Ploteo y programación en Python: Todo en una sola página

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 15 minutos

Hoja de ruta

Preguntas

¿Cómo puedo ejecutar programas Python?

Objetivos

Inicia el servidor de JupyterLab.
Crea un nuevo script Python.
Crea un cuaderno Jupyter.
Apaga el servidor de JupyterLab.
Comprender la diferencia entre un script Python y un cuaderno Jupyter.
Crea celdas Markdown en un cuaderno.
Crear y ejecutar celdas de Python en un cuaderno.

Para ejecutar Python, vamos a utilizar Jupyter Notebooks a través de JupyterLab para el resto de este taller. Los cuadernos Jupyter son comunes en la ciencia de datos y visualización, y sirven como una experiencia conveniente para ejecutar código Python de forma interactiva donde podemos ver y compartir fácilmente los resultados de nuestro código Python.

Existen otras formas de editar, gestionar y ejecutar código. Los desarrolladores de software suelen utilizar un entorno de desarrollo integrado (IDE) como PyCharm o Visual Studio Code, o editores de texto como Vim o Emacs, para crear y editar sus programas Python. Después de editar y guardar sus programas Python puede ejecutar esos programas dentro del propio IDE o directamente en la línea de comandos. En cambio, los cuadernos Jupyter nos permiten ejecutar y ver los resultados de nuestro código Python inmediatamente dentro del cuaderno.

JupyterLab tiene otras funciones muy útiles:

Puedes escribir, editar y copiar y pegar fácilmente bloques de código.
En pestaña completa te permite acceder fácilmente a los nombres de las cosas que estás utilizando y aprender más sobre ellas.
Te permite anotar tu código con enlaces, texto de distinto tamaño, viñetas, etc. para hacerlo más accesible a ti y a tus colaboradores.
Te permite mostrar figuras junto al código que las produce para contar una historia completa del análisis.

Cada cuaderno contiene una o más celdas que contienen código, texto o imágenes.

Introducción a JupyterLab

JupyterLab es un servidor de aplicaciones con interfaz web de usuario del Proyecto Jupyter que permite trabajar con documentos y actividades como cuadernos Jupyter, editores de texto, terminales e incluso componentes personalizados de forma flexible, integrada y extensible. JupyterLab requiere un navegador razonablemente actualizado (idealmente una versión actual de Chrome, Safari o Firefox); las versiones 9 e inferiores de Internet Explorer no son compatibles.

JupyterLab se incluye como parte de la distribución Anaconda Python. Si aún no has instalado la distribución Anaconda Python, consulta las instrucciones de instalación para obtener instrucciones de instalación.

En esta lección ejecutaremos JupyterLab localmente en nuestras propias máquinas, por lo que no será necesaria una conexión a Internet aparte de la conexión inicial para descargar e instalar Anaconda y JupyterLab

Inicia el servidor de JupyterLab en tu máquina
Utiliza un navegador web para abrir una URL localhost especial que conecte con tu servidor JupyterLab
El servidor de JupyterLab hace el trabajo y el navegador web muestra el resultado
Escriba código en el navegador y vea los resultados después de que su servidor JupyterLab haya terminado de ejecutar su código

¿JupyterLab? ¿Y para los cuadernos Jupyter?

JupyterLab es la siguiente etapa en la evolución del Jupyter Notebook. Si tienes experiencia previa trabajando con cuadernos Jupyter, entonces tendrás una buena idea de qué esperar de JupyterLab.

Los usuarios experimentados de Jupyter notebooks interesados en una discusión más detallada de las similitudes y diferencias entre las interfaces de usuario de JupyterLab y Jupyter notebook pueden encontrar más información en la documentación de la interfaz de usuario de JupyterLab.

Iniciando JupyterLab

Puede iniciar el servidor JupyterLab a través de la línea de comandos o a través de una aplicación llamada Anaconda Navigator. Anaconda Navigator se incluye como parte de la distribución Anaconda Python.

macOS - Línea de comandos

Para iniciar el servidor de JupyterLab necesitarás acceder a la línea de comandos a través del Terminal. Hay dos formas de abrir Terminal en Mac.

En la carpeta Aplicaciones, abre Utilidades y haz doble clic en Terminal
Pulsa Comando + barra espaciadora para iniciar Spotlight. Escriba Terminal y, a continuación, haga doble clic en el resultado de la búsqueda o pulse Intro

Después de lanzar Terminal, escribe el comando para lanzar el servidor JupyterLab.

BASH

$ jupyter lab

Usuarios de Windows - Línea de comandos

Para iniciar el servidor de JupyterLab necesitarás acceder al Prompt de Anaconda.

Pulsa Tecla del logotipo de Windows y busca Anaconda Prompt, haz clic en el resultado o pulsa intro.

Después de haber lanzado Anaconda Prompt, escriba el comando:

BASH

$ jupyter lab

Navegador Anaconda

Para iniciar un servidor JupyterLab desde Anaconda Navigator primero debes iniciar Anaconda Navigator (haz clic para obtener instrucciones detalladas en macOS, Windows y Linux). Puedes buscar Anaconda Navigator a través de Spotlight en macOS (Comando + barra espaciadora), la función de búsqueda de Windows (Tecla del logotipo de Windows) o abriendo un intérprete de comandos de terminal y ejecutando el ejecutable anaconda-navigator desde la línea de comandos.

Después de iniciar el Navegador Anaconda, haz clic en el botón Launch debajo de JupyterLab. Puede que tengas que desplazarte hacia abajo para encontrarlo.

He aquí una captura de pantalla de una página de Anaconda Navigator similar a la que debería abrirse en macOS o Windows.

Anaconda Navigator landing page

Y aquí tienes una captura de pantalla de una página de inicio de JupyterLab que debería ser similar a la que se abre en tu navegador web predeterminado después de iniciar el servidor de JupyterLab en macOS o Windows.

JupyterLab landing page

La interfaz de JupyterLab

JupyterLab tiene muchas características que se encuentran en los entornos de desarrollo integrados (IDE) tradicionales, pero se centra en proporcionar bloques de construcción flexibles para la computación interactiva y exploratoria.

La Interfaz de JupyterLab consiste en la Barra de Menú, una Barra Lateral Izquierda colapsable, y el Área de Trabajo Principal que contiene pestañas de documentos y actividades.

Barra de menús

La Barra de Menús en la parte superior de JupyterLab tiene los menús de nivel superior que exponen varias acciones disponibles en JupyterLab junto con sus atajos de teclado (donde sea aplicable). Los siguientes menús están incluidos por defecto.

Archivo: Acciones relacionadas con archivos y directorios como Nuevo, Abrir, Cerrar, Guardar, etc. El menú Archivo también incluye la acción Apagar utilizada para apagar el servidor de JupyterLab.
Edición: Acciones relacionadas con la edición de documentos y otras actividades como Deshacer, Cortar, Copiar, Pegar, etc.
Ver: Acciones que alteran la apariencia de JupyterLab.
Ejecutar: Acciones para ejecutar código en diferentes actividades como cuadernos y consolas de código (discutidas más adelante).
Kernel: Acciones para gestionar kernels. Los kernels en Jupyter se explicarán con más detalle a continuación.
Pestañas: Una lista de los documentos y actividades abiertos en el área de trabajo principal.
Configuración: Los ajustes comunes de JupyterLab pueden configurarse usando este menú. También hay una opción Editor de Ajustes Avanzados en el menú desplegable que proporciona un control más fino de los ajustes de JupyterLab y las opciones de configuración.
Ayuda: Una lista de enlaces de ayuda de JupyterLab y del kernel.

Núcleos

Los [docs] de JupyterLab(https://jupyterlab.readthedocs.io/en/stable/user/documents_kernels.html) definen los kernels como “procesos separados iniciados por el servidor que ejecuta tu código en diferentes lenguajes y entornos de programación.” Cuando abrimos un Jupyter Notebook, se inicia un kernel - un proceso - que va a ejecutar el código. En esta lección, utilizaremos el kernel ipython de Jupyter que nos permite ejecutar código Python 3 de forma interactiva.

El uso de otros [kernels para otros lenguajes de programación] de Jupyter (https://github.com/jupyter/jupyter/wiki/Jupyter-kernels) nos permitiría escribir y ejecutar código en otros lenguajes de programación en la misma interfaz de JupyterLab, como R, Java, Julia, Ruby, JavaScript, Fortran, etc.

A continuación se muestra una captura de pantalla de la Barra de Menús por defecto.

JupyterLab Menu Bar

Barra lateral izquierda

La barra lateral izquierda contiene una serie de pestañas de uso común, como un explorador de archivos (que muestra el contenido del directorio en el que se inició el servidor JupyterLab), una lista de kernels y terminales en ejecución, la paleta de comandos y una lista de pestañas abiertas en el área de trabajo principal. A continuación se muestra una captura de pantalla de la barra lateral izquierda por defecto.

JupyterLab Left Side Bar

La barra lateral izquierda puede contraerse o expandirse seleccionando “Mostrar barra lateral izquierda” en el menú Ver o haciendo clic en la pestaña de la barra lateral activa.

Área de trabajo principal

El área de trabajo principal de JupyterLab permite organizar los documentos (cuadernos, archivos de texto, etc.) y otras actividades (terminales, consolas de código, etc.) en paneles de pestañas que se pueden redimensionar o subdividir. A continuación se muestra una captura de pantalla del Área de trabajo principal por defecto.

Si no ves la pestaña Launcher, haz clic en el signo más azul bajo los menús “Archivo” y “Editar” y aparecerá.

JupyterLab Main Work Area

Arrastre una pestaña al centro de un panel de pestañas para mover la pestaña al panel. Subdividir un panel de pestañas arrastrando una pestaña a la izquierda, derecha, parte superior o inferior del panel. El área de trabajo tiene una única actividad actual. La pestaña de la actividad actual está marcada con un borde superior de color (azul por defecto).

Creación de un script Python

Para empezar a escribir un nuevo programa Python haz clic en el icono Archivo de Texto bajo la cabecera Others en la pestaña Lanzador del Área de Trabajo Principal.
- También puede crear un nuevo archivo de texto sin formato seleccionando New -> Textfile en el menú File de la barra de menús.
Para convertir este archivo de texto plano en un programa Python, selecciona la acción Save file as del menú File en la Barra de Menú y dale a tu nuevo archivo de texto un nombre que termine con la extensión .py.
- La extensión .py permite a todo el mundo (incluido el sistema operativo) saber que este archivo de texto es un programa Python.
- Esto es una convención, no un requisito.

Crear un cuaderno Jupyter

Para abrir un nuevo cuaderno haz clic en el icono Python 3 bajo la cabecera Notebook en la pestaña Lanzador del área de trabajo principal. También puedes crear un nuevo cuaderno seleccionando New -> Notebook en el menú File de la Barra de Menús.

Notas adicionales sobre los cuadernos Jupyter.

Los archivos de cuaderno tienen la extensión .ipynb para distinguirlos de los programas Python de texto plano.
Los cuadernos pueden exportarse como scripts de Python que pueden ejecutarse desde la línea de comandos.

A continuación se muestra una captura de pantalla de un cuaderno Jupyter ejecutándose dentro de JupyterLab. Si estás interesado en más detalles, consulta la documentación oficial del cuaderno.

Example Jupyter Notebook

Cómo se almacena

El archivo del cuaderno se almacena en un formato llamado JSON.
Al igual que una página web, lo que se guarda tiene un aspecto diferente de lo que se ve en el navegador.
Pero este formato permite a Jupyter mezclar código fuente, texto e imágenes, todo en un mismo archivo.

Organizar documentos en paneles de pestañas

En el área de trabajo principal de JupyterLab puedes organizar los documentos en paneles de pestañas. Aquí tienes un ejemplo de la documentación oficial.

Multi-panel JupyterLab

En primer lugar, cree un archivo de texto, una consola Python y una ventana de terminal y dispóngalos en tres paneles en el área de trabajo principal. A continuación, cree un cuaderno, una ventana de terminal y un archivo de texto y dispóngalos en tres paneles en el área de trabajo principal. Por último, crea tu propia combinación de paneles y pestañas. ¿Qué combinación de paneles y pestañas crees que será más útil para tu flujo de trabajo?

Solución

Después de crear las pestañas necesarias, puedes arrastrar una de las pestañas al centro de un panel para mover la pestaña al panel; después puedes subdividir un panel de pestañas arrastrando una pestaña a la izquierda, derecha, parte superior o inferior del panel.

Código vs. Texto

Jupyter mezcla código y texto en diferentes tipos de bloques, llamados celdas. A menudo utilizamos el término “código” para referirnos al “código fuente del software escrito en un lenguaje como Python”. Una “celda de código” en un Cuaderno es una celda que contiene software; una “celda de texto” es una que contiene prosa ordinaria escrita para seres humanos.

El Cuaderno dispone de los modos Comando y Edición.

Si pulsa Esc y Return alternativamente, el borde exterior de su celda de código cambiará de gris a azul.
Estos son los modos Command/Comando (gris) y Edit/Edición (azul) de tu bloc de notas.
El modo Comando te permite editar las características del cuaderno, y el modo Edición cambia el contenido de las celdas.
En modo Comando (esc/gris),
- La tecla b creará una nueva celda debajo de la celda seleccionada actualmente.
- La tecla a hará una arriba.
- La tecla x borrará la celda actual.
- La tecla z deshará su última operación de celda (que podría ser una eliminación, creación, etc.).
Todas las acciones se pueden realizar utilizando los menús, pero hay muchos atajos de teclado para agilizar las cosas.

