Ideas clave
Usa SQL para convertir una pregunta en una historia que los datos puedan respaldar.
Empieza por la curiosidad. Anthony DeBarros aprendió SQL mientras cubría la lista semanal de libros más vendidos de USA Today. Buscar en los datos de ventas, autores y géneros le ayudó a detectar patrones, desde las ventas estacionales de libros de cocina hasta el impulso que Oprah Winfrey dio a los escritores que destacaba. El objetivo no es acumular comandos ingeniosos. Es plantear una pregunta, consultar las pruebas y averiguar qué pueden respaldar los registros.
Las historias empiezan en las tablas. SQL, o lenguaje de consulta estructurada, permite recuperar, modificar y organizar datos en bases de datos. A diferencia de una hoja de cálculo, limitada a poco más de un millón de filas por hoja, una base de datos puede manejar conjuntos más grandes y tablas relacionadas. Aun así, el trabajo empieza con una pregunta humana. SQL ofrece a esa curiosidad un método preciso y reproducible para investigar.
Lo distintivo es el instinto periodístico del libro: una consulta no es una mera operación técnica, sino una pregunta de investigación que puede ponerse a prueba. Ese enfoque vincula el análisis de datos con el periodismo de investigación, donde un patrón prometedor es una pista, no todavía una conclusión. Los ejemplos de los libros más vendidos lo ilustran muy bien, porque las listas de ventas pueden revelar cambios culturales y, al mismo tiempo, tentar a los analistas a sobreinterpretar una sola semana. Una disciplina útil consiste en separar la observación de su explicación: primero se establece qué cambió y luego se buscan pruebas de por qué. SQL puede hacer que una afirmación sea verificable, pero no puede hacer que una pregunta débil sea importante.
Elige tablas, claves y tipos de datos que mantengan fiel cada valor.
Dale a los datos un lugar adecuado. Una base de datos relacional guarda distintos tipos de elementos en tablas separadas y los conecta mediante claves. En el ejemplo escolar, las matrículas van en una tabla, los datos de los estudiantes en otra, y un número de identificación estudiantil las vincula. Así se evita repetir el nombre y la fecha de nacimiento de cada estudiante cada vez que se matricula en una asignatura, lo que reduce tanto el desorden como el riesgo de hacer cambios incoherentes.
Los tipos transmiten significado. Guarda las fechas como fechas, el dinero como decimales exactos y los identificadores como texto cuando su formato importe. Por ejemplo, los códigos FIPS del censo pueden empezar por cero, que un tipo entero eliminaría. Los números de coma flotante también pueden introducir pequeños errores de cálculo, por lo que no son la opción predeterminada más adecuada para operaciones financieras exactas.
Diseñar un esquema es una forma de razonamiento preventivo. Un tipo o una clave bien elegidos evitan clases enteras de errores posteriores, del mismo modo que un instrumento de medición limita lo que se puede registrar. La contrapartida es que un esquema también puede codificar suposiciones equivocadas: una longitud fija para los nombres, por ejemplo, podría no servir para un caso poco común pero válido. Por eso, un buen diseño combina reglas explícitas con conocimiento de cómo se generan los datos. Es especialmente útil la distinción del libro entre un número y un código: un valor que parece numérico puede funcionar únicamente como etiqueta.
Explora los datos antes de dejar que respondan a tu pregunta.
Investiga antes de concluir. DeBarros llama «exploración de los datos» al análisis inicial: usar consultas para averiguar qué contienen los registros, cuán completos están y si los valores se comportan como cabría esperar. Empieza seleccionando columnas, ordenando, filtrando, consultando valores distintos y contando. Después, revisa los rangos y los valores ausentes. Estas comprobaciones sencillas pueden revelar errores ortográficos, fechas extrañas, registros duplicados y campos cuyo significado no es el que su nombre sugiere.
