Jupyter Notebooks: guía para analistas

Un Jupyter Notebook es un documento interactivo donde escribes código Python en bloques pequeños, ejecutas cada bloque por separado y ves el resultado (una tabla, un gráfico, un número) justo debajo. Para un analista, es la forma más práctica de explorar datos paso a paso, dejar notas al lado del código y compartir un análisis completo que otra persona puede repetir.

Qué es realmente un Jupyter Notebook

Un notebook es un archivo con extensión .ipynb. Por dentro está organizado en celdas, y hay dos tipos principales:

• Celdas de código: contienen Python (u otro lenguaje) y se ejecutan con Shift + Enter. El resultado aparece justo debajo.
• Celdas Markdown: contienen texto con formato, como títulos, viñetas, enlaces y explicaciones. Son las que convierten tu análisis en algo que tu jefe puede leer.

Detrás del notebook corre un kernel, un proceso de Python activo que recuerda cada variable que creas. Si cargas un archivo de ventas en la celda 2, los datos se quedan en memoria y la celda 10 puede usarlos sin volver a cargarlos. Esa memoria hace que los notebooks sean rapidísimos para explorar, pero también es la causa de los errores más comunes de principiante, que veremos más adelante.

Si vienes de Excel, piensa en un notebook como un libro de trabajo donde cada paso de tu lógica queda escrito en orden, en lugar de esconderse dentro de fórmulas. Si Python es nuevo para ti, empieza por nuestra guía Python para análisis de datos: por dónde empezar.

Formas de usar Jupyter (y cuál elegir)

Tienes varias opciones y ninguna es incorrecta. La mejor depende de si puedes instalar programas en tu computadora y de si necesitas compartir tu trabajo.

Para una instalación personal, lo más sencillo es instalar Python, abrir una terminal y ejecutar pip install jupyterlab pandas matplotlib openpyxl y luego jupyter lab. Se abrirá una pestaña del navegador con la interfaz de JupyterLab.

Tu primer notebook de análisis, paso a paso

Veamos un flujo realista: cargar la exportación semanal de ventas, revisarla, resumirla por tienda y graficarla. Cada paso numerado equivale a una o dos celdas.

1. Agrega una celda de título. Haz que la primera celda sea Markdown y escribe qué hace el notebook, de dónde vienen los datos y la fecha. Tu yo del futuro te lo va a agradecer.
2. Importa las librerías y carga los datos.

import pandas as pd
import matplotlib.pyplot as plt

sales = pd.read_csv("data/weekly_sales.csv", parse_dates=["date"])
sales.head()

3. Revisa antes de analizar. Verifica columnas, tipos de datos y valores vacíos.

sales.info()
sales.isna().sum()

4. Resume. Agrupa los ingresos por tienda, igual que en una tabla dinámica.

by_store = (
    sales.groupby("store", as_index=False)["revenue"]
         .sum()
         .sort_values("revenue", ascending=False)
)
by_store

5. Visualiza. Un gráfico de barras horizontales se lee mejor cuando los nombres de las tiendas son largos.

ax = by_store.plot.barh(x="store", y="revenue", legend=False)
ax.invert_yaxis()
ax.set_title("Revenue by store")
plt.tight_layout()

6. Exporta el resultado para que tus compañeros que no usan Python puedan aprovecharlo: by_store.to_excel("output/revenue_by_store.xlsx", index=False).
7. Escribe una conclusión breve en una última celda Markdown: qué encontraste y qué debería pasar después.

El patrón groupby de arriba es el equivalente en pandas de una tabla dinámica. Nuestro tutorial de pandas para usuarios de Excel profundiza en filtros, combinaciones de tablas y cambios de forma.

Hábitos que mantienen tus notebooks confiables

Respeta el orden de ejecución

Como el kernel recuerda todo, puedes ejecutar celdas fuera de orden o borrar la celda que creó una variable, y esa variable sigue existiendo. El notebook parece funcionar, pero fallaría para cualquiera que lo abra desde cero. Antes de compartir, usa Kernel > Restart Kernel and Run All Cells. Si corre de principio a fin sin errores, puedes confiar en él.

No toques los datos originales

Nunca sobrescribas el archivo fuente. Cárgalo, transfórmalo en memoria y guarda los resultados en una carpeta aparte, por ejemplo output. Así siempre podrás repetir todo el análisis desde la exportación original.

Un notebook, una pregunta

Un notebook que intenta responder diez preguntas termina con 200 celdas y nadie lo lee. Divide la exploración en notebooks separados con nombres claros, como 01_clean_data.ipynb y 02_store_analysis.ipynb.

Convierte el código repetido en funciones

Si copias y pegas el mismo código de limpieza tres veces, conviértelo en una función en una celda al inicio o en un pequeño archivo .py que importas. Ese también es el primer paso hacia reportes totalmente automatizados.

Aprende cinco atajos

En JupyterLab, presiona Esc para el modo de comandos y luego A o B para agregar una celda arriba o abajo, M para pasarla a Markdown, Y para volverla a código y D, D para borrarla. En VS Code los atajos pueden variar un poco, así que revisa su menú de ayuda.

Elimina contraseñas y datos personales

Los archivos de notebook guardan los resultados, incluida cualquier tabla que mostraste. Antes de compartirlos o subirlos a un repositorio, usa Edit > Clear Outputs of All Cells si contienen nombres de clientes, correos o contraseñas, y nunca escribas credenciales directamente en una celda.

Cómo compartir notebooks con personas no técnicas

La mayoría de los gerentes no va a instalar Python para leer tu trabajo. Tienes varias buenas alternativas:

• Exporta a HTML o PDF. En JupyterLab, usa File > Save and Export Notebook As. El HTML conserva tablas y gráficos y abre en cualquier navegador. Exportar a PDF puede requerir software adicional según tu instalación.
• Oculta el código. Un comando como jupyter nbconvert --to html --no-input analysis.ipynb genera un reporte limpio solo con texto y resultados.
• Exporta las tablas finales a Excel para que la gente trabaje en una herramienta que ya conoce.
• Conviértelo en una app. Si los usuarios necesitan cambiar filtros por su cuenta, el notebook no es el formato final adecuado. Lleva la lógica a una pequeña app web, como explicamos en Crea dashboards web con Streamlit.

Cuándo usar un notebook y cuándo no

Los notebooks brillan en la exploración, los análisis puntuales, las pruebas de limpieza de datos, la enseñanza y la documentación de cómo llegaste a una conclusión. Son más débiles para código que debe correr todos los días sin supervisión, para proyectos grandes con muchos programadores y para dashboards finales que usan muchas personas.

Un flujo de trabajo común y saludable es este: exploras en un notebook, encuentras la lógica que funciona y luego la pasas a un script de Python normal que corre de forma programada. Nuestra guía para automatizar reportes de Excel con Python muestra justamente ese segundo paso.

Próximos pasos

Instala JupyterLab o abre Google Colab, toma cualquier exportación CSV que ya uses en el trabajo (quitando las columnas sensibles) y reconstruye uno de tus resúmenes habituales de Excel en un notebook siguiendo los seis pasos de arriba. Cuando corra sin errores con Restart and Run All, tendrás un análisis reutilizable. Desde ahí, aprende a fondo lo básico de pandas y luego intenta convertir tu notebook en un reporte programado o en un pequeño dashboard con Streamlit.

Mira: lecciones en video

▶

Preguntas frecuentes