Comando Vs. Edición

En la página del cuaderno Jupyter, ¿estás actualmente en modo Comando o Edición?
Cambia entre los modos. Utiliza los atajos para generar una nueva celda. Utiliza los atajos para borrar una celda. Utiliza los atajos para deshacer la última operación de celda realizada.

Solución

El modo Comando tiene un borde gris y el modo Edición tiene un borde azul. Utilice Esc y Return para cambiar de un modo a otro. Necesitas estar en modo Comando (Pulsa Esc si tu celda es azul). Escribe b o a. Tienes que estar en modo Comando (Pulsa Esc si tu celda es azul). Escriba x. Tienes que estar en modo Comando (Pulsa Esc si tu celda es azul). Escriba z.

Utiliza el teclado y el ratón para seleccionar y editar celdas.

Al pulsar la tecla Return, el borde se vuelve azul y se activa el modo Edición, que permite escribir dentro de la celda.
Como queremos poder escribir muchas líneas de código en una sola celda, al pulsar la tecla Retorno cuando se está en modo Edición (azul) se mueve el cursor a la siguiente línea de la celda, igual que en un editor de texto.
Necesitamos alguna otra forma de decirle al Notebook que queremos ejecutar lo que hay en la celda.
Al pulsar conjuntamente Mayús+Retorno se ejecutará el contenido de la celda.
Observa que las teclas Return y Shift de la derecha del teclado están una al lado de la otra.

El Cuaderno convertirá Markdown en documentación con una bonita impresión.

Los cuadernos también pueden renderizar Markdown.
- Un sencillo formato de texto plano para escribir listas, enlaces y otras cosas que podrían ir en una página web.
- Equivalentemente, un subconjunto de HTML que se parece a lo que enviarías en un correo electrónico a la antigua usanza.
Convierte la celda actual en una celda Markdown entrando en el modo Comando (Esc/gris) y pulsa la tecla M.
In [ ]: desaparecerá para mostrar que ya no es una celda de código y podrás escribir en Markdown.
Convierta la celda actual en una celda de Código entrando en el modo Comando (Esc/gris) y pulse la tecla y.

Markdown hace la mayor parte de lo que hace HTML.

Tabla: Mostrando algo de sintaxis markdown y su salida renderizada.

Markdown code	Rendered output
`* Use asterisks * to create * bullet lists.`	Use asterisks to create bullet lists.
`1. Use numbers 1. to create 1. bullet lists.`	Use numbers to create numbered lists.
`* You can use indents * To create sublists * of the same type * Or sublists 1. Of different 1. types`	You can use indents To create sublists of the same type Or sublists Of different types
`# A Level-1 Heading`	A Level-1 Heading
`## A Level-2 Heading (etc.)`	A Level-2 Heading (etc.)
`Line breaks don't matter. But blank lines create new paragraphs.`	Line breaks don’t matter. But blank lines create new paragraphs.
[Links](http://software-carpentry.org) are created with `[...](...)`. Or use [named links][data-carp]. [data-carp]: http://datacarpentry.org	Links are created with `[...](...)`. Or use named links.

Creación de listas en Markdown

Crea una lista anidada en una celda Markdown de un cuaderno con el siguiente aspecto:

Obtener financiación.
Haz el trabajo.

Experimento de diseño.
Recopilar datos.
Analizar.

Escribe.
Publicar.

Solución

Este reto integra tanto la lista numerada como la lista con viñetas. Observe que la lista con viñetas está sangrada 2 espacios para que esté en línea con los elementos de la lista numerada.

1.  Get funding.
2.  Do work.
    *   Design experiment.
    *   Collect data.
    *   Analyze.
3.  Write up.
4.  Publish.

Más matemáticas

¿Qué se muestra cuando se ejecuta una celda Python en un cuaderno que contiene varios cálculos? Por ejemplo, ¿qué ocurre cuando se ejecuta esta celda?

PYTHON

7 * 3
2 + 1

Solución

Python devuelve la salida del último cálculo.

PYTHON

Cambiar una celda existente de código a Markdown

¿Qué ocurre si escribes algo de Python en una celda de código y luego lo cambias a una celda de Markdown? Por ejemplo, pon lo siguiente en una celda de código:

PYTHON

x = 6 * 7 + 12
print(x)

Y luego ejecútalo con Shift+Return para asegurarte de que funciona como una celda de código. Ahora vuelve a la celda y usa Esc y luego m para cambiar la celda a Markdown y “ejecútala” con Shift+Return. ¿Qué ha pasado y en qué puede ser útil?

Solución

El código Python se trata como texto Markdown. Las líneas aparecen como si formaran parte de un párrafo contiguo. Esto podría ser útil para activar y desactivar temporalmente celdas en cuadernos que se utilizan para múltiples propósitos.

PYTHON

x = 6 * 7 + 12 print(x)

Ecuaciones

Markdown estándar (como el que estamos utilizando para estas notas) no mostrará ecuaciones, pero Notebook sí. Crea una nueva celda Markdown e introduce lo siguiente:

$\sum_{i=1}^{N} 2^{-i} \approx 1$

(Probablemente sea más fácil copiar y pegar.) ¿Qué muestra? ¿Qué crees que hacen el guión bajo, _, el circunflejo, ^, y el símbolo del dólar, $?

Solución

El cuaderno muestra la ecuación tal y como se representaría a partir de la sintaxis de ecuaciones de LaTeX. El signo del dólar, $, se utiliza para indicar a Markdown que el texto intermedio es una ecuación LaTeX. Si no está familiarizado con LaTeX, el guión bajo, _, se utiliza para los subíndices y el circunflejo, ^, para los superíndices. Un par de llaves, { y }, se utilizan para agrupar texto de forma que la expresión i=1 se convierta en subíndice y N en superíndice. Del mismo modo, -i está entre llaves para que toda la expresión sea el superíndice de 2.\sum y \approx son comandos LaTeX para los símbolos “suma sobre” y “aproxima”.

Cerrar JupyterLab

En la barra de menús, seleccione el menú “File” y, a continuación, elija “Shut down” en la parte inferior del menú desplegable. Se le pedirá que confirme que desea apagar el servidor JupyterLab (¡no olvide guardar su trabajo!). Haga clic en “Shut Down” para apagar el servidor JupyterLab.
Para reiniciar el servidor de JupyterLab tendrás que volver a ejecutar el siguiente comando desde un intérprete de comandos.

$ jupyter lab

Cerrar JupyterLab

Practica cerrando y reiniciando el servidor de JupyterLab.

Puntos Clave

Los scripts de Python son archivos de texto sin formato.
Utiliza el Jupyter Notebook para editar y ejecutar Python.
El Notebook dispone de los modos Command y Edition.
Utilizar el teclado y el ratón para seleccionar y editar celdas.
El Cuaderno convertirá Markdown en documentación con una bonita impresión.
Markdown hace la mayor parte de lo que hace HTML.

Content from Variables y asignación

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Cómo puedo almacenar datos en los programas?

Objetivos

Escribe programas que asignen valores escalares a variables y realicen cálculos con esos valores.
Trazar correctamente cambios de valor en programas que usan asignación escalar.

Usa variables para almacenar valores.

Variables son nombres para valores.
Nombres de variables
- sólo puede contener letras, dígitos y el guión bajo _ (típicamente usado para separar palabras en nombres largos de variables)
- no puede empezar por un dígito
- son sensibles a mayúsculas (edad, Age y AGE son tres variables diferentes)
El nombre también debe ser significativo para que usted u otro programador sepa lo que es
Los nombres de variables que empiezan con guiones bajos como __alistairs_real_age tienen un significado especial, así que no lo haremos hasta que entendamos la convención.
En Python el símbolo = asigna el valor de la derecha al nombre de la izquierda.
La variable se crea cuando se le asigna un valor.
Aquí, Python asigna una edad a la variable age y un nombre entre comillas a la variable first_name.
PYTHON
```
age = 42
first_name = 'Ahmed'
```

Usa `print` para mostrar valores.

Python tiene una función integrada llamada print que imprime cosas como texto.
Llama a la función (es decir, dile a Python que la ejecute) utilizando su nombre.
Proporcione valores a la función (es decir, las cosas a imprimir) entre paréntesis.
Para añadir una cadena a la impresión, encierre la cadena entre comillas simples o dobles.
Los valores pasados a la función se llaman argumentos

PYTHON

print(first_name, 'is', age, 'years old')

SALIDA

Ahmed is 42 years old

print pone automáticamente un espacio entre los elementos para separarlos.
Y se envuelve en una nueva línea al final.

Las variables deben ser creadas antes de ser usadas.

Si una variable aún no existe, o si el nombre está mal escrito, Python informa de un error. (A diferencia de algunos lenguajes, que “adivinan” un valor por defecto)

PYTHON

print(last_name)

ERROR

---------------------------------------------------------------------------
NameError                                 Traceback (most recent call last)
<ipython-input-1-c1fbb4e96102> in <module>()
----> 1 print(last_name)

NameError: name 'last_name' is not defined

La última línea de un mensaje de error suele ser la más informativa.
Veremos los mensajes de error en detalle más adelante.

Las variables persisten entre celdas

Ten en cuenta que lo importante en un cuaderno Jupyter es el orden de ejecución de las celdas, no el orden en que aparecen. Python recordará todo el código que se ejecutó previamente, incluyendo cualquier variable que hayas definido, independientemente del orden en el cuaderno. Por lo tanto, si defines variables más abajo en el cuaderno y luego (re)ejecutas celdas más arriba, las definidas más abajo seguirán presentes. Como ejemplo, cree dos celdas con el siguiente contenido, en este orden:

PYTHON

print(myval)

PYTHON

myval = 1

Si ejecutas esto en orden, la primera celda dará un error. Sin embargo, si ejecutas la primera celda después de la segunda se imprimirá 1. Para evitar confusiones, puede ser útil utilizar la opción Kernel -> Restart & Run All que limpia el intérprete y ejecuta todo desde cero de arriba a abajo.

Las variables pueden usarse en cálculos.

Podemos usar variables en cálculos como si fueran valores.
- Recuerda, asignamos el valor 42 a age hace unas líneas.

PYTHON

age = age + 3
print('Age in three years:', age)

SALIDA

Age in three years: 45

Usa un índice para obtener un único carácter de una cadena.

Los caracteres (letras, números, etc.) de una cadena están ordenados. Por ejemplo, la cadena 'AB' no es lo mismo que 'BA'. Debido a este orden, podemos tratar la cadena como una lista de caracteres.
A cada posición en la cadena (primera, segunda, etc.) se le asigna un número. Este número se llama índice o a veces subíndice.
Los índices se numeran desde 0.
Usa el índice de la posición entre corchetes para obtener el carácter en esa posición.

Una línea de código Python, print(nombre_del_átomo[0]), demuestra que el uso del índice cero mostrará sólo la letra inicial, en este caso “h” de helio

PYTHON

atom_name = 'helium'
print(atom_name[0])

SALIDA

Usa un slice para obtener una subcadena.

Una parte de una cadena se llama subcadena. Una subcadena puede ser tan corta como un solo carácter.
Un elemento de una lista se llama elemento. Cuando tratamos una cadena como si fuera una lista, los elementos de la cadena son sus caracteres individuales.
Un slice es una parte de una cadena (o, más generalmente, una parte de cualquier cosa parecida a una lista).
Tomamos una porción con la notación [start:stop], donde start es el índice entero del primer elemento que queremos y stop es el índice entero del elemento justo después del último elemento que queremos.
La diferencia entre stop y start es la longitud de la porción.
Tomar un slice no cambia el contenido de la cadena original. En su lugar, al tomar una porción se devuelve una copia de parte de la cadena original.

PYTHON

atom_name = 'sodium'
print(atom_name[0:3])

SALIDA

sod

Usa la función `len` para encontrar la longitud de una cadena.

PYTHON

print(len('helium'))

SALIDA

Las funciones anidadas se evalúan de dentro a fuera, como en matemáticas.

Python distingue entre mayúsculas y minúsculas.

Python piensa que las mayúsculas y minúsculas son diferentes, por lo que Name y name son variables diferentes.
Hay convenciones para usar mayúsculas al principio de los nombres de las variables, así que por ahora usaremos minúsculas.

Usa nombres de variables con sentido.

A Python no le importa cómo llames a las variables siempre que cumplan las reglas (caracteres alfanuméricos y guión bajo).

PYTHON

flabadab = 42
ewr_422_yY = 'Ahmed'
print(ewr_422_yY, 'is', flabadab, 'years old')

Utiliza nombres de variables significativos para ayudar a otras personas a entender lo que hace el programa.
La “otra persona” más importante es tu futuro yo.

Intercambiando Valores

Rellena la tabla con los valores de las variables de este programa después de ejecutar cada sentencia.

PYTHON

# Command  # Value of x   # Value of y   # Value of swap #
x = 1.0    #              #              #               #
y = 3.0    #              #              #               #
swap = x   #              #              #               #
x = y      #              #              #               #
y = swap   #              #              #               #

Solución

SALIDA

# Command  # Value of x   # Value of y   # Value of swap #
x = 1.0    # 1.0          # not defined  # not defined   #
y = 3.0    # 1.0          # 3.0          # not defined   #
swap = x   # 1.0          # 3.0          # 1.0           #
x = y      # 3.0          # 3.0          # 1.0           #
y = swap   # 3.0          # 1.0          # 1.0           #

Estas tres líneas intercambian los valores en x y y usando la variable swap para almacenamiento temporal. Este es un lenguaje de programación bastante común.

