Photo by Kimberly Farmer on Unsplash
Todas las personas pueden aprender a pensar claramente con datos. Más aún, en un mundo donde la evidencia cuantitativa ocupa un lugar cada vez más importante, todas deberían desarrollar esta capacidad.
Con independencia de la formación profesional, saber interpretar, evaluar y comunicar con datos constituye una competencia intelectual y laboral de lo más valiosa.
En este post mantendré una lista de mis libros favoritos en el campo. Cuando me encuentre con alguna novedad que me parezca valiosa, la incluiré aquí con su respectiva reseña.
Los libros están organizados en seis categorías:
- Generales.
- Econometría e inferencia causal.
- Machine learning.
- Estadística bayesiana.
- Programación en R y Python.
- Visualización de datos.
La selección refleja cierto predominio de publicaciones vinculadas con las ciencias sociales. No obstante, las obras recomendadas pueden resultar útiles para cualquier persona interesada en la ciencia de datos y el razonamiento cuantitativo.
A continuación, presento las recomendaciones correspondientes a cada categoría.
Generales
Un libro que recomendaría si solo pudiera elegir uno
Thinking clearly with data sería mi principal recomendación para personas sin formación previa en estadística y para quienes deseen consolidar sus conocimientos. Se trata de una obra de carácter conceptual, sin código y con un uso limitado de la matemática. Los autores explican en prosa los fundamentos necesarios para evaluar y analizar datos con rigor.
El libro ofrece una cobertura amplia y sistemática. Reúne buena parte de los contenidos que suelen distribuirse entre varios cursos de métodos de un programa doctoral en Ciencia Política en Estados Unidos. Puedo afirmarlo desde mi propia experiencia como estudiante de uno de estos programas, en el que la obra me resultó particularmente útil como lectura ligera.
La exposición comienza con el concepto de correlación y avanza progresivamente hacia problemas más complejos de inferencia causal. Más adelante recomendaré otras obras dedicadas específicamente a esta área.
Los data sets se pueden descargar aquí.
Un libro de métodos cuantitativos y programación para las ciencias sociales
Quantitative Social Science es uno de los libros generales de estadística que consulto con mayor frecuencia. Si pudiera traducir una obra al español, elegiría esta.
Los métodos cuantitativos ocupan un lugar central en la formación en ciencias sociales en Estados Unidos. Aunque este énfasis ha generado debates, considero que la atención dedicada a la metodología constituye una de las principales fortalezas de su tradición académica. Este libro ofrece una excelente introducción a los fundamentos de las ciencias sociales cuantitativas tal como suelen enseñarse en ese país.
La obra resulta especialmente recomendable para estudiantes de ciencias sociales, aunque su utilidad se extiende a personas de otras disciplinas. También proporciona una vía accesible para aprender R mediante abundante código reproducible. La primera edición utiliza principalmente R base, mientras que existe otra edición desarrollada con tidyverse.
Su cobertura estadística es amplia e incluye temas menos habituales en los manuales introductorios, como minería de texto, análisis de redes y datos geoespaciales. Aunque la secuencia de algunos capítulos puede parecer poco convencional, el libro mantiene un notable rigor y ofrece numerosos recursos para el aprendizaje y la consulta.
Los data sets y scripts se pueden descargar aquí.
Un libro para quienes comienzan desde cero
Data Analysis for Social Science, de Elena Llaudet y Kosuke Imai, ofrece una introducción más elemental que Quantitative Social Science, la obra de Imai reseñada anteriormente. Su cobertura temática es más acotada porque se dirige específicamente a personas que comienzan a estudiar análisis de datos.
El libro no presupone conocimientos de estadística ni experiencia en programación. Utiliza R y organiza los capítulos de manera progresiva: comienza con contenidos aplicados e intuitivos y avanza hacia conceptos más abstractos y técnicos. Esta estructura facilita el aprendizaje y permite desarrollar gradualmente las habilidades necesarias para trabajar con datos.
Este libro tiene sitio web. El índice y el primer capítulo son de libre acceso, aquí.
