Guía técnica de SQL y Python para analistas de datos

Inicio » Python » Guía técnica de SQL y Python para analistas de datos

Entrar en una entrevista técnica de SQL y Python como aspirante a analista de datos puede resultar bastante intimidante, Sobre todo cuando lees historias de terror sobre pruebas de codificación sorpresa o personas que suspenden por usar un portátil desconocido. Si estás empezando tu carrera en análisis de datos, es totalmente normal que te preocupe no recordar todos los comandos de la regresión logística o la sintaxis exacta de una función de ventana.

La buena noticia es que la mayoría de las empresas no buscan compiladores humanos, sino personas que piensen con claridad a partir de los datos. Sabes escribir código SQL con bastante claridad, te manejas bien con Python básico y Excel, y sabes comunicar resultados. Con una preparación minuciosa, puedes transformar esa ansiedad en confianza y presentarte a la entrevista con una idea clara de qué esperar y cómo responder.

¿Por qué SQL y Python son tan importantes en las entrevistas para analistas de datos?

Para los puestos de análisis de negocios, SQL suele ser la principal herramienta que se examina con lupa durante la entrevista técnica. Porque es el lenguaje que permite extraer, combinar, filtrar y agregar datos directamente del almacén de datos de la empresa. La mayoría de los casos prácticos que se presentan en una entrevista comienzan con: «Aquí tienes una base de datos; escribe consultas para responder a estas preguntas».

Por otro lado, Python suele considerarse una gran ventaja más que un requisito indispensable para los puestos de analista junior. Pero su importancia sigue creciendo. A los reclutadores les encanta Python porque el mismo lenguaje se puede usar para automatización, limpieza de datos, paneles de control, experimentación, prototipos de aprendizaje automático y mucho más. Muchas empresas indican en la descripción del puesto que "Python es un plus", pero luego comprueban discretamente quién sabe usar pandas.

Esta combinación de SQL para la extracción y Python para el análisis no es solo una preferencia técnica, es una elección estratégica, Porque juntos crean un flujo de trabajo sólido y escalable: SQL maneja grandes conjuntos de datos relacionales de manera eficiente, mientras que Python ofrece flexibilidad para estadísticas, visualización, informes e incluso modelado predictivo.

Si demuestras que puedes moverte con fluidez entre estos dos mundos, destacarás inmediatamente. Dado que estás demostrando que puedes pasar de tablas sin procesar en el almacén a información útil en cuadernos, presentaciones o informes automatizados.

Cómo suelen funcionar las entrevistas para analistas de datos técnicos

Las entrevistas técnicas para analistas de datos suelen combinar preguntas conceptuales con ejercicios prácticos. En lugar de ser simplemente un cuestionario de preguntas y respuestas, normalmente se te pide que expliques conceptos (tipos de JOIN, qué es una función de ventana, cómo manejarías los valores faltantes) y luego que resuelvas problemas cortos con SQL o Python en el momento o en una tarea para casa.

Muchos candidatos esperan solo preguntas de alto nivel y se sorprenden cuando tienen que escribir código real. A veces, en un entorno desconocido. Por ejemplo, algunas personas se ponen nerviosas porque tienen que programar en macOS en lugar de Windows, aunque la sintaxis de SQL y Python sea la misma. Lo que realmente cambia es el editor, los atajos de teclado o los comandos de la terminal, no el lenguaje en sí.

Las empresas utilizan estas tareas para validar que las habilidades que figuran en tu CV son reales y que puedes razonar para resolver un problema complejo. No se trata solo de repetir las definiciones de los libros de texto. Les importa cómo estructuras tu consulta, cómo depuras cuando algo falla, si verificas la calidad de los datos y si haces preguntas aclaratorias antes de empezar.

En algunos procesos, el paso más exigente es una prueba para realizar en casa que combina SQL y Excel (u hojas de cálculo), donde es posible que necesites crear tablas de ejemplo para probar consultas, manejar muchos campos de fecha, usar funciones de ventana, uniones, cláusulas WHERE, CTE y luego formatear todo claramente en un documento. Este tipo de ejercicio suele llevar más tiempo del esperado, especialmente si no estás completamente familiarizado con el sector.