Predicción de valores

¿Cuál es el valor final de position en el programa? (Intenta predecir el valor sin ejecutar el programa, luego comprueba tu predicción)

PYTHON

initial = 'left'
position = initial
initial = 'right'

Solución

PYTHON

print(position)

SALIDA

left

A la variable initial se le asigna el valor 'left'. En la segunda línea, la variable position también recibe el valor 'left'. En la tercera línea, la variable initial recibe el valor 'right', pero la variable position conserva su valor de cadena 'left'.

Desafío

Si asignas a = 123, ¿qué pasa si intentas obtener el segundo dígito de a mediante a[1]?

Solución

Los números no son cadenas o secuencias y Python dará un error si intentas realizar una operación de índice en un número. En la próxima lección sobre tipos y conversión de tipos aprenderemos más sobre tipos y cómo convertir entre diferentes tipos. Si quieres el enésimo dígito de un número puedes convertirlo en una cadena utilizando la función incorporada str y luego realizar una operación de índice sobre esa cadena.

PYTHON

a = 123
print(a[1])

ERROR

TypeError: 'int' object is not subscriptable

PYTHON

a = str(123)
print(a[1])

SALIDA

Elegir un Nombre

¿Qué nombre de variable es mejor, m, min o minutes? Pista: piensa qué código preferirías heredar de alguien que va a dejar el laboratorio:

ts = m * 60 + s
tot_sec = min * 60 + sec
total_seconds = minutes * 60 + seconds

Solución

minutes es mejor porque min puede significar algo como “mínimo” (y en realidad es una función incorporada en Python que veremos más adelante).

Práctica de rebanado

¿Qué imprime el siguiente programa?

PYTHON

atom_name = 'carbon'
print('atom_name[1:3] is:', atom_name[1:3])

Solución

SALIDA

atom_name[1:3] is: ar

Conceptos de rebanado

Dada la siguiente cadena:

PYTHON

species_name = "Acacia buxifolia"

¿Qué devolverían estas expresiones?

species_name[2:8]
species_name[11:] (sin valor después de los dos puntos)
species_name[:4] (sin valor antes de los dos puntos)
species_name[:] (sólo dos puntos)
species_name[11:-3]
species_name[-5:-3]
¿Qué pasa cuando eliges un valor stop que está fuera de rango? (por ejemplo, prueba con species_name[0:20] o species_name[:103])

Soluciones

species_name[2:8] devuelve la subcadena 'acia b'
species_name[11:] devuelve la subcadena 'folia', desde la posición 11 hasta el final
species_name[:4] devuelve la subcadena 'Acac', desde el inicio hasta la posición 4, pero sin incluirla
species_name[:] devuelve la cadena completa 'Acacia buxifolia'
species_name[11:-3] devuelve la subcadena 'fo', desde la posición 11 hasta la antepenúltima posición
species_name[-5:-3] también devuelve la subcadena 'fo', desde la quinta última posición hasta la antepenúltima
Si una parte de la porción está fuera del rango, la operación no falla. species_name[0:20] da el mismo resultado que species_name[0:], y species_name[:103] da el mismo resultado que species_name[:]

Puntos Clave

Utiliza variables para almacenar valores.
Usa print para mostrar valores.
Las variables persisten entre celdas.
Las variables deben crearse antes de usarse.
Las variables pueden usarse en cálculos.
Utiliza un índice para obtener un único carácter de una cadena.
Usa un slice para obtener una subcadena.
Usa la función len para encontrar la longitud de una cadena.
Python distingue entre mayúsculas y minúsculas.
Usa nombres de variables con sentido.

Content from Tipos de datos y conversión de tipos

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Qué tipo de datos almacenan los programas?
¿Cómo puedo convertir un tipo en otro?

Objetivos

Explica las principales diferencias entre los números enteros y los de coma flotante.
Explica las principales diferencias entre números y cadenas de caracteres.
Utiliza funciones incorporadas para convertir entre enteros, números de coma flotante y cadenas.

Cada valor tiene un tipo.

Cada valor en un programa tiene un tipo específico.
Número entero (int): representa números enteros positivos o negativos como 3 o -512.
Número en coma flotante (float): representa números reales como 3.14159 o -2.5.
Cadena de caracteres (normalmente llamada “string”, str): texto.
- Escrita entre comillas simples o dobles (siempre que coincidan).
- Las comillas no se imprimen cuando se muestra la cadena.

Utilice la función incorporada `type` para encontrar el tipo de un valor.

Utilice la función incorporada type para averiguar qué tipo tiene un valor.
También funciona con variables.
- Pero recuerda: el valor tiene el tipo — la variable es sólo una etiqueta.

PYTHON

print(type(52))

SALIDA

<class 'int'>

PYTHON

fitness = 'average'
print(type(fitness))

SALIDA

<class 'str'>

Los tipos controlan qué operaciones (o métodos) pueden realizarse sobre un valor dado.

El tipo de un valor determina lo que el programa puede hacer con él.

PYTHON

print(5 - 3)

SALIDA

PYTHON

print('hello' - 'h')

ERROR

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-2-67f5626a1e07> in <module>()
----> 1 print('hello' - 'h')

TypeError: unsupported operand type(s) for -: 'str' and 'str'

Puede utilizar los operadores “+” y “*” en cadenas.

“Sumar” cadenas de caracteres las concatena.

PYTHON

full_name = 'Ahmed' + ' ' + 'Walsh'
print(full_name)

SALIDA

Ahmed Walsh

Al multiplicar una cadena de caracteres por un número entero N se crea una nueva cadena que consiste en esa cadena de caracteres repetida N veces.
- Dado que la multiplicación es una suma repetida.

PYTHON

separator = '=' * 10
print(separator)

SALIDA

==========

Las cadenas tienen una longitud (pero los números no).

La función incorporada len cuenta el número de caracteres de una cadena.

PYTHON

print(len(full_name))

SALIDA

Pero los números no tienen longitud (ni siquiera cero).

PYTHON

print(len(52))

ERROR

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-3-f769e8e8097d> in <module>()
----> 1 print(len(52))

TypeError: object of type 'int' has no len()

Debe convertir números en cadenas o viceversa cuando opera con ellos.

No puede sumar números y cadenas.

PYTHON

print(1 + '2')

ERROR

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-4-fe4f54a023c6> in <module>()
----> 1 print(1 + '2')

TypeError: unsupported operand type(s) for +: 'int' and 'str'

No está permitido porque es ambiguo: ¿debería 1 + '2' ser 3 o '12'?
Algunos tipos pueden convertirse en otros utilizando el nombre del tipo como función.

PYTHON

print(1 + int('2'))
print(str(1) + '2')

SALIDA

3
12

Puede mezclar enteros y flotantes libremente en las operaciones.

Los números enteros y los de coma flotante pueden mezclarse en aritmética.
- Python 3 convierte automáticamente enteros a flotantes cuando es necesario.

PYTHON

print('half is', 1 / 2.0)
print('three squared is', 3.0 ** 2)

SALIDA

half is 0.5
three squared is 9.0

Las variables sólo cambian de valor cuando se les asigna algo.

Si hacemos que una celda de una hoja de cálculo dependa de otra, y actualizamos esta última, la primera se actualiza automáticamente.
Esto no ocurre en los lenguajes de programación.

PYTHON

variable_one = 1
variable_two = 5 * variable_one
variable_one = 2
print('first is', variable_one, 'and second is', variable_two)

SALIDA

first is 2 and second is 5

El ordenador lee el valor de variable_one al hacer la multiplicación, crea un nuevo valor y se lo asigna a variable_two.
Después, el valor de variable_two se fija al nuevo valor y no depende de variable_one por lo que su valor no cambia automáticamente cuando cambia variable_one.

Fracciones

¿Qué tipo de valor es 3.4? ¿Cómo puedes averiguarlo?

Solución

Es un número de coma flotante (a menudo abreviado “float”). Se puede averiguar utilizando la función incorporada type().

PYTHON

print(type(3.4))

SALIDA

<class 'float'>

Conversión automática de tipos

¿Qué tipo de valor es 3,25 + 4?

Solución

Es un float: los enteros se convierten automáticamente en floats cuando es necesario.

PYTHON

result = 3.25 + 4
print(result, 'is', type(result))

SALIDA

7.25 is <class 'float'>

Elija un tipo

¿Qué tipo de valor (entero, número de coma flotante o cadena de caracteres) utilizarías para representar cada uno de los siguientes elementos? Intenta dar más de una buena respuesta para cada problema. Por ejemplo, en # 1, ¿cuándo tendría más sentido contar los días con una variable de coma flotante que con un número entero?

Número de días transcurridos desde el inicio del año.
Tiempo transcurrido desde el inicio del año hasta ahora en días.
Número de serie de un equipo de laboratorio.
Edad de una muestra de laboratorio
Población actual de una ciudad.
Población media de una ciudad a lo largo del tiempo.

Solución

Las respuestas a las preguntas son:

Número entero, ya que el número de días estaría comprendido entre 1 y 365.
coma flotante, ya que se requieren días fraccionarios
Cadena de caracteres si el número de serie contiene letras y números, en caso contrario entero si el número de serie consta sólo de números
¡Esto variará! ¿Cómo se define la edad de un espécimen? ¿días enteros desde la recogida (entero)? ¿fecha y hora (cadena)?
Elija coma flotante para representar la población como grandes agregados (por ejemplo, millones), o enteros para representar la población en unidades de individuos.
Número en coma flotante, ya que es probable que un promedio tenga una parte fraccionaria.

Tipos de división

En Python 3, el operador // realiza la división de enteros (números enteros), el operador / realiza la división de coma flotante, y el operador % (o modulo) calcula y devuelve el resto de la división de enteros:

PYTHON

print('5 // 3:', 5 // 3)
print('5 / 3:', 5 / 3)
print('5 % 3:', 5 % 3)

SALIDA

5 // 3: 1
5 / 3: 1.6666666666666667
5 % 3: 2

Si num_subjects es el número de sujetos que participan en un estudio, y num_per_survey es el número que puede participar en una sola encuesta, escriba una expresión que calcule el número de encuestas necesarias para llegar a todos una sola vez.

Solución

Queremos el número mínimo de encuestas que llega a todos una vez, que es el valor redondeado de num_subjects/ num_per_survey. Esto equivale a realizar una división por el suelo con // y sumarle 1. Antes de la división hay que restar 1 al número de sujetos para el caso en que num_subjects sea divisible por num_per_survey.

PYTHON

num_subjects = 600
num_per_survey = 42
num_surveys = (num_subjects - 1) // num_per_survey + 1

print(num_subjects, 'subjects,', num_per_survey, 'per survey:', num_surveys)

SALIDA

600 subjects, 42 per survey: 15

Cadenas a Números

Cuando sea razonable, float() convertirá una cadena a un número de coma flotante, y int() convertirá un número de coma flotante a un entero:

PYTHON

print("string to float:", float("3.4"))
print("float to int:", int(3.4))

SALIDA

string to float: 3.4
float to int: 3

Sin embargo, si la conversión no tiene sentido, aparecerá un mensaje de error.

PYTHON

print("string to float:", float("Hello world!"))

ERROR

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-5-df3b790bf0a2> in <module>
----> 1 print("string to float:", float("Hello world!"))

ValueError: could not convert string to float: 'Hello world!'

Dada esta información, ¿qué esperas que haga el siguiente programa?

¿Qué hace realmente?

¿Por qué crees que hace eso?

PYTHON

print("fractional string to int:", int("3.4"))

Solución

¿Qué esperas que haga este programa? No sería tan descabellado esperar que el comando int de Python 3 convirtiera la cadena “3.4” a 3.4 y una conversión de tipo adicional a 3. Después de todo, Python 3 realiza muchas otras magias - ¿no es eso parte de su encanto?

PYTHON

int("3.4")

SALIDA

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-2-ec6729dfccdc> in <module>
----> 1 int("3.4")
ValueError: invalid literal for int() with base 10: '3.4'

Sin embargo, Python 3 arroja un error. ¿Por qué? Para ser consistente, posiblemente. Si le pides a Python que realice dos typecasts consecutivos, debes convertirlo explícitamente en código.

PYTHON

int(float("3.4"))

SALIDA

Aritmética con diferentes tipos

¿Cuál de las siguientes opciones devolverá el número de coma flotante 2.0? Nota: puede haber más de una respuesta correcta.

PYTHON

first = 1.0
second = "1"
third = "1.1"

first + float(second)
float(second) + float(third)
first + int(third)
first + int(float(third))
int(first) + int(float(third))
2.0 * second

Solución

Respuesta: 1 y 4

Números Complejos

Python proporciona números complejos, que se escriben como 1.0+2.0j. Si val es un número complejo, se puede acceder a sus partes real e imaginaria usando notación de puntos como val.real y val.imag.

PYTHON

a_complex_number = 6 + 2j
print(a_complex_number.real)
print(a_complex_number.imag)

SALIDA

6.0
2.0

¿Por qué crees que Python utiliza j en lugar de i para la parte imaginaria?
¿Qué esperas que produzca 1 + 2j + 3?
¿Qué esperas que sea 4j? ¿Y 4 j o 4 + j?

Solución

Los tratamientos matemáticos estándar suelen utilizar i para denotar un número imaginario. Sin embargo, según los informes de los medios de comunicación, se trata de una antigua convención establecida a partir de la ingeniería eléctrica que ahora presenta un área técnicamente costosa de cambiar. Stack Overflow proporciona explicaciones y discusiones adicionales
(4+2j)
4j y Syntax Error: invalid syntax. En estos últimos casos, j se considera una variable y la sentencia depende de si j está definida y, en caso afirmativo, de su valor asignado.