Un libro de estadística en español y de libre acceso
Manual para el análisis político cuantitativo está disponible gratuitamente gracias a la Editorial de la Universidad de Costa Rica. Es, además, la única obra en español incluida en esta lista.
El libro proporciona una introducción clara a la estadística inferencial desde la perspectiva del análisis político. En conjunto con Quantitative Social Science, reseñado anteriormente, ofrece material suficiente para estructurar varios cursos de métodos cuantitativos dirigidos a estudiantes de grado.
La segunda edición utiliza R y aborda métodos estadísticos fundamentales, entre ellos la regresión lineal simple, la regresión lineal múltiple y la regresión logística. Por su orientación aplicada y su acceso abierto, constituye un recurso especialmente valioso para estudiantes y docentes de la comunidad hispanohablante.
Este libro se puede descargar aquí.
Un libro de conceptos estadísticos con código en R y Python
Practical Statistics for Data Scientists ofrece una introducción accesible y de lectura fluida a numerosos conceptos estadísticos relevantes para la ciencia de datos. Una de sus principales fortalezas es la amplitud temática: examina una selección considerable de métodos y problemas, aunque algunos se presentan de manera necesariamente sintética.
La obra resulta útil para familiarizarse con una amplia variedad de conceptos. Cada capítulo incorpora referencias bibliográficas adicionales, notas que permiten profundizar en determinados temas, definiciones concisas y advertencias prácticas sobre la aplicación de los métodos.
El libro incluye ejemplos de código tanto en R como en Python, lo que permite comparar implementaciones y trabajar con el lenguaje más adecuado para cada contexto.
Un libro con toda la matemática de las ciencias sociales
A Mathematics Course for Political and Social Research me ha permitido resolver numerosas dudas durante el doctorado. Su principal virtud consiste en reunir, en un solo volumen, buena parte de las herramientas matemáticas empleadas en la investigación social.
La obra parte de la premisa de que las matemáticas desempeñan un papel importante en las ciencias sociales. Esta relación resulta evidente en los enfoques cuantitativos, pero también está presente en tradiciones cualitativas que recurren, de manera explícita o implícita, a conceptos como conjuntos, relaciones y clasificaciones.
Los autores vinculan la exposición matemática con ejemplos concretos de investigaciones que emplean modelación estadística o teoría de juegos. Entre sus fortalezas, destaco el capítulo sobre álgebra matricial, que desarrolla una explicación de la estimación por mínimos cuadrados ordinarios que me resultó más clara que las presentadas en otras obras. El libro también me ayudó a comprender conceptos fundamentales, como el de variable aleatoria, que no siempre reciben un tratamiento suficientemente accesible.
Este libro tiene sitio web.
Econometría e inferencia causal
Un libro clásico para comenzar a estudiar econometría
Introductory Econometrics es una de las mejores obras para estudiar econometría por primera vez. Jeffrey Wooldridge expone conceptos complejos con una claridad poco frecuente, lo que explica la influencia y el reconocimiento que ha alcanzado el libro en la disciplina.
El capítulo dedicado al modelo de regresión simple constituye, en mi opinión, una de las introducciones más claras y rigurosas disponibles sobre el tema. La exposición combina precisión conceptual con ejemplos cuidadosamente desarrollados, lo que facilita la comprensión de los fundamentos antes de avanzar hacia modelos más complejos.
El libro no incluye código, pero ofrece numerosos ejemplos pertinentes y detallados. Sus anexos contienen, además, varias secciones de repaso matemático que resultan especialmente útiles para consolidar los conocimientos necesarios para el estudio de la econometría.
Un libro de econometría para lectores con conocimientos previos
A Guide to Econometrics es una obra valiosa para quienes ya han adquirido cierta familiaridad con la econometría. No obstante, puede producir una impresión inicial desfavorable debido a su organización poco convencional, su diagramación y algunas decisiones de notación matemática.
Por estas razones, no lo recomendaría como material introductorio. Su utilidad se vuelve más evidente después de comprender los principios del modelo de regresión simple y adquirir un dominio básico del lenguaje técnico de la disciplina.
