El ecosistema de Python
Python vale tanto por el lenguaje como por lo que hay alrededor: miles de bibliotecas para casi cualquier cosa. Esta lección es un mapa de lo que más vas a encontrar (ciencia de datos, web, bases de datos, calidad de código), con su equivalente en PHP cuando lo hay, para que sepas qué buscar cuando lo necesites.
¿De dónde vienen los nombres?
- NumPy = Numerical Python (Python numérico)
- La biblioteca de matrices que viste en el módulo 03. Casi todo lo científico se apoya en ella.
- pandas = viene de panel data («datos de panel», un término de estadística y econometría)
- Tablas de datos (como una hoja de cálculo en código). No tiene nada que ver con el animal, aunque su logo sea un oso.
- SciPy = Scientific Python (Python científico)
- Funciones matemáticas y científicas encima de NumPy: estadística, optimización, procesado de señales.
- Jupyter = juego de palabras con Julia, Python y R, los tres lenguajes que soportó primero
- Los «cuadernos» donde mezclas texto, código y gráficas. Muy usados en ciencia de datos.
- Django = en honor al guitarrista de jazz Django Reinhardt
- El framework web «con todo incluido» que viste en la lección anterior.
- SQLAlchemy = SQL + alchemy (alquimia)
- La biblioteca para trabajar con bases de datos desde objetos de Python. Es el Doctrine de Python.
- PyTorch = Python + Torch (la biblioteca científica en Lua en la que se inspira)
- El marco de trabajo más usado para entrenar redes neuronales.
Python vive de su ecosistema: PyPI (el Packagist de Python) tiene cientos de miles de paquetes, y se instalan con pip o uv dentro de un venv, como viste al principio del módulo.
Lo que PHP no tiene y Python sí: ciencia de datos y machine learning (NumPy, pandas, scikit-learn, PyTorch). Es la razón de que mucha gente aprenda Python.
Para la web y las bases de datos hay equivalentes de lo que ya conoces: Django o FastAPI (Laravel y Symfony), SQLAlchemy (Doctrine), pydantic (validación), pytest (PHPUnit) y ruff (PHP-CS-Fixer).
Antes de instalar un paquete, investiga quién lo mantiene: ¿se mantiene?, ¿cuánta gente lo usa?, ¿el nombre es el correcto? Un paquete con el nombre mal escrito puede ser una trampa.
1 · Ciencia de datos y machine learning: lo que PHP no tiene
Aquí está la gran diferencia con PHP. Si quieres analizar datos, entrenar un modelo o hacer una gráfica, el trabajo ya está hecho en Python y casi nadie lo rehace en otro lenguaje. Estas piezas se apoyan unas en otras:
| Biblioteca | Para qué sirve | Dónde lo ves en el curso |
|---|---|---|
| NumPy | Matrices y operaciones rápidas sobre ellas | Módulo 03, lección «NumPy» |
| pandas | Tablas de datos: leer un CSV, filtrar, agrupar, sumar | Es lo que usarías en vez de un foreach sobre filas |
| SciPy | Estadística, optimización, ecuaciones | Se construye sobre NumPy |
| matplotlib | Gráficas | Acompaña a pandas |
| Jupyter | Cuadernos con código, texto y gráficas juntos | Cómo se enseña y se explora en ciencia de datos |
| scikit-learn | Machine learning clásico: clasificar, predecir, agrupar | Una vez dominas NumPy |
| PyTorch | Redes neuronales y deep learning | La base de los modelos de IA actuales |
| Transformers | Usar y afinar modelos de lenguaje ya entrenados | El siguiente paso, tras PyTorch |
En PHP hay intentos (PHP-ML, Rubix ML), pero ni de lejos con la misma comunidad. Si algún día quieres meter IA en tu app web, lo más práctico suele ser una API en FastAPI que envuelva el modelo en Python, y que tu PHP llame por HTTP.
2 · Web, bases de datos y validación: lo que ya conoces con otro nombre
| En Python | Qué es | Parecido en PHP |
|---|---|---|
| FastAPI | Framework para APIs, ASGI (lo ves en este módulo) | Slim con validación y documentación |
| Django | Framework completo: ORM, panel de administración, usuarios | Laravel o Symfony |
| Flask | Micro-framework: rutas y poco más | Slim |
| Starlette | La base ASGI sobre la que se construye FastAPI | El enrutador que usa Slim por debajo |
| pydantic | Validación de datos con tipos (BaseModel) | Symfony Validator + DTOs |
| SQLAlchemy | ORM y constructor de consultas | Doctrine |
| Alembic | Migraciones de BD para SQLAlchemy | Doctrine Migrations / Phinx |
| httpx | Cliente HTTP, síncrono y asíncrono | Guzzle |
| Typer | Programas de consola con tipos | Symfony Console |
Con lo que has aprendido en este curso ya puedes leer su documentación: ves async def, type hints, decoradores, dataclasses y with por todas partes. Casi todo el ecosistema moderno está escrito con las mismas ideas que has ido viendo.