Puntos Clave

Cada valor tiene un tipo.
Utilice la función incorporada type para encontrar el tipo de un valor.
Los tipos controlan las operaciones que se pueden realizar con los valores.
Las cadenas pueden sumarse y multiplicarse.
Las cadenas tienen longitud (pero los números no).
Debe convertir números en cadenas o viceversa cuando opera con ellos.
Puede mezclar enteros y flotantes libremente en las operaciones.
Las variables sólo cambian de valor cuando se les asigna algo.

Content from Funciones incorporadas y ayuda

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 25 minutos

Hoja de ruta

Preguntas

¿Cómo puedo utilizar las funciones incorporadas?
¿Cómo puedo averiguar lo que hacen?
¿Qué tipo de errores pueden ocurrir en los programas?

Objetivos

Explica el propósito de las funciones.
Llama correctamente a las funciones incorporadas de Python.
Anida correctamente las llamadas a funciones incorporadas.
Utilice la ayuda para mostrar la documentación de las funciones incorporadas.
Describir correctamente las situaciones en las que se producen SyntaxError y NameError.

Usa comentarios para añadir documentación a los programas.

PYTHON

# This sentence isn't executed by Python.
adjustment = 0.5   # Neither is this - anything after '#' is ignored.

Una función puede tomar cero o más argumentos.

Ya hemos visto algunas funciones — ahora echemos un vistazo más de cerca.
Un argumento es un valor que se pasa a una función.
len toma exactamente uno.
int, str, y float crean un nuevo valor a partir de uno existente.
print toma cero o más.
print sin argumentos imprime una línea en blanco.
- Siempre se deben usar paréntesis, incluso si están vacíos, para que Python sepa que se está llamando a una función.

PYTHON

print('before')
print()
print('after')

SALIDA

before

after

Cada función devuelve algo.

Cada llamada a una función produce algún resultado.
Si la función no tiene un resultado útil que devolver, normalmente devuelve el valor especial None.None es un objeto de Python que se sustituye cuando no hay ningún valor.

PYTHON

result = print('example')
print('result of print is', result)

SALIDA

example
result of print is None

Las funciones incorporadas más utilizadas son `max`, `min`, y `round`.

Utilice max para encontrar el mayor valor de uno o más valores.
Usa min para encontrar el más pequeño.
Ambos funcionan tanto con cadenas de caracteres como con números.
- “Mayor” y “menor” utilizan (0-9, A-Z, a-z) para comparar letras.

PYTHON

print(max(1, 2, 3))
print(min('a', 'A', '0'))

SALIDA

3
0

Puede que las funciones sólo funcionen para ciertos (combinaciones de) argumentos.

max y min deben tener al menos un argumento.
- “Mayor del conjunto vacío” es una pregunta sin sentido.
Y se les debe dar cosas que puedan ser comparadas significativamente.

PYTHON

print(max(1, 'a'))

ERROR

TypeError                                 Traceback (most recent call last)
<ipython-input-52-3f049acf3762> in <module>
----> 1 print(max(1, 'a'))

TypeError: '>' not supported between instances of 'str' and 'int'

Las funciones pueden tener valores por defecto para algunos argumentos.

round redondeará un número de coma flotante.
Por defecto, redondea a cero decimales.

PYTHON

round(3.712)

SALIDA

Podemos especificar el número de decimales que queremos.

PYTHON

round(3.712, 1)

SALIDA

3.7

Las funciones adjuntas a objetos se llaman métodos

Las funciones toman otra forma que será común en los episodios de pandas.
Los métodos tienen paréntesis como las funciones, pero van después de la variable.
Algunos métodos se utilizan para operaciones internas de Python, y están marcados con doble subrayado.

PYTHON

my_string = 'Hello world!'  # creación de un string 

print(len(my_string))       # la función len toma un string y devuelve la longitud del string

print(my_string.swapcase()) # llamada al método swapcase de mi objeto my_string

print(my_string.__len__())  # llamando al método interno __len__ en el objeto my_string, usado por len(my_string)

SALIDA

12
hELLO WORLD!
12

Incluso puede verlos encadenados. Funcionan de izquierda a derecha.

PYTHON

print(my_string.isupper())          # no todas las letras son mayúsculas
print(my_string.upper())            # esto lo convierte todo a mayúsculas

print(my_string.upper().isupper())  # ahora son todo mayúsculas

SALIDA

False
HELLO WORLD
True

Use la función incorporada `help` para obtener ayuda de una función.

Cada función incorporada tiene documentación en línea.

PYTHON

help(round)

SALIDA

Help on built-in function round in module builtins:

round(number, ndigits=None)
    Round a number to a given precision in decimal digits.

    The return value is an integer if ndigits is omitted or None.  Otherwise
    the return value has the same type as the number.  ndigits may be negative.

El Jupyter Notebook tiene dos formas de obtener ayuda.

Opción 1: Coloque el cursor cerca del lugar donde se invoca la función en una celda (es decir, el nombre de la función o sus parámetros),
- Mantén pulsado Shift y pulsa Tab.
- Haga esto varias veces para ampliar la información devuelta.
Opción 2: Escribe el nombre de la función en una celda con un signo de interrogación detrás. A continuación, ejecute la celda.

Python informa de un error de sintaxis cuando no puede entender el código fuente de un programa.

Ni siquiera intentará ejecutar el programa si no puede ser analizado.

PYTHON

# Olvidamos cerrar la comilla
name = 'Feng

ERROR

  File "<ipython-input-56-f42768451d55>", line 2
    name = 'Feng
                ^
SyntaxError: EOL while scanning string literal

PYTHON

# An extra '=' in the assignment.
age = = 52

ERROR

  File "<ipython-input-57-ccc3df3cf902>", line 2
    age = = 52
          ^
SyntaxError: invalid syntax

Fíjate mejor en el mensaje de error:

PYTHON

print("hello world"

ERROR

  File "<ipython-input-6-d1cc229bf815>", line 1
    print ("hello world"
                        ^
SyntaxError: unexpected EOF while parsing

El mensaje indica un problema en la primera línea de la entrada (“línea 1”).
- En este caso la sección “ipython-input” del nombre del archivo nos indica que estamos trabajando con entrada en IPython, el intérprete de Python utilizado por el Jupyter Notebook.
La parte -6- del nombre del archivo indica que el error se produjo en la celda 6 de nuestro Cuaderno.
A continuación se muestra la línea de código problemática, indicando el problema con un puntero ^.

Python informa de un error de ejecución cuando algo va mal mientras se ejecuta un programa. {#error en tiempo de ejecución}

PYTHON

age = 53
remaining = 100 - aege # mis-spelled 'age'

ERROR

NameError                                 Traceback (most recent call last)
<ipython-input-59-1214fb6c55fc> in <module>
      1 age = 53
----> 2 remaining = 100 - aege # mis-spelled 'age'

NameError: name 'aege' is not defined

Corrige los errores de sintaxis leyendo el código fuente y los errores de ejecución rastreando la ejecución del programa.

Qué ocurre cuando

Explica en términos sencillos el orden de las operaciones en el siguiente programa: cuándo se produce la suma, cuándo la resta, cuándo se llama a cada función, etc.
¿Cuál es el valor final de radiance?

PYTHON

radiance = 1.0
radiance = max(2.1, 2.0 + min(radiance, 1.1 * radiance - 0.5))

Solución

Orden de las operaciones:
1.1 * radiance = 1.1
1.1 - 0.5 = 0.6
min(radiance, 0.6) = 0.6
2.0 + 0.6 = 2.6
max(2.1, 2.6) = 2.6
Al final, radiance = 2.6

Encuentra la Diferencia

Predice lo que imprimirá cada una de las sentencias print del siguiente programa.
¿Se ejecuta max(len(rich), poor) o produce un mensaje de error? Si se ejecuta, ¿tiene algún sentido su resultado?

PYTHON

easy_string = "abc"
print(max(easy_string))
rich = "gold"
poor = "tin"
print(max(rich, poor))
print(max(len(rich), len(poor)))

Solución

PYTHON

print(max(easy_string))

SALIDA

PYTHON

print(max(rich, poor))

SALIDA

tin

PYTHON

print(max(len(rich), len(poor)))

SALIDA

max(len(rich), poor) lanza un TypeError. Esto se convierte en max(4, 'tin') y como discutimos anteriormente una cadena y un entero no pueden ser comparados significativamente.

ERROR

TypeError                                 Traceback (most recent call last)
<ipython-input-65-bc82ad05177a> in <module>
----> 1 max(len(rich), poor)

TypeError: '>' not supported between instances of 'str' and 'int'

¿Por qué no?

¿Por qué max y min no devuelven None cuando se llaman sin argumentos?

Solución

max y min devuelven TypeErrors en este caso porque no se suministró el número correcto de parámetros. Si sólo devolviera None, el error sería mucho más difícil de rastrear, ya que probablemente se almacenaría en una variable y se utilizaría más adelante en el programa, sólo para lanzar probablemente un error en tiempo de ejecución.

Último carácter de una cadena

Si Python empieza a contar desde cero, y len devuelve el número de caracteres de una cadena, ¿qué expresión índice obtendrá el último carácter de la cadena name? (Nota: veremos una forma más sencilla de hacer esto en un episodio posterior)

Solución

name[len(name) - 1]

¡Explora la documentación de Python!

La documentación oficial de Python es posiblemente la fuente de información más completa sobre el lenguaje. Está disponible en diferentes idiomas y contiene muchos recursos útiles. La página de funciones incorporadas contiene un catálogo de todas estas funciones, incluyendo las que hemos cubierto en esta lección. Algunas de ellas son más avanzadas e innecesarias por el momento, pero otras son muy sencillas y útiles.

Puntos Clave

Utiliza comentarios para añadir documentación a los programas.
Una función puede tomar cero o más argumentos.
Las funciones incorporadas más utilizadas son max, min y round.
Puede que las funciones sólo funcionen para ciertos (combinaciones de) argumentos.
Las funciones pueden tener valores por defecto para algunos argumentos.
Utilice la función incorporada help para obtener ayuda sobre una función.
El Jupyter Notebook tiene dos formas de obtener ayuda.
Toda función devuelve algo.
Python informa de un error de sintaxis cuando no puede entender el código fuente de un programa.
Python informa de un error de ejecución cuando algo va mal mientras se ejecuta un programa.
Corrige los errores de sintaxis leyendo el código fuente, y los errores de ejecución rastreando la ejecución del programa.

Content from Café de la mañana

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 0 minutos

Ejercicio de reflexión

Durante el café, reflexiona y discute sobre lo siguiente:

¿Cuáles son los diferentes tipos de errores que informará Python?
¿El código siempre produjo los resultados esperados? En caso negativo, ¿por qué?
¿Hay algo que podamos hacer para evitar errores cuando escribimos código?

Content from Librerías

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Cómo puedo utilizar software que ha escrito otra gente?
¿Cómo puedo averiguar qué hace ese programa?

Objetivos

Explicar qué son las librerías de software y por qué los programadores las crean y utilizan.
Escribir programas que importen y utilicen módulos de la librería estándar de Python.
Buscar y leer documentación de la librería estándar de forma interactiva (en el intérprete) y en línea.

La mayor parte de la potencia de un lenguaje de programación está en sus librerías.

Una librería es una colección de ficheros (llamados módulos) que contienen funciones para ser usadas por otros programas.
- También puede contener valores de datos (por ejemplo, constantes numéricas) y otras cosas.
- Se supone que los contenidos de la librería están relacionados, pero no hay forma de hacer cumplir esto.
La librería estándar de Python es un extenso conjunto de módulos que vienen con el propio Python.
Muchas librerías adicionales están disponibles en PyPI (the Python Package Index).
Veremos más adelante cómo escribir nuevas librerías.

librerías y módulos

Una librería es una colección de módulos, pero a menudo los términos se usan indistintamente, especialmente porque muchas librerías sólo consisten en un único módulo, así que no te preocupes si los mezclas.

Un programa debe importar un módulo de librería antes de usarlo.

Utilice import para cargar un módulo de librería en la memoria de un programa.
Luego refiérase a cosas del módulo como module_name.thing_name.
- Python usa . para significar “parte de”.
Usando math, uno de los módulos de la librería estándar:

PYTHON

import math

print('pi is', math.pi)
print('cos(pi) is', math.cos(math.pi))

SALIDA

pi is 3.141592653589793
cos(pi) is -1.0

Tienes que referirte a cada elemento con el nombre del módulo.
- math.cos(pi) no funciona: la referencia a pi no “hereda” de algún modo la referencia de la función a math.

Utilice `help` para conocer el contenido de un módulo de librería.

Funciona igual que la ayuda para una función.

PYTHON

help(math)

SALIDA

Help on module math:

NAME
    math

MODULE REFERENCE
    http://docs.python.org/3/library/math

    The following documentation is automatically generated from the Python
    source files.  It may be incomplete, incorrect or include features that
    are considered implementation detail and may vary between Python
    implementations.  When in doubt, consult the module reference at the
    location listed above.

DESCRIPTION
    This module is always available.  It provides access to the
    mathematical functions defined by the C standard.

FUNCTIONS
    acos(x, /)
        Return the arc cosine (measured in radians) of x.
⋮ ⋮ ⋮

Importar elementos específicos de un módulo de librería para acortar programas.

Utilice from ... import ... para cargar sólo elementos específicos de un módulo de librería.
Luego refiérase a ellos directamente sin el nombre de la librería como prefijo.

PYTHON

from math import cos, pi

print('cos(pi) is', cos(pi))

SALIDA

cos(pi) is -1.0

Crear un alias para un módulo de librería al importarlo para acortar programas.

Utilice import ... as ... para dar un alias corto a una librería al importarla.
A continuación, haga referencia a los elementos de la librería utilizando ese nombre abreviado.