Una de sus principales fortalezas es el énfasis en los supuestos del análisis de regresión. El autor no se limita a presentarlos, sino que examina sistemáticamente las posibles consecuencias de su incumplimiento. También desarrolla una terminología precisa que, aunque puede requerir cierto tiempo de adaptación, resulta particularmente útil para razonar sobre los problemas econométricos.
Es difícil explicar con mayor detalle estas virtudes sin introducir tecnicismos que excederían el propósito de este post. Sin embargo, para lectores con conocimientos previos, el libro constituye una referencia rigurosa y provechosa.
Un libro de modelación estadística en R
Tidy modeling with R es una obra dedicada a la modelación de datos. En este sentido, comparte parte de su objeto de estudio con los libros de econometría reseñados anteriormente, aunque adopta un enfoque diferente.
Mientras que las obras econométricas suelen concentrarse en los fundamentos matemáticos y estadísticos de los modelos, este libro presta especial atención a su implementación mediante código. Su propósito es enseñar a construir, evaluar y organizar modelos estadísticos siguiendo buenas prácticas de programación en R.
Esta orientación constituye una razón importante para incluirlo en la lista. El estudio de la econometría no debería limitarse a comprender la formulación matemática de los modelos. También conviene aprender a implementarlos de manera clara, reproducible y sistemática.
Además, para algunas personas, programar un modelo puede ofrecer una vía de aprendizaje más accesible que comenzar por su desarrollo matemático. La cuidada diagramación del libro y la claridad de sus ejemplos contribuyen a facilitar ese proceso.
Este libro se puede leer completo aquí.
Un libro para analizar relaciones de causa y efecto
Mostly Harmless Econometrics es tal vez la obra que estudié con mayor detenimiento durante el doctorado y una de las que más ha influido en mis intereses de investigación.
El libro presenta una introducción rigurosa a uno de los principales campos de la investigación empírica contemporánea: la inferencia causal.
Inferencia causal
Conviene proporcionar algo de contexto para comprender qué es la inferencia causal.
Cuando analizamos la relación entre dos variables, podemos observar cómo cambia una variable, Y, cuando cambia otra, X. Sin embargo, esta asociación no demuestra por sí sola que X cause Y. Es posible que ambas variables cambien conjuntamente debido a otros factores o que la relación observada responda a un mecanismo diferente.
Distinguir una relación causal de una mera asociación constituye uno de los problemas centrales de la investigación empírica.
Consideremos las posibles complicaciones de mediano plazo asociadas con la infección por Covid-19. Para determinar si la infección causa determinados síntomas posteriores, no basta con comparar a las personas que se infectaron con aquellas que no lo hicieron. Ambos grupos podrían haber sido diferentes desde el inicio. Por ejemplo, quienes contrajeron el virus podrían haber tenido condiciones de salud previas distintas de las de quienes no se infectaron.
Estas diferencias preexistentes son fundamentales para evaluar una posible relación causal.
Los experimentos aleatorizados ofrecen una herramienta especialmente sólida para estudiar relaciones de causa y efecto. En este tipo de diseño, las unidades de estudio se asignan aleatoriamente a un grupo de tratamiento o a un grupo de control. La asignación aleatoria reduce la probabilidad de que existan diferencias sistemáticas entre ambos grupos antes de la intervención.
Los ensayos clínicos ilustran este principio. Un grupo recibe el tratamiento que se desea evaluar y otro recibe una condición de control. Si posteriormente se observan diferencias entre ambos, la asignación aleatoria permite atribuirlas con mayor fundamento al tratamiento y no a características previas de sus participantes.
Ya sea por razones éticas, económicas o de conveniencia, en las ciencias sociales se nos complica bastante llevar a cabo experimentos (mi colega Elías Chavarría Mora me previno con acierto que, pese a todo, en ciencias sociales sí se realizan numerosos experimentos).
Cuando la experimentación no es viable, los investigadores recurren a estrategias de identificación. Estas estrategias permiten estimar efectos causales a partir de ciertos supuestos sobre la naturaleza de los datos, el proceso que los generó y el modelo estadístico utilizado.