El cambio de mentalidad clave consiste en tratar la entrevista como un pequeño proyecto de consultoría en lugar de un examen. donde se trata de comprender la cuestión empresarial, explorar los datos y producir una respuesta clara y bien fundamentada, en lugar de simplemente "aprobar un examen".

Las preguntas sobre SQL a las que probablemente te enfrentarás (y cómo resolverlas con éxito)

En todas las empresas y sectores, las preguntas de SQL para los puestos de analista de datos siguen un patrón bastante predecible, Se trata de pasar del filtrado básico y las uniones a las funciones de agregación, las subconsultas y las funciones de ventana. Si dominas estos conceptos básicos, podrás afrontar la gran mayoría de las tareas de una entrevista.

En los niveles de entrada a intermedio, los entrevistadores rara vez intentan engañarte con rasgos dialectales oscuros, pero esperarán que combines varios conceptos: por ejemplo, unir dos tablas, filtrar por rangos de fechas, agrupar por categoría y agregar una función de ventana para clasificar a los clientes.

Conceptos básicos de SQL que debes dominar a la perfección

Una de las preguntas más clásicas es la diferencia entre DÓNDE y TENER, Porque revela si realmente comprendes cuándo se aplican los filtros en el ciclo de vida de la consulta. WHERE filtra las filas antes de agruparlas; HAVING filtra los grupos después de la agregación.

Otro tema que siempre está de actualidad son los tipos de JOIN y cuándo usar cada uno, Por lo general, se plantean en torno a escenarios empresariales sencillos. Debes ser capaz de explicar las uniones internas, izquierdas, derechas y externas completas, y elegir la más adecuada según la tabla que sea tu fuente principal y que deba conservarse en el resultado.

Las subconsultas también son estándar, especialmente cuando los entrevistadores quieren ver si puedes dividir un problema en pasos. como calcular un promedio por cliente y luego seleccionar solo aquellos que superen un cierto umbral. Es posible que se le pida que escriba una subconsulta en las cláusulas SELECT, FROM o WHERE/HAVING y que explique por qué eligió esa estructura.

Las funciones de ventana son muy populares en las entrevistas con analistas modernos porque permiten realizar clasificaciones y comparaciones entre filas. sin colapsar el conjunto de datos. A menudo se le pedirá que genere totales acumulados, clasificaciones densas o agregados particionados, y que explique en qué se diferencian de la función GROUP BY simple.

Ejemplos de temas de SQL y cómo explicarlos

Imagina que te piden que describas CUÁNDO usarías HAVING en lugar de WHERE, Podrías decir algo como: “WHERE se usa para filtrar filas sin procesar, mientras que HAVING se aplica después de GROUP BY para filtrar grupos ya agregados. Por ejemplo, si quiero departamentos con más de 5 empleados, agruparía por departamento y luego usaría HAVING en COUNT(*) > 5, porque COUNT es una función de agregación que no está disponible en WHERE”.

Para las preguntas de JOIN, los entrevistadores suelen pedir tanto definiciones como uso práctico, Por ejemplo: una unión interna cuando solo te interesan las coincidencias, una unión izquierda cuando quieres conservar todas las entradas de una tabla principal aunque no haya un registro correspondiente en la tabla de búsqueda, etc. Puedes reforzar tu respuesta mencionando que las uniones izquierdas son muy comunes en análisis cuando tienes una tabla de hechos y datos de dimensión opcionales.

Cuando aparecen subconsultas, es útil conectarlas con tareas de análisis reales. Por ejemplo, se trata de obtener todos los clientes cuyo gasto total supere el gasto promedio global por cliente. Se puede describir la creación de una subconsulta que calcule los totales por cliente, luego el promedio de ese conjunto y, finalmente, el filtrado en una consulta externa.

Para las funciones de ventana, céntrese en su capacidad de buscar en filas relacionadas sin colapsarlas, Por ejemplo, para clasificar a los representantes de ventas por ingresos mensuales o para calcular una suma acumulada a lo largo de los días. Es útil destacar la diferencia con GROUP BY, que siempre reduce el número de filas en el conjunto de resultados.

Casos de uso que encantan a los entrevistadores: funciones de ventana, fechas y CTE.