PYTHON

import math as m

print('cos(pi) is', m.cos(m.pi))

SALIDA

cos(pi) is -1.0

Comúnmente utilizado para librerías de uso frecuente o con nombres largos.
- Por ejemplo, la librería de ploteo matplotlib a menudo tiene el alias mpl.
Pero puede hacer que los programas sean más difíciles de entender, ya que los lectores deben aprender los alias de su programa.

Explorando el Módulo de Matemáticas

¿Qué función del módulo math puedes usar para calcular una raíz cuadrada sin usar sqrt?
Dado que la librería contiene esta función, ¿por qué existe sqrt?

Solución

Usando help(math) vemos que tenemos pow(x,y) además de sqrt(x), así que podríamos usar pow(x, 0.5) para encontrar una raíz cuadrada.
La función sqrt(x) es posiblemente más legible que pow(x, 0.5) cuando se implementan ecuaciones. La legibilidad es una piedra angular de la buena programación, por lo que tiene sentido proporcionar una función especial para este caso común específico.

Además, el diseño de la librería math de Python tiene su origen en el estándar C, que incluye tanto sqrt(x) como pow(x,y), por lo que un poco de la historia de la programación se muestra en los nombres de las funciones de Python.

Localizando el Módulo Correcto

Desea seleccionar un carácter aleatorio de una cadena:

PYTHON

bases = 'ACTTGCTTGAC'

¿Qué módulo de librería estándar podría ayudarle?
¿Qué función seleccionarías de ese módulo? ¿Existen alternativas?
Intenta escribir un programa que utilice la función.

Solución

El módulo aleatorio parece que podría ayudar.

La cadena tiene 11 caracteres, cada uno con un índice posicional de 0 a 10. Podría utilizar las funciones random.randrange o random.randint para obtener un número entero aleatorio entre 0 y 10, y luego seleccionar el carácter bases en ese índice:

PYTHON

from random import randrange

random_index = randrange(len(bases))
print(bases[random_index])

o de forma más compacta:

PYTHON

from random import randrange

print(bases[randrange(len(bases))])

¿Quizás haya encontrado la función random.sample? Permite escribir un poco menos, pero puede ser un poco más difícil de entender con sólo leerla:

PYTHON

from random import sample

print(sample(bases, 1)[0])

Tenga en cuenta que esta función devuelve una lista de valores. Aprenderemos sobre listas en el episodio 11.

La solución más simple y corta es la función random.choice que hace exactamente lo que queremos:

PYTHON

from random import choice

print(choice(bases))

Ejemplo de Programación de Rompecabezas (Problema de Parson)

Reorganice las siguientes sentencias para que se imprima una base de ADN aleatoria y su índice en la cadena. Puede que no se necesiten todas las sentencias. Siéntete libre de usar/añadir variables intermedias.

PYTHON

bases="ACTTGCTTGAC"
import math
import random
___ = random.randrange(n_bases)
___ = len(bases)
print("random base ", bases[___], "base index", ___)

Solución

PYTHON

import math 
import random
bases = "ACTTGCTTGAC" 
n_bases = len(bases)
idx = random.randrange(n_bases)
print("random base", bases[idx], "base index", idx)

¿Cuándo está disponible la ayuda?

Cuando un colega tuyo teclea help(math), Python informa de un error:

ERROR

NameError: name 'math' is not defined

¿Qué se le ha olvidado hacer a tu colega?

Solución

Importación del módulo math (import math)

Importar con alias

Rellena los espacios en blanco para que el programa de abajo imprima 90.0.
Reescribe el programa para que use import sin as.
¿Qué forma te parece más fácil de leer?

PYTHON

import math as m
angle = ____.degrees(____.pi / 2)
print(____)

Solución

PYTHON

import math as m
angle = m.degrees(m.pi / 2)
print(angle)

puede escribirse como

PYTHON

import math
angle = math.degrees(math.pi / 2)
print(angle)

Como acabas de escribir el código y estás familiarizado con él, puede que encuentres la primera versión más fácil de leer. Pero cuando se trata de leer un enorme trozo de código escrito por otra persona, o cuando se vuelve al propio trozo enorme de código después de varios meses, los nombres no abreviados suelen ser más fáciles, excepto cuando hay convenciones claras de abreviación.

¡Hay Muchas Formas De Importar Librerías!

Empareja las siguientes sentencias de impresión con las llamadas a librería apropiadas.

Comandos de impresión:

print("sin(pi/2) =", sin(pi/2))
print("sin(pi/2) =", m.sin(m.pi/2))
print("sin(pi/2) =", math.sin(math.pi/2))

Llamadas a librerías:

from math import sin, pi
import math
import math as m
from math import *

Solución

Llamadas a las librerías 1 y 4. Para referirse directamente a sin y pi sin el nombre de la librería como prefijo, es necesario utilizar la sentencia from ... import .... Mientras que la llamada a librería 1 importa específicamente las dos funciones sin y pi, la llamada a librería 4 importa todas las funciones del módulo math.
Llamada a la librería 3. Aquí se hace referencia a sin y pi con un nombre de librería abreviado m en lugar de math. La llamada a librería 3 hace exactamente eso utilizando la sintaxis import ... as ... - crea un alias para math con el nombre abreviado m.
Llamada a la librería 2. Aquí se hace referencia a sin y pi con el nombre de librería normal math, por lo que basta con la llamada normal import ....

Nota: aunque la llamada a librería 4 funciona, importar todos los nombres de un módulo usando una importación comodín no es recomendable ya que hace que no quede claro qué nombres del módulo se usan en el código. En general, es mejor hacer las importaciones tan específicas como sea posible y sólo importar lo que el código utiliza. En la llamada a librería 1, la sentencia import nos dice explícitamente que la función sin es importada del módulo math, pero la llamada a librería 4 no transmite esta información.

Importar elementos específicos

Rellena los espacios en blanco para que el programa de abajo imprima 90.0.
¿Encuentra esta versión más fácil de leer que las anteriores?
¿Por qué los programadores no usarían siempre esta forma de import?

PYTHON

____ math import ____, ____
angle = degrees(pi / 2)
print(angle)

Solución

PYTHON

from math import degrees, pi
angle = degrees(pi / 2)
print(angle)

Lo más probable es que encuentres esta versión más fácil de leer ya que es menos densa. La principal razón para no utilizar esta forma de importación es evitar conflictos de nombres. Por ejemplo, no importaría degrees de esta forma si también quisiera usar el nombre degrees para una variable o función propia. O si también importaras una función llamada degrees de otra librería.

Lectura de mensajes de error

Lee el siguiente código e intenta identificar cuáles son los errores sin ejecutarlo.
Ejecuta el código y lee el mensaje de error. ¿Qué tipo de error es?

PYTHON

from math import log
log(0)

Solución

SALIDA

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-1-d72e1d780bab> in <module>
      1 from math import log
----> 2 log(0)

ValueError: math domain error

El logaritmo de x sólo está definido para x > 0, por lo que 0 queda fuera del dominio de la función.
Aparece un error de tipo ValueError, indicando que la función recibió un valor de argumento inapropiado. El mensaje adicional “error de dominio matemático” aclara cuál es el problema.

Puntos Clave

La mayor parte de la potencia de un lenguaje de programación está en sus librerías.
Un programa debe importar un módulo de librería para poder utilizarlo.
Utilice help para conocer el contenido de un módulo de librería.
Importa elementos específicos de una librería para acortar programas.
Crea un alias para una librería al importarla para acortar programas.

Content from Lectura de datos tabulares en DataFrames

Última actualización: 2025-03-01 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Cómo puedo leer datos tabulares?

Objetivos

Importa la biblioteca Pandas.
Utiliza Pandas para cargar un simple conjunto de datos CSV.
Obtiene información básica sobre un Pandas DataFrame.

Utiliza la librería Pandas para realizar estadísticas sobre datos tabulares.

Pandas es una biblioteca de Python ampliamente utilizada para estadísticas, en particular sobre datos tabulares.
Toma prestadas muchas características de los marcos de datos de R.
- Una tabla bidimensional cuyas columnas tienen nombres y potencialmente tienen diferentes tipos de datos.
Cargar Pandas con import pandas as pd. El alias pd se utiliza comúnmente para referirse a la biblioteca Pandas en código.
Leer un fichero de datos de valores separados por comas (CSV) con pd.read_csv.
- Argumento es el nombre del fichero a leer.
- Devuelve un marco de datos que se puede asignar a una variable

PYTHON

import pandas as pd

data_oceania = pd.read_csv('data/gapminder_gdp_oceania.csv')
print(data_oceania)

SALIDA

       country  gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  \
0    Australia     10039.59564     10949.64959     12217.22686
1  New Zealand     10556.57566     12247.39532     13175.67800

   gdpPercap_1967  gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  \
0     14526.12465     16788.62948     18334.19751     19477.00928
1     14463.91893     16046.03728     16233.71770     17632.41040

   gdpPercap_1987  gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  \
0     21888.88903     23424.76683     26997.93657     30687.75473
1     19007.19129     18363.32494     21050.41377     23189.80135

   gdpPercap_2007
0     34435.36744
1     25185.00911

Las columnas de un marco de datos son las variables observadas y las filas son las observaciones.
Pandas utiliza la barra invertida \ para mostrar las líneas envueltas cuando la salida es demasiado ancha para caber en la pantalla.
El uso de nombres descriptivos para los marcos de datos nos ayuda a distinguir entre varios marcos de datos para que no sobrescribamos accidentalmente un marco de datos o leamos de uno equivocado.

Archivo no encontrado

Nuestras lecciones almacenan sus ficheros de datos en un subdirectorio data, por lo que la ruta al fichero es data/gapminder_gdp_oceania.csv. Si olvida incluir data/, o si lo incluye pero su copia del fichero está en otro lugar, obtendrá un error de ejecución que termina con una línea como esta:

ERROR

FileNotFoundError: [Errno 2] No such file or directory: 'data/gapminder_gdp_oceania.csv'

Utilice `index_col` para especificar que los valores de una columna deben utilizarse como encabezamientos de fila.

Los títulos de las filas son números (0 y 1 en este caso).
Realmente quiero indexar por país.
Para ello, pase el nombre de la columna a read_csv como parámetro index_col.
Al nombrar el marco de datos data_oceania_country nos indica qué región incluyen los datos (oceania) y cómo están indexados (country).

PYTHON

data_oceania_country = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='country')
print(data_oceania_country)

SALIDA

             gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  gdpPercap_1967  \
country
Australia       10039.59564     10949.64959     12217.22686     14526.12465
New Zealand     10556.57566     12247.39532     13175.67800     14463.91893

             gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  gdpPercap_1987  \
country
Australia       16788.62948     18334.19751     19477.00928     21888.88903
New Zealand     16046.03728     16233.71770     17632.41040     19007.19129

             gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  gdpPercap_2007
country
Australia       23424.76683     26997.93657     30687.75473     34435.36744
New Zealand     18363.32494     21050.41377     23189.80135     25185.00911

Utilice el método `DataFrame.info()` para obtener más información sobre un marco de datos.

PYTHON

data_oceania_country.info()

SALIDA

<class 'pandas.core.frame.DataFrame'>
Index: 2 entries, Australia to New Zealand
Data columns (total 12 columns):
gdpPercap_1952    2 non-null float64
gdpPercap_1957    2 non-null float64
gdpPercap_1962    2 non-null float64
gdpPercap_1967    2 non-null float64
gdpPercap_1972    2 non-null float64
gdpPercap_1977    2 non-null float64
gdpPercap_1982    2 non-null float64
gdpPercap_1987    2 non-null float64
gdpPercap_1992    2 non-null float64
gdpPercap_1997    2 non-null float64
gdpPercap_2002    2 non-null float64
gdpPercap_2007    2 non-null float64
dtypes: float64(12)
memory usage: 208.0+ bytes

Se trata de un DataFrame
Dos filas llamadas 'Australia' y 'New Zealand'
Doce columnas, cada una de las cuales tiene dos valores reales en coma flotante de 64 bits.
- Más adelante hablaremos de los valores nulos, que se utilizan para representar las observaciones que faltan.
Utiliza 208 bytes de memoria.

La variable `DataFrame.columns` almacena información sobre las columnas del marco de datos.

Nótese que se trata de datos, no de un método. (No tiene paréntesis)
- Como math.pi.
- Así que no use () para intentar llamarlo.
Llamada variable miembro, o simplemente miembro.

PYTHON

print(data_oceania_country.columns)

SALIDA

Index(['gdpPercap_1952', 'gdpPercap_1957', 'gdpPercap_1962', 'gdpPercap_1967',
       'gdpPercap_1972', 'gdpPercap_1977', 'gdpPercap_1982', 'gdpPercap_1987',
       'gdpPercap_1992', 'gdpPercap_1997', 'gdpPercap_2002', 'gdpPercap_2007'],
      dtype='object')

Utilice `DataFrame.T` para transponer un marco de datos.

A veces se desea tratar las columnas como filas y viceversa.
Transponer (escrito .T) no copia los datos, sólo cambia la visión que el programa tiene de ellos.
Al igual que columns, es una variable miembro.

PYTHON

print(data_oceania_country.T)

SALIDA

country           Australia  New Zealand
gdpPercap_1952  10039.59564  10556.57566
gdpPercap_1957  10949.64959  12247.39532
gdpPercap_1962  12217.22686  13175.67800
gdpPercap_1967  14526.12465  14463.91893
gdpPercap_1972  16788.62948  16046.03728
gdpPercap_1977  18334.19751  16233.71770
gdpPercap_1982  19477.00928  17632.41040
gdpPercap_1987  21888.88903  19007.19129
gdpPercap_1992  23424.76683  18363.32494
gdpPercap_1997  26997.93657  21050.41377
gdpPercap_2002  30687.75473  23189.80135
gdpPercap_2007  34435.36744  25185.00911

Utilice `DataFrame.describe()` para obtener estadísticas resumidas sobre los datos.