La credibilidad de las conclusiones depende, en gran medida, de la plausibilidad de esos supuestos. Algunos pueden evaluarse empíricamente, mientras que otros no pueden comprobarse de manera definitiva. Aun con estas limitaciones, las estrategias de identificación constituyen una herramienta esencial para estudiar relaciones causales en numerosos contextos.
El libro tiene un nivel técnico considerable. Examina varias estrategias de identificación, entre ellas las variables instrumentales, la regresión discontinua y las diferencias en diferencias. Bajo determinadas condiciones, estos métodos permiten estimar el efecto causal de una variable sobre otra cuando no es posible realizar un experimento.
Este libro tiene sitio web. Los data sets se pueden descargar aquí.
Un libro de inferencia causal para el público general
Mastering’metrics es una introducción a la inferencia causal dirigida a un público amplio. Escrita por los mismos autores de Mostly Harmless Econometrics, presenta varias de sus ideas centrales con un menor grado de complejidad técnica y matemática.
La obra explica las principales estrategias de identificación mediante ejemplos accesibles y una exposición orientada a la intuición. Por ello, constituye un punto de partida adecuado para quienes desean comprender cómo se investigan las relaciones de causa y efecto sin adentrarse de inmediato en formulaciones más avanzadas.
Recomiendo leerlo antes de abordar Mostly Harmless Econometrics, especialmente si todavía no se cuenta con una base matemática sólida. Esta secuencia permite familiarizarse primero con la lógica de la inferencia causal y estudiar después su desarrollo técnico con mayor profundidad.
Este libro tiene sitio web.
Un libro que reúne distintas tradiciones de inferencia causal
Causal Inference: The mixtape ofrece una exposición amplia e integradora de la literatura sobre inferencia causal. Scott Cunningham desarrolló inicialmente este material para sus cursos y posteriormente lo convirtió en un libro.
La obra mantiene un diálogo constante con otros textos fundamentales. Retoma sus explicaciones, las amplía y, en algunos casos, desarrolla con mayor detalle conceptos que aquellos presentan brevemente. Por ejemplo, el capítulo dedicado a la regresión se apoya de manera evidente en Introductory Econometrics, de Jeffrey Wooldridge, pero profundiza en aspectos que esa obra trata con rapidez, como la función del intercepto en el modelo.
Describo el libro como integrador porque reúne enfoques procedentes de distintas tradiciones de la inferencia causal. Incluye, por ejemplo, el método de control sintético, ausente en Mostly Harmless Econometrics, y dedica un capítulo a los grafos acíclicos dirigidos, conocidos como DAG, cuya difusión está estrechamente asociada con el trabajo de Judea Pearl.
Esta amplitud permite comparar perspectivas que con frecuencia se estudian por separado y comprender mejor sus puntos de encuentro y sus diferencias.
Un libro que cuenta la causalidad como una historia
The Book of Why no es una obra econométrica ni un manual técnico basado en desarrollos matemáticos. Es un libro de divulgación que reconstruye la evolución de la inferencia causal como campo de conocimiento y presenta sus principales problemas mediante una exposición narrativa y accesible.
Judea Pearl, su autor principal, es una figura central en la literatura sobre causalidad. El libro desarrolla su manera particular de concebir el análisis causal, basada en el uso de grafos acíclicos dirigidos, conocidos como DAG, para representar las relaciones entre variables y razonar con mayor claridad sobre los mecanismos causales.
A lo largo de la obra, Pearl presta especial atención a la computación, los sistemas formales y la inteligencia artificial. Este enfoque difiere de la tradición econométrica porque procede de otra trayectoria disciplinaria: Pearl es computer scientist y sus contribuciones a la inferencia causal se originan en ese campo.
Por su carácter narrativo y su limitada exigencia técnica, el libro constituye una introducción apropiada para quienes desean comprender las principales ideas y controversias de la inferencia causal antes de estudiar sus métodos formales.
Un libro para entender la causalidad mediante gráficos
Causal Inference in Statistics es una excelente introducción a la inferencia causal. Antes de abordar directamente sus principales problemas, los autores presentan un repaso útil de teoría de la probabilidad y de algunos fundamentos de la regresión estadística.
