Loading
Lesson 1 of 21· Introducción: por qué Polars
Si ya trabajas con datos en Python, conoces a pandas: es la herramienta con la que probablemente limpias, transformas y analizas tus datasets cada día. Pandas es fantástico y no se va a ninguna parte. Pero seguro te has topado con su otra cara: un groupby que tarda una eternidad, un proceso que consume toda la RAM hasta que el kernel muere, o un script que funciona con 100.000 filas y se arrastra con 10 millones.
Ahí es donde entra Polars: una librería de DataFrames escrita en Rust, diseñada desde cero para ser rápida, paralela y eficiente en memoria. No es un parche sobre pandas; es un motor distinto que aprovecha todos los núcleos de tu CPU, optimiza tus consultas antes de ejecutarlas y procesa los datos por columnas. En la práctica, eso suele traducirse en pipelines varias veces más rápidos y capaces de manejar volúmenes que a pandas le costarían.
En este curso aprenderás a pensar y trabajar en Polars, y a decidir con criterio cuándo te conviene frente a pandas (o a DuckDB).
Para analistas de datos que ya usan pandas y quieren procesar datos más rápido sin renunciar a la comodidad de un DataFrame. Damos por sentado que sabes lo básico de pandas (DataFrame, Series, groupby, merge) —el nivel del curso DA-201: Pandas—. No vas a partir de cero: vas a traducir y mejorar lo que ya sabes. Constantemente contrastaremos «esto en pandas se hacía así... y en Polars así, y por esto es mejor».
Este no es un curso de teoría. Casi cada lección es un notebook ejecutable donde escribes código real de Polars, lo corres y ves el resultado al instante. Generamos datasets pequeños en memoria (sin descargas ni archivos externos), así que puedes experimentar, cambiar parámetros y medir el rendimiento por ti mismo. Trabajarás en el entorno data_advanced, que ya trae Polars, DuckDB y PyArrow listos para usar.
A lo largo del recorrido pasarás de los fundamentos a un pipeline completo:
El curso se organiza en cinco módulos que avanzan de lo fundamental a lo aplicado:
| Módulo | Qué te llevas |
|---|---|
| 1. Introducción | Por qué existe Polars y dónde pandas se queda corto |
| 2. DataFrame y expresiones | El modelo columnar y la API de expresiones, el núcleo de todo |
| 3. Lazy vs Eager | Construir planes de consulta que el motor optimiza por ti |
| 4. Agregaciones y joins | group_by, ventanas, joins y reshaping a gran escala |
| 5. Rendimiento y migración | Medir, comparar y decidir cuándo migrar de pandas |
No necesitas instalar nada: todo corre en el navegador. Solo trae tu experiencia con pandas y curiosidad por hacer las cosas más rápido. En la siguiente lección veremos el problema concreto: en qué situaciones pandas se queda corto y por qué vale la pena aprender una herramienta nueva.
¡Empecemos! 🐻❄️
Free