DataFrame.describe() obtiene las estadísticas de resumen sólo de las columnas que tienen datos numéricos. Todas las demás columnas se ignoran, a menos que se utilice el argumento include='all'.

PYTHON

print(data_oceania_country.describe())

SALIDA

       gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  gdpPercap_1967  \
count        2.000000        2.000000        2.000000        2.000000
mean     10298.085650    11598.522455    12696.452430    14495.021790
std        365.560078      917.644806      677.727301       43.986086
min      10039.595640    10949.649590    12217.226860    14463.918930
25%      10168.840645    11274.086022    12456.839645    14479.470360
50%      10298.085650    11598.522455    12696.452430    14495.021790
75%      10427.330655    11922.958888    12936.065215    14510.573220
max      10556.575660    12247.395320    13175.678000    14526.124650

       gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  gdpPercap_1987  \
count         2.00000        2.000000        2.000000        2.000000
mean      16417.33338    17283.957605    18554.709840    20448.040160
std         525.09198     1485.263517     1304.328377     2037.668013
min       16046.03728    16233.717700    17632.410400    19007.191290
25%       16231.68533    16758.837652    18093.560120    19727.615725
50%       16417.33338    17283.957605    18554.709840    20448.040160
75%       16602.98143    17809.077557    19015.859560    21168.464595
max       16788.62948    18334.197510    19477.009280    21888.889030

       gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  gdpPercap_2007
count        2.000000        2.000000        2.000000        2.000000
mean     20894.045885    24024.175170    26938.778040    29810.188275
std       3578.979883     4205.533703     5301.853680     6540.991104
min      18363.324940    21050.413770    23189.801350    25185.009110
25%      19628.685413    22537.294470    25064.289695    27497.598692
50%      20894.045885    24024.175170    26938.778040    29810.188275
75%      22159.406358    25511.055870    28813.266385    32122.777857
max      23424.766830    26997.936570    30687.754730    34435.367440

No es especialmente útil con sólo dos registros, pero sí cuando hay miles.

Lectura de otros datos

Leer los datos de gapminder_gdp_americas.csv (que deben estar en el mismo directorio que gapminder_gdp_oceania.csv) en una variable llamada data_americas y mostrar sus estadísticas de resumen.

Solución

Para leer un CSV, utilizamos pd.read_csv y le pasamos el nombre de fichero 'data/gapminder_gdp_americas.csv'. También volvemos a pasar el nombre de columna 'country' al parámetro index_col para indexar por países. Las estadísticas resumidas pueden visualizarse con el método DataFrame.describe().

PYTHON

data_americas = pd.read_csv('data/gapminder_gdp_americas.csv', index_col='country')
data_americas.describe()

Inspección de datos

Después de leer los datos de América, utiliza help(data_americas.head) y help(data_americas.tail) para averiguar qué hacen DataFrame.head y DataFrame.tail.

¿Qué llamada al método mostrará las tres primeras filas de estos datos?
¿Qué método mostrará las tres últimas columnas de estos datos? (Sugerencia: es posible que tengas que cambiar la vista de los datos)

Solución

Podemos ver las cinco primeras filas de data_americas ejecutando data_americas.head() que nos permite ver el principio del DataFrame. Podemos especificar el número de filas que deseamos ver especificando el parámetro n en nuestra llamada a data_americas.head(). Para ver las tres primeras filas, ejecute:

PYTHON

data_americas.head(n=3)

SALIDA

          continent  gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  \
country
Argentina  Americas     5911.315053     6856.856212     7133.166023
Bolivia    Americas     2677.326347     2127.686326     2180.972546
Brazil     Americas     2108.944355     2487.365989     3336.585802

          gdpPercap_1967  gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  \
country
Argentina     8052.953021     9443.038526    10079.026740     8997.897412
Bolivia       2586.886053     2980.331339     3548.097832     3156.510452
Brazil        3429.864357     4985.711467     6660.118654     7030.835878

           gdpPercap_1987  gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  \
country
Argentina     9139.671389     9308.418710    10967.281950     8797.640716
Bolivia       2753.691490     2961.699694     3326.143191     3413.262690
Brazil        7807.095818     6950.283021     7957.980824     8131.212843

           gdpPercap_2007
country
Argentina    12779.379640
Bolivia       3822.137084
Brazil        9065.800825

Para consultar las tres últimas filas de data_americas, utilizaríamos el comando, americas.tail(n=3), análogo a head() utilizado anteriormente. Sin embargo, aquí queremos ver las tres últimas columnas, así que tenemos que cambiar la vista y utilizar tail(). Para ello, creamos un nuevo DataFrame en el que se intercambian filas y columnas:

PYTHON

americas_flipped = data_americas.T

Podemos ver las tres últimas columnas de americas viendo las tres últimas filas de americas_flipped:

PYTHON

americas_flipped.tail(n=3)

SALIDA

country        Argentina  Bolivia   Brazil   Canada    Chile Colombia  \
gdpPercap_1997   10967.3  3326.14  7957.98  28954.9  10118.1  6117.36
gdpPercap_2002   8797.64  3413.26  8131.21    33329  10778.8  5755.26
gdpPercap_2007   12779.4  3822.14   9065.8  36319.2  13171.6  7006.58

country        Costa Rica     Cuba Dominican Republic  Ecuador    ...     \
gdpPercap_1997    6677.05  5431.99             3614.1  7429.46    ...
gdpPercap_2002    7723.45  6340.65            4563.81  5773.04    ...
gdpPercap_2007    9645.06   8948.1            6025.37  6873.26    ...

country          Mexico Nicaragua   Panama Paraguay     Peru Puerto Rico  \
gdpPercap_1997   9767.3   2253.02  7113.69   4247.4  5838.35     16999.4
gdpPercap_2002  10742.4   2474.55  7356.03  3783.67  5909.02     18855.6
gdpPercap_2007  11977.6   2749.32  9809.19  4172.84  7408.91     19328.7

country        Trinidad and Tobago United States  Uruguay Venezuela
gdpPercap_1997             8792.57       35767.4  9230.24   10165.5
gdpPercap_2002             11460.6       39097.1     7727   8605.05
gdpPercap_2007             18008.5       42951.7  10611.5   11415.8

Muestra los datos que deseamos, pero es posible que prefiramos mostrar tres columnas en lugar de tres filas, por lo que podemos darle la vuelta:

PYTHON

americas_flipped.tail(n=3).T

Nota: podríamos haber hecho lo anterior en una sola línea de código “encadenando” los comandos:

PYTHON

data_americas.T.tail(n=3).T

Lectura de ficheros en otros directorios

Los datos de su proyecto actual están almacenados en un archivo llamado microbes.csv, que se encuentra en una carpeta llamada field_data. Usted está haciendo el análisis en un cuaderno llamado analysis.ipynb en una carpeta hermana llamada thesis:

SALIDA

your_home_directory
+-- field_data/
|   +-- microbes.csv
+-- thesis/
    +-- analysis.ipynb

¿Qué valor(es) debe pasar a read_csv para leer microbes.csv en analysis.ipynb?

Solución

Necesitamos especificar la ruta al fichero de interés en la llamada a pd.read_csv. Primero tenemos que “saltar” fuera de la carpeta thesis utilizando ‘../’ y luego a la carpeta field_data utilizando data_campo/. A continuación, podemos especificar el nombre de archivo microbes.csv. El resultado es el siguiente:

PYTHON

data_microbes = pd.read_csv('../field_data/microbes.csv')

Datos de escritura

Además de la función read_csv para leer datos de un fichero, Pandas proporciona una función to_csv para escribir dataframes en ficheros. Aplicando lo que has aprendido sobre la lectura de archivos, escribe uno de tus dataframes en un archivo llamado processed.csv. Puedes utilizar help para obtener información sobre cómo utilizar to_csv.

Solución

Para escribir el DataFrame data_americas en un fichero llamado processed.csv, ejecute el siguiente comando:

PYTHON

data_americas.to_csv('processed.csv')

Para obtener ayuda sobre read_csv o to_csv, puede ejecutar, por ejemplo:

PYTHON

help(data_americas.to_csv)
help(pd.read_csv)

Observe que help(to_csv) o help(pd.to_csv) dan error Esto se debe a que to_csv no es una función global de Pandas, sino una función miembro de DataFrames. Esto significa que sólo se puede llamar en una instancia de un DataFrame, por ejemplo, data_americas.to_csv o data_oceania.to_csv

Puntos Clave

Utiliza la librería Pandas para obtener estadísticas básicas a partir de datos tabulares.
Utilice index_col para especificar que los valores de una columna deben utilizarse como encabezamientos de fila.
Utilice DataFrame.info para obtener más información sobre un marco de datos.
La variable DataFrame.columns almacena información sobre las columnas del marco de datos.
Utilice DataFrame.T para transponer un marco de datos.
Utilice DataFrame.describe para obtener estadísticas resumidas sobre los datos.

Content from Pandas DataFrames

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 30 minutos

Hoja de ruta

Preguntas

¿Cómo puedo hacer un análisis estadístico de datos tabulares?

Objetivos

Selecciona valores individuales de un marco de datos Pandas.
Selecciona filas enteras o columnas enteras de un marco de datos.
Selecciona un subconjunto de filas y columnas de un marco de datos en una sola operación.
Seleccionar un subconjunto de un marco de datos mediante un único criterio booleano.

Nota sobre Pandas DataFrames/Series

Un DataFrame es una colección de Series; El DataFrame es la forma en que Pandas representa una tabla, y Series es la estructura de datos que Pandas utiliza para representar una columna.

Pandas está construido sobre la librería Numpy, lo que en la práctica significa que la mayoría de los métodos definidos para Numpy Arrays se aplican a Pandas Series/DataFrames.

Lo que hace que Pandas sea tan atractivo es la potente interfaz para acceder a registros individuales de la tabla, el manejo adecuado de los valores que faltan y las operaciones de base de datos relacional entre DataFrames.

Seleccionar valores

Para acceder a un valor en la posición [i,j] de un DataFrame, tenemos dos opciones, dependiendo de cuál sea el significado de i en uso. Recuerde que un DataFrame proporciona un índice como forma de identificar las filas de la tabla; una fila, entonces, tiene una posición dentro de la tabla así como una etiqueta, que identifica unívocamente su entrada en el DataFrame.

Usar `DataFrame.iloc[..., ...]` para seleccionar valores por su posición (de entrada)

Puede especificar la ubicación por índice numérico de forma análoga a la versión 2D de la selección de caracteres en cadenas.

PYTHON

import pandas as pd
data = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
print(data.iloc[0, 0])

SALIDA

1601.056136

Usa `DataFrame.loc[..., ...]` para seleccionar valores por su etiqueta (de entrada).

Puede especificar la ubicación por nombre de fila y/o columna.

PYTHON

print(data.loc["Albania", "gdpPercap_1952"])

SALIDA

1601.056136

Use `:` solo para significar todas las columnas o todas las filas.

Igual que la notación de corte habitual de Python.

PYTHON

print(data.loc["Albania", :])

SALIDA

gdpPercap_1952    1601.056136
gdpPercap_1957    1942.284244
gdpPercap_1962    2312.888958
gdpPercap_1967    2760.196931
gdpPercap_1972    3313.422188
gdpPercap_1977    3533.003910
gdpPercap_1982    3630.880722
gdpPercap_1987    3738.932735
gdpPercap_1992    2497.437901
gdpPercap_1997    3193.054604
gdpPercap_2002    4604.211737
gdpPercap_2007    5937.029526
Name: Albania, dtype: float64

Obtendría el mismo resultado imprimiendo data.loc["Albania"] (sin un segundo índice).

PYTHON

print(data.loc[:, "gdpPercap_1952"])

SALIDA

country
Albania                    1601.056136
Austria                    6137.076492
Belgium                    8343.105127
⋮ ⋮ ⋮
Switzerland               14734.232750
Turkey                     1969.100980
United Kingdom             9979.508487
Name: gdpPercap_1952, dtype: float64

Obtendría el mismo resultado imprimiendo data["gdpPercap_1952"]
También se obtiene el mismo resultado imprimiendo data.gdpPercap_1952 (no recomendado, porque se confunde fácilmente con la notación . para métodos)

Selecciona múltiples columnas o filas usando `DataFrame.loc` y un slice con nombre.

PYTHON

print(data.loc['Italy':'Poland', 'gdpPercap_1962':'gdpPercap_1972'])

SALIDA

             gdpPercap_1962  gdpPercap_1967  gdpPercap_1972
country
Italy           8243.582340    10022.401310    12269.273780
Montenegro      4649.593785     5907.850937     7778.414017
Netherlands    12790.849560    15363.251360    18794.745670
Norway         13450.401510    16361.876470    18965.055510
Poland          5338.752143     6557.152776     8006.506993

En el código anterior, descubrimos que el troceado utilizando loc es inclusivo en ambos extremos, lo que difiere del troceado utilizando iloc, donde el troceado indica todo hasta el índice final, pero sin incluirlo.

El resultado del corte puede utilizarse en operaciones posteriores.

Normalmente no se imprime sólo un trozo.
Todos los operadores estadísticos que funcionan en marcos de datos enteros funcionan de la misma manera en cortes.
Por ejemplo, calcular el máximo de una porción.