La documentación importa. En la encuesta de bibliotecas, los recuentos negativos de visitas eran códigos que indicaban falta de respuesta o que la institución estaba cerrada, no visitas negativas reales. Sumarlos sin consultar la documentación de la encuesta distorsionaría el total. El recuento de filas también puede confirmar que una importación se hizo correctamente: la tabla de condados de 2019 debería contener 3.142 registros.
Esta práctica se parece al análisis exploratorio de datos, en el que la primera tarea consiste en entender las distribuciones y los posibles fallos de medición antes de ajustar un modelo. También tiene una dimensión de gobernanza: los valores ausentes y los códigos inusuales son decisiones tomadas por personas o sistemas, no simples rarezas de una base de datos. En estadística, que un dato esté ausente puede depender del valor que falta, lo cual significa que eliminar los registros incompletos puede sesgar los resultados. El consejo del libro de averiguar qué significa un código va más allá de limitarse a señalar anomalías. Un valor sorprendente puede ser un error, una convención o el dato más interesante del conjunto.
Une registros con claves válidas y luego resume al nivel adecuado.
Vuelve a reunir los datos separados. Una unión JOIN combina filas relacionadas mediante valores de clave coincidentes. Separar los datos de los empleados de los del departamento evita repetir el nombre y la ubicación de cada departamento por cada trabajador, mientras que una clave foránea ayuda a impedir referencias a departamentos inexistentes. Las distintas uniones responden a preguntas diferentes: una unión interna conserva las coincidencias, una unión izquierda preserva todas las filas del lado izquierdo y una unión externa completa conserva las filas sin correspondencia de ambos lados.
Comprueba la granularidad. Las tablas de población del censo de 2010 y 2019 pueden compararse uniéndolas por los códigos FIPS del estado y del condado. Esos dos códigos identifican conjuntamente un condado. Si la unión usa una clave incompleta, el resultado puede duplicar registros o emparejarlos de manera incorrecta. Revisar las filas sin correspondencia es una forma útil de detectar entidades que han cambiado o lagunas entre conjuntos de datos.
El principal riesgo técnico de una unión no está en la sintaxis, sino en la granularidad: qué representa una fila antes y después de combinar tablas. Una relación de uno a varios puede multiplicar las filas y hacer que una suma parezca mayor, aunque cada registro individual sea correcto. Por eso, la elección de claves y el recuento de filas forman parte del análisis, no solo de la administración de bases de datos. La estructura relacional ofrece una forma potente de combinar pruebas, pero también facilita las duplicaciones inadvertidas. Verificar cuántos registros coinciden y por qué los demás no lo hacen es una protección básica frente a resultados absurdos que parecen plausibles.
Compara tasas y medianas, no solo recuentos brutos y promedios.
Elige una comparación justa. Un estado grande suele tener más nacimientos que uno pequeño simplemente porque tiene más habitantes. Una tasa, como los nacimientos por cada 1.000 mujeres de un grupo de edad pertinente, permite comparaciones más significativas. El libro ilustra la misma idea con los negocios relacionados con el turismo por cada 1.000 residentes: así se identifican lugares donde la actividad comercial es alta en relación con la población, en vez de limitarse a los que tienen un total elevado por ser grandes.
Fíjate en la distribución. En las estimaciones de los condados de 2019, la población media era de 104.468 habitantes, pero la mediana era de solo 25.726. Unos pocos condados enormes, incluido el condado de Los Angeles, elevan el promedio. La mediana, el punto medio de los valores ordenados, describe mejor un condado típico en este conjunto sesgado.
Las tasas y las medianas abordan dos distorsiones diferentes: los denominadores desiguales y los valores atípicos. Su utilidad depende de elegir el denominador y la población adecuados. Los negocios por cada 1.000 residentes pueden describir la concentración, pero no miden directamente el turismo, el gasto ni el número de visitantes. Del mismo modo, la mediana describe la observación central, no todos los aspectos significativos de una distribución. Un análisis sólido suele presentar más de una medida y explicar qué capta cada una. Los ejemplos del libro dejan claro un punto crucial: una estadística matemáticamente correcta puede responder a la pregunta equivocada.