La obra introduce los grafos acíclicos dirigidos, conocidos como DAG. Estos modelos gráficos permiten representar las relaciones causales propuestas entre las variables de interés y constituyen la base del enfoque desarrollado por Judea Pearl y sus colaboradores.
Conviene señalar que esta tradición difiere del enfoque econométrico presentado en libros como Mostly Harmless Econometrics. Mientras que Pearl sitúa los DAG en el centro del razonamiento causal, Angrist y Pischke desarrollan sus estrategias de identificación sin recurrir a este tipo de representación gráfica. Conocer ambas perspectivas permite comprender mejor la diversidad teórica y metodológica del campo.
Machine Learning
Un libro de culto en machine learning
An Introduction to Statistical Learning es una de las obras de referencia para iniciarse en el aprendizaje estadístico y machine learning. Su amplia difusión se explica, en buena medida, por la capacidad de sus autores para presentar ideas complejas mediante explicaciones claras y accesibles.
La edición original utiliza R, mientras que una edición posterior desarrolla los ejemplos en Python. Ambas combinan una presentación editorial muy cuidada con una exposición rigurosa de los fundamentos conceptuales y metodológicos.
El libro aborda una variedad considerable de métodos supervisados y no supervisados e incluye un capítulo dedicado a las redes neuronales. Sus ejemplos se aplican a problemas habituales de la investigación académica y del ámbito profesional, lo que facilita la conexión entre los conceptos y sus aplicaciones.
Para ser más preciso, es una obra de culto.
Este libro se puede descargar aquí.
Un libro avanzado en machine learning
The Elements of Statistical Learning ofrece un tratamiento considerablemente más avanzado y matemático que An Introduction to Statistical Learning. Ambas obras comparten autores y temas, pero se dirigen a públicos con niveles de preparación diferentes.
El libro desarrolla con profundidad los fundamentos estadísticos de numerosos métodos de aprendizaje supervisado y no supervisado. Su exposición es rigurosa y densa, por lo que exige conocimientos sólidos de probabilidad, estadística y álgebra lineal.
Para la mayoría de las personas, no constituye el punto de partida más adecuado para estudiar machine learning. Resulta más provechoso como obra de consulta o como material avanzado después de adquirir una base mediante textos introductorios.
Este libro se puede descargar aquí.
Un libro alternativo en machine learning
A First Course in Machine Learning estudia una selección relativamente acotada de métodos, pero los desarrolla con considerable profundidad. La obra presenta tanto los fundamentos matemáticos necesarios para comprenderlos como los procedimientos requeridos para implementarlos adecuadamente.
Los primeros tres capítulos ofrecen introducciones especialmente útiles a la regresión lineal, la estimación por maximum likelihood y el teorema de Bayes, respectivamente. Cada uno proporciona material suficiente para un estudio detenido de sus conceptos, derivaciones y aplicaciones.
Este enfoque gradual convierte al libro en un recurso apropiado para quienes desean incursionar en machine learning y prepararse antes de avanzar hacia una cobertura más extensa de métodos.
Este libro tiene sitio web.
Estadística bayesiana
Un libro sobre regresión, Bayes y casi todo lo demás
Regression and Other Stories brinda un tratamiento amplio y riguroso del análisis de regresión. Su cobertura incluye probabilidad, estadística inferencial, regresión lineal, modelos lineales generalizados e inferencia causal.
La amplitud del libro permite utilizarlo tanto como material de estudio como obra de consulta. Por esta razón, no he incluido por separado Data Analysis Using Regression and Multilevel/Hierarchical Models, una obra anterior de autores del mismo equipo que también merece reconocimiento.
Una característica distintiva de Regression and Other Stories es la incorporación sistemática de una perspectiva bayesiana. Sus capítulos no se limitan a presentar modelos y procedimientos, sino que también examinan los principios de razonamiento estadístico que orientan su construcción, evaluación e interpretación.
El anexo 10 Quick Tips to Improve Your Regression Modeling sintetiza recomendaciones prácticas de particular utilidad y constituye, por sí solo, una referencia que conviene consultar con frecuencia.