PYTHON

print(data.loc['Italy':'Poland', 'gdpPercap_1962':'gdpPercap_1972'].max())

SALIDA

gdpPercap_1962    13450.40151
gdpPercap_1967    16361.87647
gdpPercap_1972    18965.05551
dtype: float64

PYTHON

print(data.loc['Italy':'Poland', 'gdpPercap_1962':'gdpPercap_1972'].min())

SALIDA

gdpPercap_1962    4649.593785
gdpPercap_1967    5907.850937
gdpPercap_1972    7778.414017
dtype: float64

Utiliza comparaciones para seleccionar datos en función de su valor.

La comparación se aplica elemento por elemento.
Devuelve un marco de datos de forma similar de True y False.

PYTHON

# Use a subset of data to keep output readable.
subset = data.loc['Italy':'Poland', 'gdpPercap_1962':'gdpPercap_1972']
print('Subset of data:\n', subset)

# Which values were greater than 10000 ?
print('\nWhere are values large?\n', subset > 10000)

SALIDA

Subset of data:
             gdpPercap_1962  gdpPercap_1967  gdpPercap_1972
country
Italy           8243.582340    10022.401310    12269.273780
Montenegro      4649.593785     5907.850937     7778.414017
Netherlands    12790.849560    15363.251360    18794.745670
Norway         13450.401510    16361.876470    18965.055510
Poland          5338.752143     6557.152776     8006.506993

Where are values large?
            gdpPercap_1962 gdpPercap_1967 gdpPercap_1972
country
Italy                False           True           True
Montenegro           False          False          False
Netherlands           True           True           True
Norway                True           True           True
Poland               False          False          False

Seleccionar valores o NaN usando una máscara booleana.

Un marco lleno de booleanos a veces se llama máscara por cómo se puede usar.

PYTHON

mask = subset > 10000
print(subset[mask])

SALIDA

             gdpPercap_1962  gdpPercap_1967  gdpPercap_1972
country
Italy                   NaN     10022.40131     12269.27378
Montenegro              NaN             NaN             NaN
Netherlands     12790.84956     15363.25136     18794.74567
Norway          13450.40151     16361.87647     18965.05551
Poland                  NaN             NaN             NaN

Obtiene el valor donde la máscara es verdadera, y NaN (Not a Number) donde es falsa.
Útil porque los NaNs son ignorados por operaciones como max, min, promedio, etc.

PYTHON

print(subset[subset > 10000].describe())

SALIDA

       gdpPercap_1962  gdpPercap_1967  gdpPercap_1972
count        2.000000        3.000000        3.000000
mean     13120.625535    13915.843047    16676.358320
std        466.373656     3408.589070     3817.597015
min      12790.849560    10022.401310    12269.273780
25%      12955.737547    12692.826335    15532.009725
50%      13120.625535    15363.251360    18794.745670
75%      13285.513523    15862.563915    18879.900590
max      13450.401510    16361.876470    18965.055510

Agrupar por: split-apply-combine

Notas de la instructora

Los alumnos suelen tener dificultades en este punto, ya que muchos no trabajan con datos y conceptos financieros, por lo que les resulta difícil entender los conceptos del ejemplo. Sin embargo, el mayor problema es la línea que genera la puntuación de la riqueza: * Utiliza la conversión implícita entre valores booleanos y flotantes que no se ha tratado en el curso hasta ahora. * Es necesario explicar claramente el argumento axis=1.

Los métodos de vectorización y las operaciones de agrupación de Pandas son características que proporcionan a los usuarios mucha flexibilidad para analizar sus datos.

Por ejemplo, supongamos que queremos tener una visión más clara de cómo se dividen los países europeos según su PIB.

Podemos echar un vistazo dividiendo los países en dos grupos durante los años estudiados, los que presentaron un PIB superior a la media europea y los que tuvieron un PIB inferior.
A continuación, estimamos una puntuación de riqueza basada en los valores históricos (de 1962 a 2007), en la que tenemos en cuenta cuántas veces ha participado un país en los grupos de PIB más bajo o *más alto

PYTHON

mask_higher = data > data.mean()
wealth_score = mask_higher.aggregate('sum', axis=1) / len(data.columns)
print(wealth_score)

SALIDA

country
Albania                   0.000000
Austria                   1.000000
Belgium                   1.000000
Bosnia and Herzegovina    0.000000
Bulgaria                  0.000000
Croatia                   0.000000
Czech Republic            0.500000
Denmark                   1.000000
Finland                   1.000000
France                    1.000000
Germany                   1.000000
Greece                    0.333333
Hungary                   0.000000
Iceland                   1.000000
Ireland                   0.333333
Italy                     0.500000
Montenegro                0.000000
Netherlands               1.000000
Norway                    1.000000
Poland                    0.000000
Portugal                  0.000000
Romania                   0.000000
Serbia                    0.000000
Slovak Republic           0.000000
Slovenia                  0.333333
Spain                     0.333333
Sweden                    1.000000
Switzerland               1.000000
Turkey                    0.000000
United Kingdom            1.000000
dtype: float64

Por último, para cada grupo de la tabla wealth_score, sumamos su contribución (financiera) a lo largo de los años encuestados utilizando métodos encadenados:

PYTHON

print(data.groupby(wealth_score).sum())

SALIDA

          gdpPercap_1952  gdpPercap_1957  gdpPercap_1962  gdpPercap_1967  \
0.000000    36916.854200    46110.918793    56850.065437    71324.848786
0.333333    16790.046878    20942.456800    25744.935321    33567.667670
0.500000    11807.544405    14505.000150    18380.449470    21421.846200
1.000000   104317.277560   127332.008735   149989.154201   178000.350040

          gdpPercap_1972  gdpPercap_1977  gdpPercap_1982  gdpPercap_1987  \
0.000000    88569.346898   104459.358438   113553.768507   119649.599409
0.333333    45277.839976    53860.456750    59679.634020    64436.912960
0.500000    25377.727380    29056.145370    31914.712050    35517.678220
1.000000   215162.343140   241143.412730   263388.781960   296825.131210

          gdpPercap_1992  gdpPercap_1997  gdpPercap_2002  gdpPercap_2007
0.000000    92380.047256   103772.937598   118590.929863   149577.357928
0.333333    67918.093220    80876.051580   102086.795210   122803.729520
0.500000    36310.666080    40723.538700    45564.308390    51403.028210
1.000000   315238.235970   346930.926170   385109.939210   427850.333420

Selección de valores individuales

Suponga que ha importado Pandas a su cuaderno y que ha cargado los datos del PIB de Gapminder para Europa:

PYTHON

import pandas as pd

data_europe = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')

Escribe una expresión para hallar el PIB per cápita de Serbia en 2007.

Solución

La selección puede hacerse utilizando las etiquetas tanto de la fila (“Serbia”) como de la columna (“gdpPercap_2007”):

PYTHON

print(data_europe.loc['Serbia', 'gdpPercap_2007'])

La salida es

SALIDA

9786.534714

Extensión del corte

¿Las dos sentencias siguientes producen la misma salida?
En base a esto, ¿qué regla gobierna lo que se incluye (o no) en los cortes numéricos y los cortes con nombre en Pandas?

PYTHON

print(data_europe.iloc[0:2, 0:2])
print(data_europe.loc['Albania':'Belgium', 'gdpPercap_1952':'gdpPercap_1962'])

Solución

¡No, no producen la misma salida! La salida de la primera sentencia es

SALIDA

        gdpPercap_1952  gdpPercap_1957
country
Albania     1601.056136     1942.284244
Austria     6137.076492     8842.598030

La segunda sentencia da:

SALIDA

        gdpPercap_1952  gdpPercap_1957  gdpPercap_1962
country
Albania     1601.056136     1942.284244     2312.888958
Austria     6137.076492     8842.598030    10750.721110
Belgium     8343.105127     9714.960623    10991.206760

Claramente, la segunda sentencia produce una columna y una fila adicionales en comparación con la primera sentencia.
¿Qué conclusión podemos sacar? Vemos que un corte numérico, 0:2, omite el índice final (es decir, el índice 2) en el rango proporcionado, mientras que un corte con nombre, ‘gdpPercap_1952’:‘gdpPercap_1962’, incluye el elemento final.

Reconstruyendo Datos

Explica qué hace cada línea del siguiente programa corto: ¿qué hay en first, second, etc.?

PYTHON

first = pd.read_csv('data/gapminder_all.csv', index_col='country')
second = first[first['continent'] == 'Americas']
third = second.drop('Puerto Rico')
fourth = third.drop('continent', axis = 1)
fourth.to_csv('result.csv')

Solución

Repasemos este trozo de código línea por línea.

PYTHON

first = pd.read_csv('data/gapminder_all.csv', index_col='country')

Esta línea carga el conjunto de datos que contiene los datos del PIB de todos los países en un marco de datos llamado first. El parámetro index_col='country' selecciona la columna que se utilizará como etiquetas de fila en el marco de datos.

PYTHON

second = first[first['continent'] == 'Americas']

Esta línea realiza una selección: sólo se extraen las filas de first cuya columna “continente” coincida con “Américas”. Observe cómo la expresión booleana dentro de los corchetes, first['continent'] == 'Americas', se utiliza para seleccionar sólo aquellas filas en las que la expresión es verdadera. Intente imprimir esta expresión ¿Puede imprimir también sus elementos individuales Verdadero/Falso? (pista: asigna primero la expresión a una variable)

PYTHON

third = second.drop('Puerto Rico')

Como sugiere la sintaxis, esta línea elimina la fila de second donde la etiqueta es ‘Puerto Rico’. El marco de datos resultante third tiene una fila menos que el marco de datos original second.

PYTHON

fourth = third.drop('continent', axis = 1)

Volvemos a aplicar la función drop, pero en este caso no eliminamos una fila, sino una columna entera. Para ello, tenemos que especificar también el parámetro axis (queremos eliminar la segunda columna que tiene el índice 1).

PYTHON

fourth.to_csv('result.csv')

El paso final es escribir los datos con los que hemos estado trabajando en un fichero csv. Pandas hace esto fácil con la función to_csv(). El único argumento requerido para la función es el nombre del fichero. Ten en cuenta que el fichero se escribirá en el directorio desde el que iniciaste la sesión de Jupyter o Python.

Selección de índices

Explica en términos sencillos lo que hacen idxmin y idxmax en el breve programa que aparece a continuación. ¿Cuándo utilizarías estos métodos?

PYTHON

data = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
print(data.idxmin())
print(data.idxmax())

Solución

Para cada columna de data, idxmin devolverá el valor del índice correspondiente al mínimo de cada columna; idxmax hará lo mismo para el valor máximo de cada columna.

Puede utilizar estas funciones siempre que desee obtener el índice de fila del valor mínimo/máximo y no el valor mínimo/máximo real.

Practica con la selección

Supongamos que se ha importado Pandas y se han cargado los datos de PIB de Gapminder para Europa. Escriba una expresión para seleccionar cada uno de los siguientes elementos:

PIB per cápita de todos los países en 1982.
PIB per cápita de Dinamarca para todos los años.
PIB per cápita de todos los países para los años después de 1985.
PIB per cápita de cada país en 2007 como múltiplo del PIB per cápita de ese país en

Solución

PYTHON

data['gdpPercap_1982']

PYTHON

data.loc['Denmark',:]

PYTHON

data.loc[:,'gdpPercap_1985':]

Pandas es lo suficientemente inteligente como para reconocer el número al final de la etiqueta de la columna y no le da un error, aunque en realidad no exista ninguna columna llamada gdpPercap_1985. Esto es útil si más tarde se añaden nuevas columnas al fichero CSV.

PYTHON

data['gdpPercap_2007']/data['gdpPercap_1952']

Muchas formas de acceso

Existen al menos dos formas de acceder a un valor o a un segmento de un DataFrame: por nombre o por índice. Sin embargo, existen muchas otras. Por ejemplo, se puede acceder a una sola columna o fila como un objeto DataFrame o Series.

