Este proyecto realiza un proceso completo de Web Scraping, Limpieza de Texto, ETL y Visualización de Datos, con el objetivo de extraer información relevante sobre Ciencia de Datos desde distintas fuentes web y representarla visualmente mediante una nube de palabras y un gráfico de frecuencias.
El flujo del análisis sigue una estructura ETL (Extract, Transform, Load):
- Extracción de texto desde múltiples URLs (IBM, Tableau, Wikipedia).
- Transformación mediante tokenización, limpieza lingüística y eliminación de stopwords.
- Carga y visualización final en un reporte PDF automatizado con dos gráficos generados en Python.
Aprender de forma práctica y autónoma cómo realizar un flujo de trabajo real de análisis textual en Ciencia de Datos, incluyendo:
- Web scraping intuitivo.
- Procesamiento y limpieza de texto.
- Generación de una nube de palabras reproducible.
- Visualización de las palabras más frecuentes.
- Exportación automática a PDF para reportes profesionales.
Este script puede servir como una matriz base para desarrollar otros análisis de nubes de palabras o estudios textuales similares.
Para adaptarlo a distintos contextos, basta con modificar:
- 🔗 Las URLs en la lista
urls(fuentes de información). - 🧹 Los filtros de limpieza y exclusión de palabras (
palabras_excluiro stopwords). - 🖼️ Los argumentos de las visualizaciones (color, tamaño, número de palabras, etc.).
- 📄 Los parámetros del PDF (títulos, imágenes, disposición o formato de salida).
La reproducibilidad del WordCloud se garantiza gracias al argumento random_state = 53.
Si se cambia ese número, se genera una nube distinta en la disposición de las palabras, manteniendo la misma información subyacente.
Esto permite comparar distintas configuraciones visuales sin alterar el contenido del análisis.
📂 Proyecto wordcloud:
├── 🐍 script_wordcloud.py → Código principal del análisis
├── ☁️ nube_palabras.png → Nube de palabras generada
├── 📊 grafico_frecuencia.png → Gráfico de top 10 palabras
├── 📄 reporte_visual.pdf → Reporte final exportado
└── 🧠 README.md → Documentación del proyecto
Se recopilan textos desde URLs de referencia en ciencia de datos e inteligencia artificial:
- Tableau - Data Science
- IBM - Data Science
- Wikipedia - Inteligencia Artificial
- Entre otras fuentes relevantes.
El texto de cada sitio se obtiene con BeautifulSoup y se acumula para su posterior análisis.
- Tokenización del texto en palabras.
- Eliminación de signos, números y stopwords (en español e inglés).
- Filtrado adicional de palabras irrelevantes o redundantes.
- Se genera una nube de palabras (WordCloud) con
random_state=53para garantizar reproducibilidad visual. - Si se cambia el valor de
random_state, la forma de la nube cambiará, pero las palabras seguirán siendo las mismas. - Se crea un gráfico de barras con las 10 palabras más frecuentes.
Ambas visualizaciones se exportan en un reporte visual (reporte_visual.pdf) que incluye:
- Título con la fecha del día.
- Imagen de la nube de palabras.
- Gráfico de frecuencia de términos.
Representa los términos más frecuentes en los textos de Ciencia de Datos.
Muestra las 10 palabras más mencionadas, reflejando los conceptos dominantes en las fuentes analizadas.
El resultado final es un reporte automático y portable que consolida los hallazgos visuales del análisis.
- Implementar Web Scraping de forma intuitiva para extraer información útil de la web.
- Aplicar procesos ETL al tratamiento de texto.
- Generar visualizaciones reproducibles (controlando la aleatoriedad con
random_state). - Crear reportes visuales automatizados para comunicar resultados.
- Reutilizar el mismo script como plantilla adaptable para distintos proyectos de análisis textual.
💻 IDE: 🕷️ Spyder
🐍 Lenguaje: Python
Antes de ejecutar el script, asegúrate de instalar las librerías necesarias (puedes hacerlo dentro de un entorno virtual):
pip install requests beautifulsoup4 matplotlib wordcloud nltk fpdf