Este libro tiene sitio web.
Un libro para repensar toda la estadística
Statistical Rethinking es una de las obras más completas y originales sobre estadística bayesiana. Califica sobradamente como obra de culto.
Su cuidada edición combina explicaciones conceptuales, abundante código, visualizaciones y DAGs al estilo de Judea Pearl en Causal Inference in Statistics, reseñado arriba. La calidad material del libro también es notable. Compré una copia impresa y durante mucho tiempo dudé incluso en escribir sobre sus páginas.
La obra desarrolla una premisa fundamental: los modelos estadísticos que se enseñan habitualmente no siempre son adecuados para responder las preguntas sustantivas que motivan una investigación. McElreath propone abordar esta dificultad mediante una comprensión más explícita de los supuestos y las decisiones involucradas en la construcción de cada modelo, y mediante más atención al data generating process.
El objetivo no consiste en presentar los modelos como mecanismos automáticos para obtener respuestas, sino en enseñar a razonar con ellos y a reconocer sus limitaciones. El autor ha resumido su perspectiva de esta manera: “If we are very careful and try very hard, we might not completely mislead ourselves”.
Los data sets y scripts se pueden descargar aquí. El autor ha estado publicando material audiovisual sobre este libro en YouTube.
Un libro sobre razonamiento bayesiano aplicado a la investigación cualitativa
Social Inquiry and Bayesian Inference es una obra sobre investigación cualitativa. La incluyo en esta lista porque demuestra cómo el razonamiento formal puede contribuir al rigor de los estudios cualitativos.
La incorporación de herramientas bayesianas a este tipo de investigación ha atravesado un proceso complejo y controvertido. Entre 2014 y 2016, mientras preparaba mi tesis de maestría, comencé a estudiar diseños que combinaban metodologías de estudio de caso con el teorema de Bayes. Incorporé algunos de esos principios en mi investigación. Aunque conservo un vínculo personal importante con aquel trabajo, que escribí a una edad temprana, siempre consideré que su desarrollo metodológico tenía un carácter muy provisional.
En ese momento existían apenas algunos working papers dedicados a la idea del “estudio de caso bayesiano”. Uno de ellos había sido escrito por Tasha Fairfield y Andrew E. Charman, quienes posteriormente desarrollaron esta propuesta con amplitud y rigor en Social Inquiry and Bayesian Inference.
El libro constituye una contribución importante a la metodología cualitativa porque ofrece un marco sistemático para evaluar evidencia, comparar explicaciones y actualizar inferencias a medida que se incorpora nueva información. La obra confirma la vigencia del estudio de caso y muestra cómo puede fortalecerse con una visión bayesiana.
Programación
Un libro de R para personas sin experiencia previa
Hands-On Programming with R es el manual que suelo recomendar a quienes desean comenzar a programar en R. No presupone experiencia previa y explica conceptos especializados mediante un lenguaje claro y accesible.
La programación requiere familiarizarse con términos como objetos, funciones, argumentos, vectores, listas, matrices, pipes, etc. El libro introduce este vocabulario de manera gradual y lo vincula con ejercicios prácticos que permiten comprender cómo funciona R.
Su principal fortaleza radica en que no se limita a enseñar instrucciones aisladas. También ayuda a desarrollar una comprensión básica de la lógica de la programación y de la relación entre sus distintos componentes. Por ello, constituye un punto de partida adecuado para personas dispuestas a experimentar con R por primera vez.
Este libro se puede leer completo aquí.
Un libro de programación en R orientado a la ciencia de datos
R for Data Science fue el primer libro que utilicé para aprender a programar en R. Si tuviera que comenzar nuevamente, volvería a elegirlo, aunque lo complementaría con Hands-On Programming with R, reseñado anteriormente.
La obra no presenta una introducción general a la programación en R, sino una introducción específicamente orientada a la ciencia de datos. Esta distinción es importante. El libro organiza el aprendizaje alrededor de las principales etapas de un proyecto de análisis: importar, ordenar, transformar, visualizar, modelar y comunicar datos.