Trata las correlaciones como indicios, no como pruebas de causalidad.
Mide la asociación con cuidado. Los datos por condado de la Encuesta sobre la Comunidad Estadounidense mostraron una correlación de aproximadamente 0,70 entre la proporción de adultos con una licenciatura y los ingresos familiares medianos. La relación era positiva, pero su valor de r cuadrado, 0,49, indicaba que la educación por sí sola explicaba alrededor del 49 por ciento de la variación observada en los ingresos dentro del modelo lineal ajustado. SQL puede calcular correlaciones, pendientes de regresión, interceptos y medidas de dispersión.
Mantén las afirmaciones en proporción. Una recta de regresión puede estimar los ingresos esperados para un determinado nivel educativo, pero los condados varían alrededor de esa recta. Puede que influyan otros factores, y la correlación no demuestra que una variable causara la otra. Las estimaciones de encuestas también tienen márgenes de error, y se necesitan pruebas de significación para considerar importantes las diferencias pequeñas.
El detalle numérico ayuda a evitar un salto retórico común: una relación que parece sólida no es un mecanismo. Los resultados a nivel de condado también invitan a cometer errores de inferencia ecológica, al atribuir por equivocación patrones grupales a individuos. Una relación entre educación e ingresos entre condados no demuestra que cada título universitario aumente los ingresos de cada persona en una cantidad fija. La regresión es valiosa como descripción concisa y como punto de partida para indagar más, pero su interpretación depende de las suposiciones sobre los datos y el modelo. SQL facilita estos cálculos; el juicio estadístico sigue determinando qué conclusiones permiten.
Pon las marcas de tiempo en contexto y luego suaviza las series temporales ruidosas.
El tiempo necesita un marco. Las fechas, las marcas de tiempo y los intervalos permiten preguntar cuándo ocurren los sucesos y cuánto duran. Las zonas horarias importan: el itinerario All American de seis tramos de Amtrak atravesaba cuatro zonas, y las marcas de tiempo con información de zona horaria permitieron interpretar la duración total como 5 días, 13 horas y 47 minutos. Una hora sin fecha no permite identificar de manera fiable un momento global.
Separa el ruido del movimiento. Un promedio móvil calcula un nuevo promedio a partir de un conjunto móvil de filas recientes. En los datos mensuales de exportación de cítricos del libro, un promedio móvil de 12 meses hizo más visible la tendencia a largo plazo que los valores mensuales irregulares. Pero un mes ausente rompe la interpretación: una ventana de 12 filas puede abarcar más de 12 meses naturales.
El análisis de series temporales es especialmente vulnerable a las estructuras ocultas. Los ciclos estacionales, las conversiones de zonas horarias, los cambios al horario de verano y los periodos ausentes pueden crear movimientos aparentes que en parte son artefactos de medición. Un promedio móvil reduce la volatilidad a corto plazo, pero también puede retrasar la aparición de puntos de inflexión y ocultar perturbaciones repentinas. El ejemplo de los taxis usa un solo día para examinar los patrones de recogida, lo cual resulta útil para explorar, pero no basta para establecer un patrón diario normal. Una afirmación temporal sólida especifica el periodo, la unidad de tiempo y si la serie está completa.
Repara los registros sucios sin borrar las pruebas.
Haz que los cambios puedan rastrearse. El directorio del USDA de establecimientos de alimentación contenía códigos de estado ausentes, grafías incoherentes de nombres de empresas y códigos postales que habían perdido los ceros iniciales al convertirse mediante una hoja de cálculo. SQL puede completar lagunas verificadas, normalizar nombres y restaurar formatos. Pero antes, conserva los datos originales en una tabla de respaldo o en una columna copiada. El valor de origen es una prueba, aunque sea incorrecto.
Prefiere los procesos reversibles. Usa cláusulas WHERE para seleccionar filas concretas y RETURNING para inspeccionar los registros modificados. Una transacción permite probar una actualización, revisar sus efectos y luego confirmarla o revertirla. Si la fuente no es fiable o está demasiado incompleta, quizá lo más sensato sea buscar otro conjunto de datos en lugar de forzar una reparación.