En las entrevistas reales para llevar a casa, las funciones de ventana, el manejo de fechas y las CTE aparecen frecuentemente juntas, especialmente cuando se le pide que calcule métricas a lo largo del tiempo o que identifique a los clientes con mejor desempeño por segmento. Por ejemplo, podría unir una tabla de ventas con una tabla de clientes y luego usar una función de ventana particionada por cliente para calcular el valor de por vida o la fecha de la última compra.

Las fechas están presentes en todas partes en el análisis de datos, por lo que los reclutadores prestan atención a la comodidad que sientes al manejarlas. Esto incluye extraer el día, la semana y el mes, gestionar las zonas horarias (al menos conceptualmente) y filtrar por rangos de tiempo. Un candidato que ignore por completo los matices de las fechas puede provocar errores en los informes sin darse cuenta.

Las expresiones de tabla comunes (CTE) son otro concepto que aparece con frecuencia, A menudo, surgen preguntas como "¿Cómo organizarías una consulta muy compleja?". Una respuesta contundente es que se utilizan CTE para dividir la lógica en bloques legibles y reutilizables, lo que facilita el mantenimiento y la depuración en comparación con si todo estuviera agrupado en subconsultas anidadas.

Cuando practiques para tu entrevista, dedica tiempo real a escribir SQL que encadene estos elementos: uniones, filtros, agrupaciones, funciones de ventana, CTEs y lógica de fechas, Porque así es como luce una consulta empresarial realista, no una simple sentencia SELECT con una sola condición WHERE.

Lo que las empresas con nivel Python realmente esperan en las pruebas técnicas

Para los puestos de analista de datos puros (a diferencia de los de científico de datos o ingeniero de backend), las empresas suelen centrarse en Python práctico para datos, No se trata de crear algoritmos sofisticados desde cero. Quieren ver que puedes leer un archivo CSV, inspeccionar los datos, limpiarlos, reformatearlos con pandas y, tal vez, generar algunas visualizaciones básicas.

Rara vez se espera que memorices la firma de importación exacta de cada modelo de aprendizaje automático. o recordar de memoria la sintaxis completa de una llamada a regresión logística. La mayoría de los entrevistadores entienden que, en la práctica, consultarías documentación o fragmentos de código, siempre y cuando sepas conceptualmente lo que intentas hacer.

Los temas típicos de Python para la pantalla de un analista de datos son el manejo de valores nulos, el filtrado, las operaciones de agrupación, las fusiones/uniones y los cálculos simples, A veces se combinan en un pequeño estuche tipo cuaderno donde se explica el razonamiento paso a paso.

La visualización suele aparecer como un requisito sencillo: ser capaz de producir un gráfico de barras básico o un gráfico de series temporales, No se trata de diseñar paneles de control con una precisión milimétrica. El objetivo principal es comprobar que puedes comunicar tus hallazgos visualmente cuando sea necesario.

Operaciones esenciales de pandas que debes dominar

El manejo de valores faltantes es una habilidad fundamental de pandas que aparece casi siempre, Ya sea como una pregunta directa («¿Cómo manejarías los valores nulos?») o integrada en una tarea práctica. Debes ser capaz de demostrar cómo inspeccionar los datos faltantes, eliminar filas o columnas si es necesario e imputar valores utilizando estrategias sencillas como la media o la mediana.

El filtrado de filas es otra operación que se debe conocer porque refleja la cláusula WHERE en SQL. y es fundamental para casi cualquier análisis. Los entrevistadores pueden pedirle que seleccione filas según un umbral, varias condiciones o la pertenencia a una lista de valores.

Groupby en pandas es el equivalente aproximado de GROUP BY en SQL y se usa a menudo para probar su capacidad de agregación, Por ejemplo, para calcular las ventas totales por categoría, los ingresos promedio por cliente o el número de eventos por día. Es importante no solo conocer la sintaxis, sino también explicar por qué se agrupa por columnas específicas.

La fusión de dataframes es un paralelismo directo con las uniones SQL y es crucial cuando se trabaja con varias tablas. Por ejemplo, al combinar un conjunto de datos de transacciones con una tabla de clientes. Debe sentirse cómodo seleccionando las claves de unión, especificando el tipo de unión y comprobando si hay claves duplicadas o multiplicaciones de filas inesperadas.

