pypro.mx

Instalación de herramientas necesarias

Todo el curso corre con cinco bibliotecas sobre Python: NumPy para arreglos numéricos, pandas para tablas, matplotlib y seaborn para gráficas, y scikit-learn para los modelos. A eso se suma Jupyter para trabajar con notebooks. La meta de esta lectura es que, al terminar, un solo script confirme que todo está instalado en el lugar correcto. Los datos de los clientes de PyShop se generan con código, así que no hace falta descargar ningún archivo.

Versiones probadas

Todos los ejemplos, notebooks y videos del curso se ejecutaron con esta combinación:

Python 3.13 (scikit-learn 1.8, pandas 3.0 y NumPy 2.4 piden Python 3.11 o superior).
NumPy 2.4.6 y pandas 3.0.3.
matplotlib 3.10.9 y seaborn 0.13.2.
scikit-learn 1.8.0.

Versiones algo más nuevas suelen funcionar igual. Si una cifra no coincide con la del curso, lo primero es comparar versiones. Un detalle de pandas 3.0: las columnas de texto ya no aparecen como object en info(), sino como str.

Paso 1: un entorno virtual por proyecto

Un entorno virtual es una carpeta con su propio intérprete y sus propios paquetes. Separa las bibliotecas de este curso de las de otros proyectos y del Python del sistema. Se crea con el módulo venv, que viene con Python:

python -m venv .venv

# Windows (PowerShell)
.venv\Scripts\activate

# macOS y Linux
source .venv/bin/activate

Con el entorno activo, el prompt de la terminal muestra (.venv). Cada vez que abras una terminal nueva hay que volver a activarlo.

Paso 2: instalar las bibliotecas

Con el entorno activo, una sola línea instala todo:

python -m pip install numpy pandas matplotlib seaborn scikit-learn jupyter

Se escribe python -m pip en lugar de pip a secas para que el instalador sea el del mismo intérprete que luego ejecutará el código. El paquete se llama scikit-learn al instalarlo, pero se importa como sklearn. Para reproducir exactamente las versiones del curso se pueden fijar: scikit-learn==1.8.0, pandas==3.0.3, y así con las demás.

Alternativa: uv

uv es un gestor de paquetes y entornos escrito en Rust, mucho más rápido que pip. Hace lo mismo en dos comandos:

uv venv --python 3.13
uv pip install numpy pandas matplotlib seaborn scikit-learn jupyter

uv venv crea el entorno en .venv dentro de la carpeta actual y, si esa versión de Python no está instalada, la descarga. uv pip install encuentra solo ese .venv (o el entorno activo), así que no hace falta activarlo para instalar; sí para ejecutar python o jupyter desde la terminal. Es opcional: venv y pip bastan para todo el curso.

Paso 3: verificar la instalación

Guarda esto como verificar.py y ejecútalo con python verificar.py, o pégalo en la primera celda de un notebook:

import sys
import numpy, pandas, matplotlib, seaborn, sklearn

print(sys.executable)
print("Python", sys.version.split()[0])
for modulo in (numpy, pandas, matplotlib, seaborn, sklearn):
    print(f"{modulo.__name__:12} {modulo.__version__}")

La salida en el entorno del curso es:

C:\...\ml-pyshop\.venv\Scripts\python.exe
Python 3.13.14
numpy        2.4.6
pandas       3.0.3
matplotlib   3.10.9
seaborn      0.13.2
sklearn      1.8.0

La primera línea es la más importante: la ruta de sys.executable debe apuntar a la carpeta .venv del proyecto. Si apunta a otro lado, el código está corriendo en un Python distinto del que recibió los paquetes.

Paso 4: Jupyter o VS Code

Los notebooks del curso (.ipynb) se abren de dos formas:

JupyterLab en el navegador: con el entorno activo, jupyter lab abre una pestaña en el navegador con el explorador de archivos.
VS Code: con las extensiones de Python y Jupyter, al abrir un .ipynb se elige el kernel en la esquina superior derecha. Hay que seleccionar el intérprete de .venv.

En ambos casos, las gráficas de matplotlib y seaborn aparecen debajo de la celda que las dibuja.

Trampas comunes

pip de otro Python. En equipos con varias versiones, pip install puede instalar en un intérprete y python ejecutar otro. El síntoma es ModuleNotFoundError justo después de instalar. Se evita con python -m pip y el entorno activo.
Kernel equivocado en el notebook. El notebook usa el kernel que tenga seleccionado, no el entorno de la terminal. Si sys.executable en una celda no muestra la ruta de .venv, cambia el kernel.
import scikit-learn. Falla con error de sintaxis: el módulo se llama sklearn.
Python demasiado viejo. Con Python 3.10, pip instala versiones antiguas de scikit-learn y pandas, y algunos resultados cambian. Usa 3.11 o superior.
Olvidar activar el entorno. Al abrir una terminal nueva, (.venv) no aparece hasta ejecutar el script de activación.

Cierre

Si verificar.py imprime la ruta de .venv y las cinco versiones, el entorno está listo. La siguiente lección, «Ejercicio práctico: primer script en Python», usa esta misma instalación para generar los clientes de PyShop, separar entrenamiento y prueba, y entrenar el primer modelo.