La limpieza de datos no es neutral. Normalizar varias grafías del nombre de una empresa puede permitir agregarlas, pero una fusión incorrecta puede hacer que organizaciones realmente distintas se confundan en una sola. Del mismo modo, completar un estado ausente mediante investigación externa añade una afirmación nueva cuya fuente debería registrarse. Conservar los campos sin procesar y documentar las transformaciones refleja buenas prácticas de trazabilidad de datos: cada resultado publicado puede remontarse a los pasos que lo produjeron. El procedimiento cauteloso del libro es valioso porque trata la limpieza como un conjunto de decisiones responsables, no como un retoque cosmético.
Convierte texto y JSON en campos analizables sin perder el contexto de origen.
Extrae estructura del texto. Las expresiones regulares describen patrones en cadenas y permiten extraer fechas, direcciones, tipos de incidentes y números de expediente de informes que llegan en forma de prosa sin estructurar. En el ejemplo de los informes del sheriff, los campos extraídos hicieron posible contar incidentes por lugar o momento. Conservar el texto original permite comprobar esas interpretaciones cuando un patrón no contempla una excepción.
Usa selectivamente datos flexibles. El tipo JSONB de PostgreSQL almacena datos estructurados de clave y valor y permite indexarlos y extraerlos. Puede ser útil cuando los registros varían, como en los datos de una API sobre terremotos, pero resulta más difícil restringir las claves flexibles que las columnas ordinarias de una tabla. La búsqueda de texto completo también convierte las palabras a formas normalizadas, de modo que las búsquedas pueden encontrar formas relacionadas, como «transport» y «transportation».
El análisis de texto y la compatibilidad con JSON amplían SQL más allá de los datos ordenados y rectangulares, pero cada uno introduce decisiones interpretativas. Una expresión regular solo funciona con los patrones que su autor ha previsto; un sufijo de dirección no reconocido puede convertirse silenciosamente en un valor ausente. La flexibilidad de JSON traslada la validación de la definición de la tabla a la lógica de la aplicación y las pruebas. Estas herramientas funcionan mejor dentro de una secuencia por etapas: conservar la fuente, extraer campos candidatos, comprobar la cobertura y revisar las excepciones. Así se equilibra la velocidad de la automatización con el hecho de que el lenguaje y los formatos de datos rara vez son tan regulares como en los ejemplos.
Usa coordenadas y proyecciones que correspondan a la pregunta espacial.
La ubicación es un dato estructurado. PostGIS añade tipos y funciones espaciales a PostgreSQL. Puede representar puntos, líneas y polígonos, y luego comprobar distancias, contenciones o intersecciones. En el ejemplo de los mercados agrícolas, una consulta encontró nueve mercados a menos de 10 kilómetros del centro de Des Moines. En Santa Fe, una unión espacial identificó las carreteras que se cruzan con el río y devolvió sus puntos de intersección.
Los sistemas de coordenadas importan. Un identificador del sistema de referencia espacial, o SRID, especifica el sistema de coordenadas. Los cálculos geográficos tienen en cuenta la curvatura de la Tierra y devuelven distancias en metros; los cálculos geométricos emplean un plano y las unidades de su sistema de coordenadas. La distancia en línea recta no es la distancia por carretera, y los límites de los condados son demasiado imprecisos para obtener un recuento exacto de la población alrededor de un punto.
SQL espacial hace que la ubicación sea algo más que un punto en un mapa: permite comprobar explícitamente la proximidad y la superposición. Sin embargo, los resultados solo tienen sentido si la geometría, la proyección y las unidades en que se basan son adecuadas. Que un condado toque un radio de 50 millas no significa que esté enteramente dentro de él, así que sumar toda su población sobreestima el número de residentes cercanos. Se trata de un problema clásico de escala en el análisis geográfico. Definir con claridad el objeto espacial y la pregunta —por ejemplo, «dentro de un radio» frente a «al que se puede llegar por carretera»— evita confundir una cómoda operación cartográfica con una respuesta sobre el mundo real.
