Elegir horarios de apertura a partir de datos es un proyecto práctico de pandas y Matplotlib para quienes ya saben leer, filtrar y agrupar datos. Ayuda a un centro comunitario a comparar sus franjas de apertura de forma justa y entrega análisis reutilizables en Python, tablas CSV completas, un gráfico real y una recomendación condicionada por la evidencia disponible.
Dos laboratorios guiados avanzan desde un ejemplo calculado a mano con iguales oportunidades hasta las observaciones faltantes, las tasas comparables y una regla explícita de evidencia. Un desafío independiente traslada los mismos métodos a otro centro. Cada unidad comienza con sus propios datos y espacio de trabajo preparados.
Lo que aprenderás
Al completar este curso, podrás:
- relacionar un plan de apertura con las observaciones mediante claves completas y únicas de fecha y franja;
- distinguir horas cerradas, registros faltantes y ceros reales de visitantes;
- calcular horas previstas, horas observadas, cobertura de registro y visitantes por hora observada;
- aplicar límites públicos de elegibilidad, conservar todos los empates y aplazar la recomendación cuando la evidencia sea insuficiente;
- entregar tablas CSV reproducibles y gráficos de totales frente a tasas, con recuentos de observaciones y cobertura visibles;
- explicar por qué las tasas históricas descriptivas no establecen el efecto de ampliar el horario.
A quién va dirigido este curso
Este curso está dirigido a analistas principiantes que quieren convertir herramientas conocidas de agrupación y gráficos en una decisión práctica cuidadosa.
Requisitos previos: Python básico, entrada de comandos en terminal, lectura de CSV, filtrado y agrupación con pandas, y gráficos de barras con Matplotlib. El curso enseña la combinación mediante claves compuestas, las distinciones de datos faltantes y las reglas de decisión necesarias.
Entorno de aprendizaje: Un WebIDE preparado en el navegador con Python, pandas y Matplotlib. Los datos son sintéticos y las etiquetas y salidas del entorno están en inglés. No necesitas instalar nada localmente.
Preguntas frecuentes
¿Necesito aprendizaje automático o estadística?
No. Harás una comparación descriptiva, sin entrenar un modelo ni realizar una prueba de significación.
¿El resultado debe recomendar una única franja ganadora?
No. Los resultados correctos conservan todos los empates y pueden aplazar la recomendación si ninguna franja cumple la regla de evidencia indicada. Los umbrales son reglas del ejercicio, no garantías universales de confianza.
¿Qué conservaré?
Scripts reutilizables, tablas completas por hora y franja, un gráfico PNG real y un breve consejo, preservando los datos originales. Cada unidad se inicializa de forma independiente; no necesita archivos de una VM anterior.
