jupyter Lab ===
echo [4/4] Verificando Jupyter Lab en el entorno...
call conda list -n mi_entorno_ml | findstr /C:"jupyterlab" >nul 2>&1
if %errorlevel% equ 0 (
    echo    ✓ Jupyter Lab encontrado en el entorno.
) else (
    echo    ✗ ADVERTENCIA: Jupyter Lab no está instalado en 'mi_entorno_ml'.
    echo       Instálalo con: conda install -n mi_entorno_ml jupyterlab
    echo.
    pause
)


echo.
echo ===================================================
echo  ✅ Todos los requisitos están listos
echo ===================================================
echo.
timeout /t 3 >nul

:: === Flujo principal ===
cd /d C:\

echo Buscando carpeta del repositorio...

IF NOT EXIST "El-Puente-al-Machine-Learning" (
    echo Carpeta no encontrada. Clonando repositorio...
    git clone [https://github.com/NORSAB/El-Puente-al-Machine-Learning.git](https://github.com/NORSAB/El-Puente-al-Machine-Learning.git)
    if %errorlevel% neq 0 (
        echo ERROR: No se pudo clonar el repositorio.
        pause
        exit /b %errorlevel%
    )
    goto :iniciar
)

cd El-Puente-al-Machine-Learning
echo Actualizando repositorio...
git pull

:iniciar
echo Activando entorno y lanzando Jupyter Lab...
call conda activate mi_entorno_ml
if %errorlevel% neq 0 (
    echo ERROR: No se pudo activar el entorno 'mi_entorno_ml'.
    pause
    exit /b 1
)

start "" jupyter-lab

exit /b 0

3. Guarda el archivo en tu Escritorio con el nombre Abrir_Mi_Laboratorio.bat.
4. ¡Listo! Ahora, cada vez que hagas doble clic en este archivo, se verificará todo, se actualizará el repositorio y se abrirá Jupyter Lab automáticamente.

Nota para usuarios de macOS/Linux: Este script .bat es solo para Windows. Si usas macOS o Linux, puedes crear un script .sh equivalente con comandos similares (por ejemplo, source activate mi_entorno_ml). O, para mayor simplicidad, ¡siempre puedes usar Google Colab!

Nota importante: Si el script te indica que el entorno mi_entorno_ml no existe, significa que te saltaste un paso. ¡No te preocupes! Simplemente regresa a mi publicación de la semana pasada donde te explico cómo crearlo: ¡Manos a la Obra! Instalando tu Kit de Herramientas de Machine Learning

---

El Mundo que Conocemos: Obtener Datos en Power Query

En Power BI, el proceso para un archivo de texto delimitado es casi idéntico al de un CSV:

1. Abrir Power BI Desktop.
2. Hacer clic en "Obtener datos" y seleccionar "Texto/CSV".
3. Navegar hasta nuestro archivo Geografia.txt (dentro de la carpeta datos que acabamos de clonar) y seleccionarlo.

Al hacerlo, Power BI nos presenta una ventana de previsualización muy útil.

Como vemos en la imagen, aunque Power BI detecta automáticamente el formato, nos da un control total. Podemos cambiar el Origen del archivo (la codificación), el Delimitador (en este caso, detectó correctamente la tabulación) y decidir en cuántas filas se basa la detección del tipo de datos.

Una vez que estamos conformes, hacemos clic en "Transformar datos" y ya tenemos nuestra tabla en el Editor de Power Query.

---

Cruzando el Puente: Leer Datos con Python y Pandas

Ahora, vamos a traducir esa misma acción en nuestro Jupyter Lab. Te recomiendo que crees tu propio notebook desde cero dentro de la carpeta notebooks para que practiques, pero si prefieres ir directo al resultado, he dejado el notebook completo de este capítulo listo para que lo explores.

➡️ Haz clic aquí para ver el notebook completo en GitHub

Paso 1: Importar la Librería Pandas

import pandas as pd

Le damos el alias pd por convención, para no tener que escribir "pandas" cada vez.

Paso 2: Leer el Archivo de Texto (Delimitado por Tabulaciones)

Como nuestro notebook está en la carpeta notebooks, necesitamos "subir un nivel" para encontrar la carpeta datos. Por eso usamos ../ en la ruta.

# Especificamos la ruta al archivo subiendo un nivel ('../')
ruta_archivo = '../datos/Geografia.txt'

# Usamos la función read_csv, especificando que el separador es una tabulación ('\t')
# Esto es clave, ya que le decimos a Pandas cómo están divididas nuestras columnas.
df = pd.read_csv(ruta_archivo, sep='\t')

Pro Tip para datos en español: Si al cargar tus datos ves caracteres extraños en lugar de acentos o la 'ñ', es un problema de codificación. Puedes solucionarlo añadiendo el parámetro encoding, similar a la opción "Origen del archivo" en Power BI. Prueba con encoding='utf-8' o encoding='latin-1'.

df = pd.read_csv(ruta_archivo, sep='\t', encoding='utf-8')

Paso 3: Visualizar los Datos

Para ver las primeras filas de nuestra tabla, similar a la vista previa de Power BI, usamos el método .head().

# Mostramos las primeras 5 filas de nuestro DataFrame
df.head()

¡Y eso es todo! Hemos importado nuestros datos directamente desde la estructura de nuestro proyecto en GitHub.

---

Extra: Validando el Proceso en Google Colab

Para los usuarios de macOS, Linux, o cualquiera que prefiera un entorno en la nube, ¡este mismo proceso funciona a la perfección en Google Colab!

He preparado un notebook público que puedes ejecutar con un solo clic. Este notebook clona los datos directamente desde nuestro repositorio de GitHub y ejecuta los mismos pasos que acabamos de ver, validando que el proceso es 100% reproducible.

➡️ Haz clic aquí para ejecutar el notebook interactivamente en Google Colab

---

Comparación Rápida: ¿Clics vs. Código?

---

Preparándonos para el Cuarto Blog...

Ahora que hemos abierto la puerta y cargado nuestros datos en un DataFrame, el siguiente paso es empezar a explorarlos y limpiarlos.

Si en Power Query tu siguiente clic sería "Quitar columnas", "Filtrar filas" o "Remover valores", en nuestro próximo capítulo te mostraré cómo hacer exactamente esas mismas transformaciones en Pandas. Tomaremos nuestro DataFrame de Geografía y aprenderemos a replicar tres de las operaciones más comunes de Power Query: Seleccionar Columnas, Filtrar por una Región y Cambiar el Nombre de una Columna.

Verás que, una vez más, es solo cuestión de traducir tus conocimientos. ¡Prepárate para la verdadera magia de la limpieza de datos con código! 🚀

¡Ahora te toca a ti! ¿Prefieres la interfaz gráfica de Power Query o la flexibilidad del código de Pandas para conectar a tus datos? ¡Cuéntame por qué en los comentarios!

#MachineLearning #BItoML #Pandas #PowerQuery #Python #DataScience #CienciaDeDatos #Español #Tutorial #GitHub #PowerBI #Tableau #DatosGeograficos #HondurasDatos #DataCleaning