Automatiza las consultas recurrentes, pero mide el costo de la comodidad.
Reutiliza el trabajo útil. Una vista guarda una consulta bajo un nombre; una vista materializada almacena sus resultados hasta que se actualiza. Las funciones agrupan cálculos, mientras que los disparadores ejecutan acciones automáticamente después de determinados eventos de la base de datos. Estas herramientas pueden reducir el trabajo repetido, registrar cambios en las calificaciones o clasificar temperaturas a medida que llegan. También hacen menos visible el comportamiento de una base de datos si la lógica no está documentada.
La velocidad tiene sus contrapartidas. Los índices pueden acelerar mucho las búsquedas: en una tabla de direcciones de Nueva York con 940.374 filas, un índice redujo las búsquedas de ejemplo por calle de unos 90 milisegundos a aproximadamente entre 1 y 5 milisegundos. Pero los índices ocupan espacio y deben actualizarse cuando cambian los datos. EXPLAIN ANALYZE ayuda a comprobar si un índice mejora la carga de consultas real.
La automatización es más valiosa cuando la tarea repetida es estable y sus reglas son explícitas. Un disparador que modifica silenciosamente los datos entrantes puede proteger la coherencia, pero también dificultar la depuración si los usuarios no saben que existe. Del mismo modo, las pruebas de rendimiento dependen de la carga de trabajo: un índice que acelera las lecturas puede ralentizar las inserciones y las actualizaciones. Es una aplicación práctica de un principio más amplio de los sistemas: optimizar redistribuye los costos, no los elimina. Por eso, la lógica reutilizable de una base de datos debería tener responsables claros, pruebas y una forma de inspeccionar sus efectos.
Haz que toda tendencia publicada pueda rastrearse hasta los datos, el método y sus salvedades.
Construye un proceso reproducible. El proceso final del libro empieza con una pregunta, reúne datos, comprueba su procedencia, los explora mediante consultas, consulta a personas que los conocen y, finalmente, comunica un hallazgo junto con sus limitaciones. Cuando no existía un conjunto de datos adecuado, DeBarros y un colega reunieron registros de más de 600 muertes de estudiantes universitarios ocurridas entre 2000 y 2005. Su análisis encontró que los estudiantes de primer año eran especialmente vulnerables y produjo un hallazgo que no se habría podido obtener de una tabla ya preparada.
Muestra tu trabajo. Documenta las consultas y transformaciones, indica qué incluye y qué omite el conjunto de datos y utiliza un gráfico cuando ayude a aclarar una tendencia. Examina suficientes años para distinguir una fluctuación breve de un patrón más duradero. Cuando sea posible, comparte los datos y los métodos para que otras personas puedan verificar el resultado.
Este es un buen modelo del análisis como proceso social, no como cálculo privado. La persona responsable de los datos puede explicar las reglas de recopilación, los especialistas en el tema pueden cuestionar un resultado inverosímil y los lectores pueden examinar el método. Estas comprobaciones distribuyen la detección de errores entre personas con distintos conocimientos. El proyecto sobre muertes de estudiantes universitarios también demuestra que puede ser necesario crear un conjunto de datos, pero las pruebas recopiladas manualmente plantean cuestiones de cobertura y selección que merecen tratarse explícitamente. Una historia de datos convincente se gana la confianza no aparentando certeza, sino haciendo visibles sus pruebas y su incertidumbre.
Análisis
Practical SQL es una guía técnica articulada en torno a una idea más amplia: consultar datos es una manera disciplinada de investigar el mundo. Su recorrido didáctico va desde la instalación y las instrucciones SELECT básicas hasta el diseño relacional, la limpieza, la estadística, las fechas, el texto, los datos espaciales, JSON, la automatización, el mantenimiento y, por último, la comunicación. Los ejemplos recurrentes del censo, las bibliotecas, el transporte y los registros públicos dan consecuencias concretas a una sintaxis abstracta. SQL no se presenta como un lenguaje de programación aislado, sino como un instrumento para convertir preguntas en operaciones que se pueden inspeccionar.
