21 Manejo Librerías
21 Manejo Librerías
21 Manejo Librerías
Agenda
1 Numpy
2 Matplotlib
3 Pandas
Numpy
https://colab.research.google.com/
Arreglos en Numpy
import numpy as np
a = np.zeros((2,3,4))
# Crea una matriz 3-dimensional (2x3x4) de ceros (0’s)
print(a.shape)
print(a)
print("---------")
Operador subscript
El operador subscript funciona en numpy:
import numpy as np
x = np.array([5, -4])
print(x.dtype)
x = np.array([1.0, 2.0])
print(x.dtype)
int64
La salida del código anterior es: float64
int32
import numpy as np
print("Suma:")
print(x + y)
print("-----")
print(np.add(x, y))
print("raiz cuadrada:")
print(np.sqrt(x))
Suma:
[[ 6. 8. 4.]
[10. 12. 0.]]
-----
[[ 6. 8. 4.]
[10. 12. 0.]]
raiz cuadrada:
[[1. 1.41421356 2.23606798]
[1.73205081 2. 2.44948974]]
np.linspace
Retorna datos en el intervalo start hasta stop que incluyen num datos:
import numpy as np
Agenda
1 Numpy
2 Matplotlib
3 Pandas
Matplotlib
https:
//matplotlib.org/stable/tutorials/introductory/usage.html
import numpy as np
import matplotlib.pyplot as plt
x = np.linspace(0, 2, 50)
#print(x)
# Aún con el OO-style, usamos ".pyplot.figure" para crear la figura.
fig, ax = plt.subplots() # Crea la figura y los ejes.
ax.plot(x, x, label="linear") # Dibuja algunos datos en los ejes.
ax.plot(x, x**2, label="quadratic") # Dibuja mas datos en los ejes.
ax.plot(x, x**3, label="cubic") # ... y algunos más.
ax.set_xlabel("x label") # Agrega un x-label a los ejes.
ax.set_ylabel("y label") # Agrega un y-label a los ejes.
ax.set_title("Simple Plot") # Agrega tı́tulo a los ejes.
ax.legend() # Agrega una leyenda.
plt.figure(figsize=(9, 3))
plt.subplot(131)
plt.bar(names, values)
plt.subplot(132)
plt.scatter(names, values)
plt.subplot(133)
plt.plot(names, values)
plt.suptitle("Categorical Plotting")
plt.show()
Agenda
1 Numpy
2 Matplotlib
3 Pandas
Pandas
Permite manipular datos de alto nivel. Es una librerı́a fácil de usar para
análisis y manipulación de datos. Está construida sobre Numpy.
import pandas as pd
brics = pd.DataFrame(dictc)
print(brics)
Pandas
Carga de archivos
Pandas permite manipular archivos de tipo *.csv. Para el siguiente
código puede descargar este archivo: click aquı́ para descargar.
Para cargar el archivo a colab agregue el siguiente código a una celda
y suba el archivo descargado.
ventasdf = pd.read_csv("SalesJan2009.csv")
ventasdf.head(3)
import pandas as pd
from collections import Counter
ventasdf = pd.read_csv("SalesJan2009.csv")
#print(ventas)
cp = Counter(ventasdf["Country"])
print(cp.most_common(3))
cv = Counter(ventasdf["Payment_Type"])
print(cv.most_common(3))
import pandas as pd
import datetime
import matplotlib.pyplot as plt
#Reporte por fecha
ventasdf["Transaction_date"]=pd.to_datetime(ventasdf["Transaction_date"])
A = (ventasdf["Transaction_date’]
.dt.floor("d")
.value_counts()
.rename_axis("date")
.reset_index(name="num ventas"))
G=A.plot(x="date",y="num ventas",color="green",title="Ventas por fecha")
plt.show()
Referencias
https://cs231n.github.io/python-numpy-tutorial/
https://matplotlib.org/Matplotlib.pdf
https://pandas.pydata.org/
https://www.learnpython.org/es/Pandas_Basics
Rodrı́guez, A (2020). Curso de Programación en Python.
https://github.com/arleserp/cursopython