3 · Calidad del código y herramientas
Python tiene su propia versión de las herramientas que en PHP instalas con Composer: tests, formato, análisis estático. Hoy lo habitual es configurarlas todas en el pyproject.toml.
| Herramienta | Qué hace | En PHP |
|---|---|---|
| pytest | Tests (lo viste en la lección «Tests») | PHPUnit |
| ruff | Revisa el estilo y los errores típicos, y formatea el código. Muy rápida | PHP-CS-Fixer + PHP_CodeSniffer |
| mypy | Comprueba que los type hints son coherentes antes de ejecutar | PHPStan o Psalm |
| pyright | Otro comprobador de tipos (el de VS Code) | PHPStan o Psalm |
| uv | Entornos, paquetes y lock (lección «Módulos, paquetes, pip, venv y uv») | Composer |
4 · Antes de instalar nada: la biblioteca estándar
Python se vende como «baterías incluidas»: la biblioteca estándar trae mucho de lo que en PHP llega por extensiones o por Composer. Antes de añadir una dependencia, mira si no está ya. Por ejemplo, SQLite y JSON, que tienes en la app de tareas del módulo 10:
<?php declare(strict_types=1); $bd = new PDO('sqlite::memory:'); $bd->exec('CREATE TABLE tareas (id INTEGER PRIMARY KEY, titulo TEXT)'); $bd->prepare('INSERT INTO tareas (titulo) VALUES (?)')->execute(['Comprar pan']); $filas = $bd->query('SELECT id, titulo FROM tareas')->fetchAll(PDO::FETCH_ASSOC); echo json_encode($filas) . PHP_EOL;
import json import sqlite3 # En PHP: new PDO('sqlite::memory:') bd = sqlite3.connect(":memory:") bd.row_factory = sqlite3.Row bd.execute("CREATE TABLE tareas (id INTEGER PRIMARY KEY, titulo TEXT)") bd.execute("INSERT INTO tareas (titulo) VALUES (?)", ("Comprar pan",)) filas = [dict(fila) for fila in bd.execute("SELECT id, titulo FROM tareas")] print(json.dumps(filas))
Y puedes preguntarle a Python qué módulos trae de serie. Si un nombre no está en la lista, es que hay que instalarlo con pip o uv:
import sys for nombre in ["json", "sqlite3", "csv", "asyncio", "unittest", "tomllib", "venv", "numpy", "fastapi"]: print(f"{nombre:<9} en la biblioteca estándar: {nombre in sys.stdlib_module_names}")
| Necesito… | PHP | Python (estándar) |
|---|---|---|
| JSON | json_encode, json_decode | json |
| SQLite | extensión pdo_sqlite | sqlite3 |
| Fechas | DateTimeImmutable | datetime |
| Leer y escribir CSV | fgetcsv, fputcsv | csv |
| Tests | PHPUnit (Composer) | unittest |
| Tareas asíncronas | ReactPHP, Amp, Swoole (Composer o extensión) | asyncio |
| Leer configuración | parse_ini_file | tomllib (TOML), configparser (INI) |
¿Por qué? · En PHP no existe
¿Por qué Python incluye tantas «baterías»? En PHP no existe
PHP nació para una cosa y por eso su núcleo trae lo de la web ($_GET, sesiones, header()), y para lo demás tiras de Composer. Python nació de propósito general y su filosofía es que lo habitual debe venir incluido: ficheros, fechas, JSON, SQLite, sockets, tests.
Eso hace que un script de Python se ejecute en cualquier ordenador con Python sin instalar nada, algo muy útil para herramientas pequeñas. Y por eso lo primero ante una necesidad es mirar la documentación de la biblioteca estándar y no PyPI.
Y una forma de saber si ya tienes un paquete antes de importarlo, sin que falle el programa: find_spec devuelve algo si Python lo encuentra y None si no.
from importlib.util import find_spec for nombre in ["json", "sqlite3", "zxqv_no_existe"]: print(nombre, "->", find_spec(nombre) is not None)
La pregunta que te vas a hacer
Vale, pero… ¿por dónde sigo?
El siguiente paso es el módulo 10: construyes la app de tareas completa, con SQLite, FastAPI, tests y despliegue, en seis fases guiadas. Después, escoge una rama según lo que te interese: datos (NumPy, pandas), web (Django o FastAPI en profundidad) o automatización (scripts con la biblioteca estándar y Typer).
- Python.org: qué es Python: la presentación oficial.
- Documentación oficial en español: tutorial y biblioteca estándar.
- PyPI: el catálogo de paquetes.
- FastAPI en PyPI: un ejemplo de cómo se ve la ficha de un paquete (versiones, mantenedor, enlaces).
- Guía de empaquetado: cómo publicar tu propio paquete en PyPI.
- asyncio en la documentación oficial: el módulo detrás de uvicorn.
Resumen
Lo que te llevas de esta lección
- PyPI es el Packagist de Python y pip/uv el Composer: se instala dentro de un venv, y antes de instalar se comprueba el nombre y el mantenimiento del paquete.
- Lo que PHP no tiene y Python sí: ciencia de datos y machine learning (NumPy, pandas, scikit-learn, PyTorch), todo apoyado en NumPy.
- Para la web: FastAPI (APIs), Django (completo), Flask (micro); para datos: SQLAlchemy y Alembic (Doctrine y sus migraciones), pydantic (validación).
- Para calidad: pytest (PHPUnit), ruff (formato y errores típicos) y mypy o pyright (PHPStan: comprueban los type hints, que Python no comprueba al ejecutar).
- Antes de instalar nada, mira la biblioteca estándar: JSON, SQLite, fechas, CSV, asyncio y tests ya vienen incluidos («baterías incluidas»).
Para recordarlo: «Estándar primero, PyPI después»
¿está ya en Python? (import json)
si no, uv add paquete o pip install paquete
nombre, mantenedor y última versión
Ante una necesidad: Estándar primero, PyPI después y siempre Comprueba lo que instalas. «EPC».