Marco Teórico

En la presente investigación se han utilizado herramientas y librerias importantes que facilitan la manipulación, sincronización y presentacion de los datos obtenidos de diferentes fuentes integrados a un entorno de desarrollo.

JupyterLab

Entorno de computación interactivo que funciona en un ambiente web y soporta múltiples lenguajes de programación. Actualmente, la comunidad lo ha adoptado especialmente en el sector educativo. Está dedicado a combinar código para capturar, analizar y visualizar datos en un solo documento, comúnmente conocido como notebook. Al igual que otras herramientas, como Google Colab, permite el trabajo colaborativo, lo que la convierte en una herramienta ideal para el análisis de datos (Nasir et al., 2025).

Pandas

La librería Pandas fue desarrollada por Wes McKinney, facilitando la manipulación de datos mediante la incorporación de estructuras como los DataFrames y Series, lo que la hace más intuitiva y eficiente al momento de gestionar información. En particular, los DataFrames brindaron una estructura en dos dimensiones que permite la limpieza, transformación y agregación de datos de forma sencilla, utilizando la menor cantidad de código posible. Además, incorpora la posibilidad de trabajar con series temporales, facilitando la fusión de datos, así como el manejo efectivo de datos faltantes, estableciendo un nuevo estándar en el análisis de datos (Kamlofsky, Manzano & López Yse, 2024).

SQLite3

Consiste en un motor de base de datos liviano, orientado a no requerir un servidor exclusivo, lo que facilita la gestión de datos tanto a nivel local como remoto. Python, mediante la interfaz sqlite3, permite conectar, consultar y modificar bases de datos SQLite de forma directa, a través de scripts que pueden elaborarse utilizando otras estructuras como Pandas (Sahoo & Mohapatra, 2016).

Matplotlib

En el entorno de visualización, esta librería en Python genera gráficos estáticos, dinámicos e interactivos de alta calidad. Su entorno, similar a MATLAB, resulta familiar para quienes provienen de otros lenguajes orientados a la actividad científica. Además, permite exportar gráficos en varios formatos de salida, como PNG, PS, entre otros. También es compatible con múltiples entornos de ventanas, como GTK+, wxWidgets, Qt, etc., lo que ofrece una amplia variedad de tipos de gráficos y una gran flexibilidad en su presentación (Tosi, 2013).

Bokeh

Es una librería de visualización orientada a la web que trabaja de manera dinámica, permitiendo la creación de dashboards que pueden integrarse directamente con el lenguaje HTML. Lo interesante de este tipo de librerías es su vinculación directa con tecnologías como JavaScript para la creación de visualizaciones, sin necesidad de que el usuario escriba el código manualmente (Bokeh Development Team, 2024).

PyGWalker(Python binding for Graphic Walker)

En el contexto del análisis visual exploratorio, PyGWalker es una librería que ofrece asistencia en la ejecución del análisis de datos mediante una interfaz ligera e intuitiva. Esta permite al usuario trabajar con una arquitectura modular flexible y adaptable a múltiples entornos computacionales que requieren el manejo de diferentes volúmenes de datos y complejidades. Actualmente, la mayoría de los investigadores la integran en sus propias aplicaciones y estudios que integran librerías como Pandas (Yu, Shen, Long, Qu, & Chen, 2024).

La implementación de todas estas tecnologías ha conformado una suite robusta que ha facilitado el desarrollo de esta investigación, desde su fase inicial de estructuración hasta su etapa final de interpretación visual.