La contribución metodológica más valiosa es la insistencia reiterada en comprobar qué significan los datos antes de calcular con ellos. Los ceros iniciales, los valores centinela, los campos ausentes, los nombres incoherentes y las claves que no coinciden no son inconvenientes cosméticos. Determinan si un resultado representa la magnitud del mundo real que afirma representar. El libro también distingue de manera útil entre totales brutos y tasas, medias y medianas, asociación y causalidad, y distancia en el mapa y distancia de viaje. Estas distinciones ayudan a los lectores a desconfiar de la falsa precisión.
La amplitud es tanto una fortaleza como una limitación. Quien empieza obtiene un mapa mental funcional de PostgreSQL, que incluye herramientas especializadas como PostGIS, JSONB, expresiones regulares, funciones de ventana y disparadores. Sin embargo, familiarizarse no equivale a dominar: la inferencia estadística avanzada, la seguridad en producción, el ajuste del rendimiento a gran escala y el análisis riguroso de la incertidumbre requieren estudios adicionales. Los ejemplos están concebidos para explorar, no como recetas universales. Su mayor utilidad consiste en enseñar a formular pruebas y reconocer cuándo un resultado necesita contexto.
La lección más profunda del libro es que un hallazgo defendible tiene una cadena de custodia. La pregunta, la fuente, el esquema, las transformaciones, la consulta, la interpretación y la presentación deben permanecer conectados. Ese principio vincula el oficio de las bases de datos con la ciencia reproducible y el periodismo responsable. SQL puede hacer que una afirmación sea reproducible, pero solo una medición cuidadosa, el conocimiento del ámbito y una comunicación transparente pueden hacerla creíble.
Resumen de reseñas
Practical SQL recibe reseñas mayormente positivas; los lectores elogian sus explicaciones claras, sus ejemplos prácticos y la amplia cobertura de conceptos de SQL. A muchos les resulta útil tanto para principiantes como para usuarios experimentados que quieran repasar. Se aprecia el enfoque del libro en conjuntos de datos del mundo real y en la narración con datos. Algunos lectores señalan que la dificultad aumenta en los últimos capítulos, y a unos pocos les cuesta instalar PostgreSQL. En general, se considera un recurso valioso para aprender SQL y la gestión de bases de datos, con una calificación media de 4,28 sobre 5, basada en 207 reseñas.
También leyeron
Glosario
Exploración de los datos
Investigación inicial de la calidad de los datosProceso que consiste en usar consultas para averiguar qué contiene un conjunto de datos, cómo se distribuyen sus valores y si los registros parecen completos y coherentes. Entre las comprobaciones habituales están los recuentos, los valores distintos, los mínimos y máximos, los filtros para encontrar valores ausentes y las uniones que revelan claves sin correspondencia. El objetivo es comprender si un conjunto de datos es adecuado antes de confiar en él.
Clave natural
Identificador existente con significadoClave primaria formada por uno o varios campos de datos existentes cuyos valores identifican de forma única cada fila y nunca faltan. Un código de producto o una combinación de códigos de estado y condado pueden servir como clave natural. Su ventaja es que tiene significado en el mundo real; el riesgo es que los datos cambien o contengan duplicados.
Clave subrogada
Identificador artificial de filaClave primaria que se añade a una tabla cuando sus datos del mundo real no proporcionan un identificador único fiable. Suele ser un número entero generado automáticamente, aunque también puede usarse un UUID. Una clave subrogada no depende de los cambios en los datos descriptivos, pero requiere almacenamiento adicional y no explica por sí misma qué representa una fila.