Python más allá de pandas: conexiones, estadísticas y visualización

En equipos con mayor madurez técnica, también se espera que sepas cómo conectar Python a bases de datos SQL. De esta forma, puedes ejecutar consultas directamente desde tus scripts y cargar los resultados en pandas. Aquí es donde entran en juego bibliotecas como psycopg2, PyMySQL, pyodbc, sqlite3 o herramientas de nivel superior como SQLAlchemy.

SQLAlchemy, en particular, es popular porque proporciona una forma unificada de comunicarse con diferentes motores SQL. Además, se integra muy bien con pandas: se establece un motor con una URL de conexión y luego se pasa a read_sql_query para obtener un dataframe listo para el análisis.

Una vez que los datos están en Python, las estadísticas básicas suelen ser suficientes para impresionar en las entrevistas a nivel de analista. tales como medias, medianas, correlaciones y razones simples. No es necesario ser un estadístico experto, pero sí sentirse cómodo resumiendo un conjunto de datos y explicando lo que implican esos resúmenes.

La visualización con matplotlib o seaborn generalmente consiste en producir gráficos claros y legibles que respalden su narrativa, Como los histogramas para comprender las distribuciones o los gráficos de líneas para mostrar las tendencias a lo largo del tiempo. La claridad importa mucho más que un diseño sofisticado para las entrevistas.

Por qué combinar SQL y Python es una habilidad tan poderosa

Desde una perspectiva empresarial, el verdadero poder reside en combinar la eficiente capacidad de consulta de SQL con el análisis flexible de Python. En lugar de tratarlos como mundos separados, SQL permite realizar filtrados y agregaciones complejas en la base de datos, mientras que Python permite experimentar, modelar y visualizar.

SQL sigue siendo el estándar de facto para la gestión de datos relacionales por buenas razones. incluyendo una ejecución rápida de consultas en tablas grandes, herramientas maduras y soporte consistente en los principales sistemas como Fundamentos de las transacciones de MySQLPostgreSQL, SQL Server u Oracle. En casi todas las empresas serias, la fuente de información principal reside en algún motor SQL.

Python complementa eso al ser la navaja suiza para todo lo que sucede después de que los datos salen de la base de datos, como limpiar campos desordenados, reformatear tablas, detectar anomalías, crear paneles de control, entrenar modelos de aprendizaje automático o generar informes automatizados.

Cuando demuestras que puedes partir de una pregunta de negocios, escribir SQL para extraer datos relevantes y luego usar Python para profundizar, Te estás posicionando como un analista de alto nivel capaz de controlar una parte completa del ciclo de vida de los datos de principio a fin.

Por eso tantos programas de capacitación y cursos intensivos hacen hincapié en SQL más Python más alguna capa de visualización, porque ese conjunto de herramientas abarca la mayor parte del trabajo que realizan hoy en día los equipos de datos prácticos y orientados al negocio.

Cómo conectar Python a bases de datos SQL en la práctica

Para integrar verdaderamente SQL y Python en tu trabajo, necesitas saber cómo establecer conexiones seguras y confiables entre tus scripts y la base de datos. para que puedas ejecutar consultas mediante programación en lugar de exportar manualmente archivos CSV cada vez.

Hay dos enfoques generales: usar conectores de bajo nivel específicos para cada base de datos o usar una capa de abstracción como SQLAlchemy, que se comunica con esos controladores por usted. Para experimentos rápidos, un conector ligero como sqlite3 puede ser suficiente; para flujos de trabajo de nivel de producción, los equipos suelen elegir SQLAlchemy más un controlador nativo como psycopg2 para PostgreSQL.

Un flujo de trabajo típico con un controlador como psycopg2 implica leer credenciales de variables de entorno, crear un objeto de conexión, abrir un cursor, ejecutar una consulta parametrizada para evitar la inyección SQL, iterar sobre los resultados y, a continuación, confirmar o revertir la transacción según sea necesario antes de cerrar la conexión.

SQLAlchemy simplifica parte de esto al permitirle construir una URL de base de datos, crear un motor con un grupo de conexiones, Luego, se utiliza ese motor para ejecutar consultas mediante objetos de texto o para alimentar directamente a pandas. Este diseño facilita el intercambio de bases de datos o la gestión de múltiples entornos (local, de pruebas y de producción).

Una vez que su patrón de conexión esté establecido, puede automatizar canalizaciones de datos completas: ejecutar una consulta SQL, cargar los resultados en un dataframe, Realizar la limpieza y el análisis, generar un informe o exportar un archivo CSV, y programar la ejecución del script para que se ejecute diaria o semanalmente.

