sql-aprendizaje/README.md

SQL Aprendizaje — Guia de Instalacion y Setup

Notebook interactivo para aprender SQL desde cero. Cubre DDL, DML, JOINs, subconsultas, window functions, CTEs, transacciones y diseno de bases de datos. Motor: PostgreSQL 16 via Docker.

---

Requisitos previos

• Python 3.13 instalado
• uv instalado (instrucciones)
• Docker Desktop instalado (ver seccion siguiente)
• VS Code con extension Jupyter (ms-toolsai.jupyter)

---

1. Instalar Docker Desktop (Windows)

1.1 Descarga

Ir a: https://www.docker.com/products/docker-desktop/

Hacer clic en "Download for Windows".

1.2 Instalacion

1. Ejecutar el instalador descargado
2. Cuando pregunte, dejar marcado "Use WSL 2 instead of Hyper-V" (recomendado)
3. Completar la instalacion y reiniciar Windows si lo solicita
4. Abrir Docker Desktop y esperar a que el icono en la barra de tareas quede en verde ("Engine running")

1.3 Verificar instalacion

Abrir una terminal (CMD, PowerShell o terminal de VS Code) y ejecutar:

docker --version

Debe mostrar algo como Docker version 26.x.x.

---

2. Configurar el entorno Python

Abrir una terminal dentro de la carpeta del proyecto y ejecutar:

uv add psycopg[binary] sqlalchemy ipykernel

---

3. Levantar PostgreSQL con Docker

En la raiz del proyecto ya existe el archivo docker-compose.yml. Ejecutar:

docker compose up -d

Verificar que el contenedor este corriendo:

docker ps

Debe aparecer sql_aprendizaje_db con status Up.

Comandos utiles de Docker

# Detener la base de datos (los datos se conservan)
docker compose down

# Levantar nuevamente
docker compose up -d

# Ver logs de PostgreSQL
docker logs sql_aprendizaje_db

# Eliminar todo incluyendo datos (reset completo)
docker compose down -v

---

4. Abrir el notebook en VS Code

1. Abrir VS Code en la carpeta del proyecto
2. Abrir el notebook segun el tema a trabajar (ver seccion 7)
3. Seleccionar el kernel: Ctrl+Shift+P → Jupyter: Select Kernel → Python Environments → seleccionar el .venv del proyecto
4. Ejecutar las celdas de la seccion 0 para verificar la conexion

---

5. Credenciales de conexion

Definidas en docker-compose.yml, ya configuradas en los notebooks:

Parametro	Valor
Host	localhost
Puerto	5433
Base de datos	ecommerce
Usuario	alumno
Contrasena	alumno123

---

6. Estructura del proyecto

sql-aprendizaje/
├── README.md                  # Este archivo
├── docker-compose.yml         # Configuracion de PostgreSQL
├── sql_psycopg.ipynb          # SQL puro con psycopg v3
├── sql_sqlalchemy.ipynb       # ORM y Core con SQLAlchemy 2
├── sql_avanzado.ipynb         # Temas avanzados con psycopg y SQLAlchemy
└── pyproject.toml             # Dependencias del proyecto (generado por uv)

---

7. Temas cubiertos en los notebooks

sql_psycopg.ipynb — SQL puro con psycopg v3

Seccion	Temas
01 — Fundamentos	DDL vs DML vs DCL, tipos de datos, CREATE TABLE
02 — Constraints	PK, FK, UNIQUE, NOT NULL, DEFAULT, CHECK
03 — CRUD	INSERT, SELECT, UPDATE, DELETE
04 — Filtros	WHERE, operadores, BETWEEN, IN, LIKE, NULL
05 — Agregacion	GROUP BY, HAVING, COUNT, SUM, AVG, MIN, MAX
06 — JOINs	INNER, LEFT, RIGHT, FULL, SELF JOIN, CROSS JOIN
07 — Subconsultas	Escalares, correlacionadas, IN/EXISTS
08 — Normalizacion	1NF, 2NF, 3NF — teoria y ejercicios

sql_sqlalchemy.ipynb — ORM y Core con SQLAlchemy 2

Seccion	Temas
00 — Conexion	Engine, Session, text(), ejecutar_query()
01 — DDL con Core	MetaData, Table, Column, tipos, constraints, create_all
02 — INSERT con Core	insert(), executemany, returning()
03 — SELECT con Core	select(), where(), join(), group_by(), having(), func
04 — Modelos ORM	DeclarativeBase, Mapped, mapped_column, relationship
05 — CRUD con ORM	session.add(), session.get(), update(), delete(), manejo de errores
06 — Consultas avanzadas	Filtros, joins, subconsultas con ORM
07 — Eager vs Lazy loading	selectinload, joinedload, lazy loading
08 — Transacciones	Session, commit, rollback, savepoint
09 — Migraciones	Alembic: init, revision, upgrade, downgrade

sql_avanzado.ipynb — Temas avanzados con psycopg y SQLAlchemy

Seccion	Temas
09 — Indices	Por que existen, cuando usarlos, EXPLAIN ANALYZE
10 — Window Functions	ROW_NUMBER, RANK, DENSE_RANK, LAG, LEAD, PARTITION BY
11 — CTEs	WITH, CTEs recursivas
12 — Transacciones	ACID, COMMIT, ROLLBACK, SAVEPOINT
13 — Vistas	CREATE VIEW, casos de uso

Cada seccion muestra el mismo concepto implementado con ambas librerias para comparar el enfoque de SQL puro vs la abstraccion de SQLAlchemy.

---

Notas

• El schema simula un sistema de e-commerce (clientes, productos, categorias, pedidos) para que los ejercicios tengan sentido de negocio real.
• Cada seccion incluye explicacion en Markdown, query comentado y resultado visible.
• sql_psycopg.ipynb — SQL puro, control total, mas cercano al motor.
• sql_sqlalchemy.ipynb — abstraccion ORM, orientado a uso en aplicaciones Python.
• sql_avanzado.ipynb — comparacion lado a lado de ambos enfoques en temas avanzados.