Expresión de tabla común (CTE)
Resultado de consulta temporal con nombreConjunto de resultados con nombre que se define mediante una cláusula WITH y está disponible para la consulta principal que sigue. Una CTE puede facilitar la lectura de SQL complejo al separar los pasos de preprocesamiento, como agrupar la población por estado antes de unirla a los recuentos de empresas. Existe para esa consulta, en lugar de ser una tabla permanente de la base de datos.
Función de ventana
Cálculo sobre filas relacionadasFunción que calcula un valor para cada fila utilizando un conjunto especificado de filas, sin reducirlas a un único resultado agregado. La cláusula OVER define la ventana, mientras que ORDER BY o PARTITION BY pueden controlar su secuencia o sus grupos. La clasificación y los promedios móviles son ejemplos habituales.
Vista materializada
Resultados de consulta almacenadosObjeto de base de datos que ejecuta una consulta y almacena su resultado como datos, a diferencia de una vista estándar, que ejecuta la consulta cuando se accede a ella. Los resultados almacenados pueden acelerar la lectura de consultas complejas, pero no reflejan automáticamente los cambios en las tablas de origen. Una actualización vuelve a ejecutar la consulta y actualiza el resultado almacenado.
tsvector
Texto normalizado para búsquedasTipo de datos de PostgreSQL que sirve para almacenar texto en un formato adecuado para la búsqueda de texto completo. El texto se convierte en unidades lingüísticas normalizadas llamadas lexemas, que a menudo reducen las formas flexionadas a una raíz común y omiten las palabras vacías habituales. La representación almacenada también registra la posición de las palabras, lo que permite que los operadores de búsqueda encuentren términos y sus relaciones.
Identificador del sistema de referencia espacial (SRID)
Identificador del sistema de coordenadasIdentificador numérico del sistema de referencia de coordenadas que utilizan los datos espaciales. A menudo, las operaciones espaciales requieren que los objetos usen sistemas compatibles, y un SRID indica cómo se relacionan las coordenadas con ubicaciones de la Tierra o de un mapa proyectado. En los ejemplos, el SRID 4326 identifica WGS 84, un sistema de longitud y latitud muy utilizado.
Preguntas frecuentes
¿De qué trata Practical SQL?
- Enfoque en los fundamentos de SQL: Practical SQL presenta SQL como una herramienta para el análisis de datos y aborda conceptos fundamentales y aplicaciones prácticas.
- Narración con datos: El libro destaca el uso de SQL para descubrir ideas y contar historias, por lo que es pertinente para periodistas, analistas y aficionados a los datos.
- Enfoque práctico: Anthony DeBarros ofrece ejercicios prácticos y ejemplos del mundo real para que los lectores puedan aplicar de inmediato lo que aprenden.
¿Por qué debería leer Practical SQL?
- Apto para principiantes: Está pensado para quienes se inician en la programación y SQL, y guía a los lectores paso a paso durante el aprendizaje.
- Cobertura amplia: Abarca diversos temas, como los tipos de datos, la importación y exportación de datos y las técnicas avanzadas de consulta.
- Aplicaciones del mundo real: Usa conjuntos de datos reales para ilustrar los conceptos, haciendo que el aprendizaje sea pertinente y atractivo.
¿Cuáles son las principales enseñanzas de Practical SQL?
- Fundamentos de SQL: Aprende los conceptos básicos de SQL, entre ellos crear bases de datos y tablas y realizar consultas.
- Técnicas de manipulación de datos: Domina técnicas como la agregación, el filtrado y la unión de tablas para analizar datos de manera eficaz.
- Buenas prácticas: Destaca las buenas prácticas de diseño de bases de datos e integridad de datos, esenciales para mantener datos de alta calidad.
¿Cuáles son las mejores citas de Practical SQL y qué significan?
- «SQL me ha sido útil desde entonces»: Destaca el valor duradero de las habilidades de SQL en distintos contextos profesionales.
- «Una planificación adecuada previene un rendimiento deficiente»: Subraya la importancia de establecer una base sólida antes de empezar a programar en SQL.