Buenas prácticas para la seguridad y el rendimiento en flujos de trabajo SQL+Python

Siempre que conecte Python a una base de datos de producción, debe pensar detenidamente en la seguridad, Empecemos por cómo almacenas y accedes a las credenciales. Incluir nombres de usuario y contraseñas directamente en los scripts es una pésima práctica; en su lugar, utiliza variables de entorno o un gestor de secretos específico.

La gestión de conexiones es otro aspecto importante: abrir y cerrar una nueva conexión para cada consulta pequeña puede perjudicar el rendimiento, especialmente si ejecuta esas consultas con frecuencia. La agrupación de conexiones, que SQLAlchemy admite de forma nativa, ayuda a reutilizar las conexiones establecidas de manera eficiente.

En lo que respecta al rendimiento, un error común es importar a Python muchos más datos de los que realmente se necesitan. Suponiendo que todo deba hacerse con pandas, en realidad casi siempre es mejor trasladar el filtrado, la agrupación y las agregaciones simples a la base de datos, y transferir solo el subconjunto procesado que sea realmente necesario.

El manejo de errores no es glamuroso pero es crucial, especialmente cuando los scripts se ejecutan sin supervisión. Asegúrese de capturar las excepciones relacionadas con la base de datos, registrar mensajes relevantes y revertir las transacciones si algo sale mal, para no dejar el sistema en un estado inconsistente.

Seguir estas prácticas no solo mantiene su entorno seguro y receptivo, También les indica a los entrevistadores que usted comprende las limitaciones del mundo real, más allá de los ejemplos sencillos que la gente memoriza para las pruebas de programación.

Ejecutar SQL desde Python y convertir los resultados en análisis.

Una vez que tenga una conexión estable, el siguiente paso es hacer que la ejecución de SQL desde Python se sienta natural, para que puedas dejar de pensar en términos de herramientas separadas y empezar a ver un flujo de trabajo integrado.

Con los controladores de nivel inferior, se trabaja con cursores y conjuntos de resultados, iterando fila por fila o recuperando todas las filas a la vez. Con SQLAlchemy o bibliotecas similares, puede ejecutar consultas de texto y obtener objetos de nivel superior que son más fáciles de manipular y depurar.

Sin embargo, en el trabajo de análisis, casi siempre querrá convertir los resultados de la consulta directamente en un DataFrame de pandas. porque esa estructura es ideal para filtrar, fusionar, agregar y, en última instancia, alimentar visualizaciones o modelos.

Un patrón eficaz consiste en tratar SQL como su herramienta de “extracción y agregación gruesa” y pandas como su entorno de “transformación y exploración de grano fino”. Esto permite que cada uno haga aquello para lo que mejor está diseñado. Además, evita que se agote la memoria al intentar manipular tablas sin procesar de gran tamaño directamente en Python.

Por ejemplo, podrías tener una consulta SQL que genere los 20 productos con mayores ingresos y luego importarlos a pandas. para calcular ratios adicionales, comprobar distribuciones o integrar con metadatos de productos de otra fuente antes de presentarlos.

Limpieza, transformación y exploración de datos con pandas

Después de cargar datos desde SQL en un dataframe, su primera prioridad debe ser comprender su calidad y estructura, No se trata de lanzarse inmediatamente a modelos complejos. Esto significa comprobar si hay valores faltantes, filas duplicadas, valores atípicos sospechosos y verificar tipos de datos como fechas y campos numéricos.

Pandas proporciona métodos muy compactos para estas tareas: puede inspeccionar recuentos nulos, eliminar duplicados, y crear nuevas columnas que representen métricas derivadas como márgenes, tasas de crecimiento o indicadores de segmentación. Estas transformaciones son la base del análisis cotidiano.

Cuando necesite incorporar información adicional de otras tablas o archivos, Las operaciones de fusión permiten combinar conjuntos de datos, al igual que las uniones en SQL. Es fundamental saber interpretar la cardinalidad de las claves y elegir correctamente las fusiones internas frente a las izquierdas para evitar errores sutiles.