Una de sus mayores fortalezas es la integración de estas tareas en un flujo de trabajo coherente y reproducible. En lugar de estudiar funciones de manera aislada, el lector aprende a utilizarlas para resolver problemas habituales del análisis de datos.
Hadley Wickham, uno de sus autores, es una figura central en la comunidad de R y ha desarrollado numerosas herramientas utilizadas diariamente por investigadores, analistas y profesionales de la ciencia de datos.
Este libro se puede leer completo aquí.
Un libro para profundizar en la programación con R
Advanced R, de Hadley Wickham, está dirigido a personas interesadas en comprender con mayor profundidad el funcionamiento del lenguaje y perfeccionar sus habilidades de programación.
La obra examina temas avanzados como estructuras de datos, funciones, environments, programación funcional, programación orientada a objetos y metaprogramación. Su propósito no es enseñar únicamente a utilizar R, sino explicar los principios que determinan cómo el lenguaje evalúa y ejecuta el código.
El libro puede resultar considerablemente difícil para principiantes. Abordarlo demasiado pronto podría generar la impresión equivocada de que aprender a programar es una tarea inaccesible. Conviene estudiarlo de manera gradual o utilizarlo inicialmente como obra de consulta para resolver dudas específicas.
A medida que se adquiere experiencia, Advanced R se convierte en un recurso valioso para escribir código más claro, comprender comportamientos inesperados y desarrollar soluciones más sofisticadas.
Este libro se puede leer completo aquí.
Un libro de programación en Python orientado a la ciencia de datos
Python for Data Analysis constituye, en el ecosistema de Python, una referencia comparable con R for Data Science. Es una excelente introducción a la programación en Python aplicada al análisis de datos.
La obra se concentra en herramientas ampliamente utilizadas, como pandas, NumPy y Jupyter. A través de ejemplos prácticos, explica cómo importar, limpiar, transformar, combinar y analizar conjuntos de datos.
Su autor, Wes McKinney, creó pandas, una de las principales bibliotecas de análisis de datos en Python. Esta experiencia se refleja en la claridad con que explica sus estructuras fundamentales y las decisiones que orientan su uso.
El libro resulta especialmente útil para quienes desean aprender Python a partir de problemas concretos de análisis, en lugar de comenzar con una introducción general al lenguaje.
Este libro se puede leer completo aquí.
Visualización de datos
Un libro para aprender a visualizar antes de comenzar a programar
Fundamentals of Data Visualization se distingue por abordar la visualización de datos sin incluir código. Su propósito no es enseñar a utilizar una herramienta específica, sino desarrollar los criterios necesarios para diseñar gráficos claros, informativos y adecuados para cada problema.
La obra examina una amplia variedad de temas, entre ellos los sistemas de coordenadas, las escalas de color, la organización mediante paneles, el equilibrio visual y la representación de cantidades, distribuciones y proporciones.
La ausencia de código responde a una decisión pedagógica deliberada. Wilke procura evitar que los detalles de implementación distraigan de las preguntas fundamentales: qué información debe comunicar una visualización, qué forma gráfica resulta más apropiada y por qué determinadas decisiones de diseño facilitan o dificultan su interpretación.
Este enfoque convierte el libro en una referencia útil con independencia del lenguaje o el programa utilizado para crear gráficos. Antes de escribir código, invita a razonar cuidadosamente sobre la estructura y el propósito de la visualización.
Este libro se puede leer completo aquí.
Referencia sugerida
APA
Alvarado-Mena, E. (2026, 28 de julio). Libros para aprender a razonar y comunicar con datos. AlvaradoCSS. https://www.alvaradocss.com/posts/libros-para-razonar-y-comunicar-con-datos/
Chicago
Alvarado-Mena, Edwin. “Libros para aprender a razonar y comunicar con datos.” AlvaradoCSS. Publicado originalmente el 10 de marzo de 2025; última modificación el 28 de julio de 2026. https://www.alvaradocss.com/posts/libros-para-razonar-y-comunicar-con-datos/.
Bonus track
Programando y visualizando datos en R por primera vez