- «Explorar los datos es emocionante porque permite descubrir verdades»: Refleja la perspectiva del autor sobre el análisis de datos como un proceso de exploración y descubrimiento.
¿Qué es SQL y por qué es importante?
- Lenguaje de consulta estructurado: SQL se utiliza para gestionar y manipular bases de datos relacionales, lo que permite realizar operaciones con datos de forma eficiente.
- Gestión de datos: Es fundamental para el análisis de datos, pues permite extraer información de grandes conjuntos de datos.
- Estándar del sector: Se utiliza ampliamente en muchos sectores, por lo que es una habilidad valiosa para quienes buscan empleo en campos relacionados con los datos.
¿Cómo preparo mi entorno de programación para SQL?
- Instala PostgreSQL: El libro guía a los lectores en la instalación de PostgreSQL, un popular sistema de bases de datos de código abierto.
- Usa pgAdmin: Recomienda usar pgAdmin, una interfaz gráfica para gestionar bases de datos PostgreSQL, a fin de facilitar la programación.
- Descarga datos de ejemplo: Anima a descargar conjuntos de datos de ejemplo desde GitHub para practicar.
¿Qué tipos de JOIN existen en SQL?
- INNER JOIN: Devuelve solo las filas que tienen coincidencias en ambas tablas; resulta útil para obtener datos relacionados.
- LEFT JOIN: Devuelve todas las filas de la tabla izquierda y las filas coincidentes de la tabla derecha; las filas sin coincidencia aparecen con valores NULL.
- FULL OUTER JOIN: Devuelve todas las filas de ambas tablas, con valores NULL donde no hay coincidencia; resulta útil para identificar discrepancias.
¿Cómo importo y exporto datos con SQL?
- Comando COPY: Explica cómo usar el comando COPY para importar datos de un archivo CSV a una tabla de PostgreSQL.
- Exportación de datos: Aprende a exportar datos de una tabla a un archivo CSV con el comando COPY.
- Gestión de archivos delimitados: Aborda cómo interpretar archivos de texto delimitado, incluido el manejo de filas de encabezado y el uso de comillas en las columnas.
¿Qué son las funciones de agregación en SQL?
- SUM y AVG: Realizan cálculos sobre un conjunto de valores de una columna y son esenciales para resumir datos.
- COUNT y MODE: COUNT cuenta el número de filas y MODE identifica el valor que aparece con mayor frecuencia.
- Uso de funciones de percentiles: Presenta funciones de percentiles como percentile_cont() para calcular medianas y otros cuantiles.
¿Cómo aborda Practical SQL la narración con datos?
- Identificación de tendencias: Destaca la importancia de identificar tendencias en los datos para contar una historia convincente.
- Comunicación de resultados: Ofrece orientación para comunicar eficazmente los hallazgos de datos a públicos diversos.
- Ejemplos del mundo real: Usa ejemplos para ilustrar cómo la narración con datos puede influir en la toma de decisiones.
¿Cómo ayuda Practical SQL a gestionar bases de datos?
- Creación y modificación de tablas: Enseña a crear y modificar tablas de bases de datos para gestionarlas eficazmente.
- Uso de índices: Aborda la importancia de los índices para mejorar el rendimiento de las consultas.
- Integridad de los datos: Trata las restricciones y las técnicas de validación de datos que permiten garantizar su integridad.
¿Cómo puedo aplicar en mi trabajo las habilidades aprendidas con Practical SQL?
- Toma de decisiones basada en datos: Ayuda a analizar los datos pertinentes para tu trabajo y a tomar decisiones mejor fundamentadas.
- Mejora de la eficiencia: Dominar SQL puede automatizar tareas repetitivas con datos, ahorrar tiempo y reducir errores.
- Comunicación más eficaz: El enfoque en la narración con datos te permite presentar resultados con claridad y persuasión.
Descargar PDF
Descargar EPUB
.epub es ideal para leer libros electrónicos en teléfonos, tabletas y lectores electrónicos.