Funciones estadísticas básicas, a menudo tomadas de numpy o integradas en pandas, Te brindan información rápida: las medias y las medianas revelan tendencias centrales, las correlaciones muestran cómo se mueven las variables juntas y las comprobaciones de cuantiles simples pueden revelar valores extremos que necesitan un análisis más detallado.

Los entrevistadores que te dan un pequeño conjunto de datos en un cuaderno y te dicen "dime qué ves" realmente están poniendo a prueba esta mentalidad exploratoria. No se trata de recordar la ortografía exacta de una función. Explica qué revisas, por qué lo haces y qué podría significar cada observación en términos empresariales.

Del análisis a la comunicación: visualización y elaboración de informes

El trabajo de análisis solo es valioso en la medida en que tengas la capacidad de comunicar lo que has encontrado. Por eso, las habilidades de visualización y elaboración de informes son importantes incluso en las entrevistas técnicas prácticas. Las bibliotecas de gráficos de Python facilitan la creación de diagramas que respalden tu explicación.

Matplotlib y seaborn cubren la mayoría de las necesidades para escenarios de entrevistas: histogramas para distribuciones, Se utilizan gráficos de barras para comparaciones categóricas y gráficos de líneas para series temporales. No es necesario memorizar todos los parámetros, pero sí saber cómo crear un gráfico decente y etiquetar claramente los ejes y los títulos.

En lo que respecta a la generación de informes, muchos casos de uso reales implican la automatización de la producción de archivos CSV o Excel. A veces se programan tareas diarias, semanales o mensuales. Un patrón común consiste en ejecutar una consulta SQL, procesar los resultados con pandas y, a continuación, exportarlos a un archivo con nombre que incluye la fecha y hora, el cual se comparte con las partes interesadas.

La generación de informes automatizados elimina el trabajo manual repetitivo y reduce los errores humanos. Al mismo tiempo, se garantiza que todos vean una definición coherente de las métricas en cada ocasión. En las entrevistas, poder describir cómo se configuraría un sistema de este tipo es una gran ventaja.

Si se añaden visualizaciones a la mezcla, también se pueden imaginar scripts que generen gráficos y los incrusten en presentaciones o paneles de control. Aunque muchos equipos hoy en día utilizan herramientas de BI específicas para la capa de presentación final, la capacidad de entregar datos limpios y bien estructurados simplifica enormemente ese paso final.

Casos reales donde SQL y Python brillan juntos

Las entrevistas técnicas reflejan cada vez más problemas empresariales reales, Por lo tanto, es útil tener a mano ejemplos concretos donde la combinación de SQL y Python te brinde una ventaja práctica. Estos escenarios no solo demuestran tus habilidades técnicas, sino también tu comprensión del valor para el negocio.

Un caso de uso muy común es la generación de informes automatizados: en lugar de extraer manualmente los números de la base de datos, Se programa un script de Python que consulta la base de datos con SQL, agrega los datos, les da formato y guarda o envía el informe final. Esto supone un gran aumento de la productividad en comparación con los flujos de trabajo que solo utilizan hojas de cálculo.

El manejo de grandes volúmenes de datos es otro tema importante, especialmente en empresas con millones de transacciones. En estos casos, SQL se encarga del trabajo pesado (filtrado, agrupación, resumen), mientras que Python gestiona los análisis más complejos sobre el conjunto de datos reducido, como el cálculo de KPI avanzados o la segmentación de clientes.

Cuando una empresa quiere adentrarse en el modelado predictivo, la combinación SQL+Python vuelve a ser protagonista. Se utilizan SQL para preparar tablas de características y Python con bibliotecas como scikit-learn para entrenar modelos de clasificación o regresión. Esto puede incluir la predicción de abandono de clientes, la detección de fraudes o sistemas de recomendación.

En todos estos ejemplos, el patrón es consistente: SQL prepara los datos de manera eficiente donde residen, Python los transforma e interpreta, y el analista se sitúa en el centro, tomando decisiones de diseño y vinculando los resultados técnicos con los objetivos comerciales.

Si llegas a tu entrevista de SQL y Python con una comprensión clara de estos conceptos, expectativas realistas sobre el nivel de código que se te pedirá que escribas y mucha práctica combinando consultas SQL con flujos de trabajo de pandas, Estarás en una posición mucho más ventajosa para demostrar que no solo memorizas la sintaxis, sino que realmente piensas como un profesional de datos que puede aportar valor desde el primer día.