Sugiere distintas formas de realizar las siguientes operaciones en un DataFrame:

Accede a una sola columna
Accede a una única fila
Accede a un elemento individual del DataFrame
Accede a varias columnas
Accede a varias filas
Accede a un subconjunto de filas y columnas específicas
Accede a un subconjunto de rangos de filas y columnas

Solución

1. Accede a una sola columna:

PYTHON

# por nombre
data["col_name"]   # as a Series
data[["col_name"]] # as a DataFrame

# por nombre utilizando .loc
data.T.loc["col_name"]  # as a Series
data.T.loc[["col_name"]].T  # as a DataFrame

# notación punto (Series)
data.col_name

# por índice (iloc)
data.iloc[:, col_index]   # as a Series
data.iloc[:, [col_index]] # as a DataFrame

# utilizando una máscara
data.T[data.T.index == "col_name"].T

2. Accede a una única fila:

PYTHON

# por nombre utilizando .loc
data.loc["row_name"] # as a Series
data.loc[["row_name"]] # as a DataFrame

# por nombre
data.T["row_name"] # as a Series
data.T[["row_name"]].T # as a DataFrame

# por índice
data.iloc[row_index]   # as a Series
data.iloc[[row_index]]   # as a DataFrame

# utilizando máscara  
data[data.index == "row_name"]

3. Accede a un elemento individual del DataFrame:

PYTHON

# por nombre de columna/fila
data["column_name"]["row_name"]         # as a Series

data[["col_name"]].loc["row_name"]  # as a Series
data[["col_name"]].loc[["row_name"]]  # as a DataFrame

data.loc["row_name"]["col_name"]  # as a value
data.loc[["row_name"]]["col_name"]  # as a Series
data.loc[["row_name"]][["col_name"]]  # as a DataFrame

data.loc["row_name", "col_name"]  # as a value
data.loc[["row_name"], "col_name"]  # as a Series. Preserves index. Column name is moved to `.name`.
data.loc["row_name", ["col_name"]]  # as a Series. Index is moved to `.name.` Sets index to column name.
data.loc[["row_name"], ["col_name"]]  # as a DataFrame (preserves original index and column name)

# nombres de columna/fila: notacíon de punto
data.col_name.row_name

# índices de columna/fila
data.iloc[row_index, col_index] # as a value
data.iloc[[row_index], col_index] # as a Series. Preserves index. Column name is moved to `.name`
data.iloc[row_index, [col_index]] # as a Series. Index is moved to `.name.` Sets index to column name.
data.iloc[[row_index], [col_index]] # as a DataFrame (preserves original index and column name)

# nombre columna + índice fila
data["col_name"][row_index]
data.col_name[row_index]
data["col_name"].iloc[row_index]

# índice columna + nombre fila
data.iloc[:, [col_index]].loc["row_name"]  # as a Series
data.iloc[:, [col_index]].loc[["row_name"]]  # as a DataFrame

# utilizando máscaras
data[data.index == "row_name"].T[data.T.index == "col_name"].T

4. Accede a varias columnas:

PYTHON

# por nombre
data[["col1", "col2", "col3"]]
data.loc[:, ["col1", "col2", "col3"]]

# por índice
data.iloc[:, [col1_index, col2_index, col3_index]]

5. Accede a varias filas

PYTHON

# por nombre
data.loc[["row1", "row2", "row3"]]

# por índice
data.iloc[[row1_index, row2_index, row3_index]]

6. Accede a un subconjunto de filas y columnas específicas

PYTHON

# por nombres
data.loc[["row1", "row2", "row3"], ["col1", "col2", "col3"]]

# por indices
data.iloc[[row1_index, row2_index, row3_index], [col1_index, col2_index, col3_index]]

# nombre columna + indice fila
data[["col1", "col2", "col3"]].iloc[[row1_index, row2_index, row3_index]]

# índice columna + nombre fila
data.iloc[:, [col1_index, col2_index, col3_index]].loc[["row1", "row2", "row3"]]

7. Accede a un subconjunto de rangos de filas y columnas

PYTHON

# por nombre
data.loc["row1":"row2", "col1":"col2"]

# por índice
data.iloc[row1_index:row2_index, col1_index:col2_index]

# nombre columna + indice fila
data.loc[:, "col1_name":"col2_name"].iloc[row1_index:row2_index]

# índice columna + nombre fila
data.iloc[:, col1_index:col2_index].loc["row1":"row2"]

Explorar los métodos disponibles utilizando la función `dir()`

Python incluye una función dir() que se puede utilizar para mostrar todos los métodos disponibles (funciones) que están incorporados en un objeto de datos. En el Episodio 4, utilizamos algunos métodos con una cadena. Pero podemos ver muchos más disponibles usando dir():

PYTHON

my_string = 'Hello world!'   # creation of a string object 
dir(my_string)

Este comando devuelve:

PYTHON

['__add__',
...
'__subclasshook__',
'capitalize',
'casefold',
'center',
...
'upper',
'zfill']

Puede utilizar help() o Shift+Tab para obtener más información sobre lo que hacen estos métodos.

Supongamos que se ha importado Pandas y se han cargado los datos del PIB de Gapminder para Europa como data. A continuación, utilice dir() para encontrar la función que imprime la mediana del PIB per cápita en todos los países europeos para cada año en que la información está disponible.

Solución

Entre muchas opciones, dir() lista la función median() como una posibilidad. Por lo tanto

PYTHON

data.median()

Interpretación

Las fronteras de Polonia han sido estables desde 1945, pero cambiaron varias veces en los años anteriores. ¿Cómo gestionaría esta situación si estuviera creando una tabla del PIB per cápita de Polonia para todo el siglo XX?

Puntos Clave

Usa DataFrame.iloc[..., ...] para seleccionar valores por posición entera.
Use : solo para significar todas las columnas o todas las filas.
Selecciona múltiples columnas o filas usando DataFrame.loc y una rebanada con nombre.
El resultado del corte puede usarse en operaciones posteriores.
Utiliza comparaciones para seleccionar datos en función de su valor.
Selecciona valores o NaN usando una máscara booleana.

Content from Trazando

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 30 minutos

Hoja de ruta

Preguntas

¿Cómo puedo representar mis datos?
¿Cómo puedo guardar mi gráfico para publicarlo?

Objetivos

Crea un gráfico de series temporales mostrando un único conjunto de datos.
Crea un gráfico de dispersión que muestra la relación entre dos conjuntos de datos.

`matplotlib` es la librería de gráficos científicos más utilizada en Python.

Comúnmente usa una sub-biblioteca llamada matplotlib.pyplot.
Por defecto, Jupyter Notebook muestra los gráficos en línea.

PYTHON

import matplotlib.pyplot as plt

Los gráficos simples son (bastante) fáciles de crear.

PYTHON

time = [0, 1, 2, 3]
position = [0, 100, 200, 300]

plt.plot(time, position)
plt.xlabel('Time (hr)')
plt.ylabel('Position (km)')

Un gráfico de líneas que muestra el tiempo (hr) relativo a la posición (km), utilizando los valores proporcionados en el bloque de código anterior. Por defecto, la línea trazada es azul sobre fondo blanco, y los ejes se han escalado automáticamente para ajustarse al rango de los datos de entrada.

Mostrar todas las figuras abiertas

En nuestro ejemplo de Jupyter Notebook, la ejecución de la celda debería generar la figura directamente debajo del código. La figura también se incluye en el documento de Notebook para su futura visualización. Sin embargo, otros entornos Python como una sesión Python interactiva iniciada desde un terminal o un script Python ejecutado a través de la línea de comandos requieren un comando adicional para mostrar la figura.

Indica a matplotlib que muestre una figura:

PYTHON

plt.show()

Este comando también puede usarse dentro de un Cuaderno - por ejemplo, para mostrar múltiples figuras si varias son creadas por una sola celda.

Trazar datos directamente desde un `Pandas dataframe`.

También podemos graficar Pandas dataframes.
Antes de graficar, convertimos los encabezados de columna de un tipo de datos string a integer, ya que representan valores numéricos, usando str.replace() para eliminar el prefijo gpdPercap_ y luego astype(int) para convertir la serie de valores de cadena (['1952', '1957', ..., '2007']) a una serie de enteros: [1925, 1957, ..., 2007].

PYTHON

import pandas as pd

data = pd.read_csv('data/gapminder_gdp_oceania.csv', index_col='country')

# Extraer el año de los últimos 4 caracteres de cada nombre de columna  
# Los nombres actuales de las columnas tienen la estructura 'gdpPercap_(año)',  
# por lo que queremos conservar solo la parte del (año) para mayor claridad al graficar PIB vs. años  
# Para ello usamos replace(), que elimina de la cadena los caracteres indicados en el argumento  
# Este método funciona con cadenas, así que usamos replace() desde las funciones vectorizadas de cadenas de Pandas: Series.str

years = data.columns.str.replace('gdpPercap_', '')

# Convierte los valores de los años a integers, guardando los resultados de vuelta

data.columns = years.astype(int)

data.loc['Australia'].plot()

Selecciona y transforma los datos, luego los grafica.

Por defecto, DataFrame.plot traza con las filas como eje X.
Podemos transponer los datos para graficar múltiples series.

PYTHON

data.T.plot()
plt.ylabel('GDP per capita')

Gráfico del PIB de Australia y Nueva Zelanda

Hay muchos estilos disponibles.

Por ejemplo, haga un gráfico de barras usando un estilo más elegante.

PYTHON

plt.style.use('ggplot')
data.T.plot(kind='bar')
plt.ylabel('GDP per capita')

Los datos también pueden ser graficados llamando directamente a la función `matplotlib` `plot`.

El comando es plt.plot(x, y)
El color y el formato de los marcadores también se puede especificar como un argumento opcional adicional, por ejemplo, b- es una línea azul, g-- es una línea discontinua verde.

Obtener datos de Australia del marco de datos

PYTHON

years = data.columns
gdp_australia = data.loc['Australia']

plt.plot(years, gdp_australia, 'g--')

Gráfico del PIB con formato de Australia

Puede graficar varios conjuntos de datos juntos.

PYTHON

# Select two countries' worth of data.
gdp_australia = data.loc['Australia']
gdp_nz = data.loc['New Zealand']

# Plot with differently-colored markers.
plt.plot(years, gdp_australia, 'b-', label='Australia')
plt.plot(years, gdp_nz, 'g-', label='New Zealand')

# Create legend.
plt.legend(loc='upper left')
plt.xlabel('Year')
plt.ylabel('GDP per capita ($)')

Añadir una leyenda

A menudo, cuando se trazan múltiples conjuntos de datos en la misma figura, es deseable tener una leyenda que describa los datos.

Esto se puede hacer en matplotlib en dos etapas:

Proporciona una etiqueta para cada conjunto de datos en la figura:

PYTHON

plt.plot(years, gdp_australia, label='Australia')
plt.plot(years, gdp_nz, label='New Zealand')

Indica a matplotlib que cree la leyenda.

PYTHON

plt.legend()

Por defecto matplotlib intentará colocar la leyenda en una posición adecuada. Si prefiere especificar una posición, puede hacerlo con el argumento loc=, por ejemplo, para colocar la leyenda en la esquina superior izquierda del gráfico, especifique loc='upper left'

Gráfico con formato del PIB de Australia y Nueva Zelanda

Traza un gráfico de dispersión correlacionando el PIB de Australia y Nueva Zelanda
Utilice plt.scatter o DataFrame.plot.scatter

PYTHON

plt.scatter(gdp_australia, gdp_nz)

Correlación del PIB mediante plt.scatter

PYTHON

data.T.plot.scatter(x = 'Australia', y = 'New Zealand')

Correlación del PIB usando data.T.plot.scatter

Mínimos y Máximos

Rellena los espacios en blanco siguientes para representar el PIB per cápita mínimo a lo largo del tiempo para todos los países de Europa. Modifícalo de nuevo para trazar el PIB per cápita máximo a lo largo del tiempo para Europa.

PYTHON

data_europe = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
data_europe.____.plot(label='min')
data_europe.____
plt.legend(loc='best')
plt.xticks(rotation=90)

Solución

PYTHON

data_europe = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country')
data_europe.min().plot(label='min')
data_europe.max().plot(label='max')
plt.legend(loc='best')
plt.xticks(rotation=90)

Correlaciones

Modifica el ejemplo de las notas para crear un gráfico de dispersión que muestre la relación entre el PIB per cápita mínimo y máximo entre los países de Asia para cada año del conjunto de datos. ¿Qué relación observas (si la hay)?

Solución

PYTHON

data_asia = pd.read_csv('data/gapminder_gdp_asia.csv', index_col='country')
data_asia.describe().T.plot(kind='scatter', x='min', y='max')

No se aprecian correlaciones particulares entre los valores mínimos y máximos del PIB año tras año. Parece que las fortunas de los países asiáticos no suben y bajan juntas.

Correlaciones (continued)

Puedes observar que la variabilidad del máximo es mucho mayor que la del mínimo. Eche un vistazo a los índices máximo y máximo:

PYTHON

data_asia = pd.read_csv('data/gapminder_gdp_asia.csv', index_col='country')
data_asia.max().plot()
print(data_asia.idxmax())
print(data_asia.idxmin())

Solución

Parece que la variabilidad de este valor se debe a una fuerte caída después de 1972. ¿Tal vez haya algo de geopolítica en juego? Dado el predominio de los países productores de petróleo, tal vez el índice del crudo Brent sería una comparación interesante Mientras que Myanmar tiene sistemáticamente el PIB más bajo, la nación con el PIB más alto ha variado más notablemente.

Más Correlaciones

Este breve programa crea un gráfico que muestra la correlación entre el PIB y la esperanza de vida para 2007, normalizando el tamaño del marcador por la población:

PYTHON

data_all = pd.read_csv('data/gapminder_all.csv', index_col='country')
data_all.plot(kind='scatter', x='gdpPercap_2007', y='lifeExp_2007',
              s=data_all['pop_2007']/1e6)

Utilizando la ayuda en línea y otros recursos, explique qué hace cada argumento de plot.

Solución

Un buen lugar para buscar es la documentación de la función plot - help(data_all.plot).

tipo - Como ya se ha visto, determina el tipo de gráfico que se dibujará.

x e y - Un nombre de columna o índice que determina qué datos se colocarán en los ejes x e y del gráfico

s - Encontrará más detalles en la documentación de plt.scatter. Un solo número o un valor para cada punto de datos. Determina el tamaño de los puntos trazados.

Guardar el gráfico en un archivo

Si estás satisfecho con el gráfico que ves, puede que quieras guardarlo en un archivo, tal vez para incluirlo en una publicación. Hay una función en el módulo matplotlib.pyplot que hace esto: savefig. Llamando a esta función, por ejemplo con

PYTHON

plt.savefig('my_figure.png')

guardará la figura actual en el archivo my_figure.png. El formato del archivo se deducirá automáticamente de la extensión del nombre del archivo (otros formatos son pdf, ps, eps y svg).

Tenga en cuenta que las funciones en plt se refieren a una variable de figura global y después de que una figura se ha mostrado en la pantalla (por ejemplo, con plt.show) matplotlib hará que esta variable se refiera a una nueva figura vacía. Por lo tanto, asegúrese de llamar a plt.savefig antes de que el gráfico se muestre en pantalla, de lo contrario puede encontrar un archivo con un gráfico vacío.

Cuando se usan dataframes, los datos son a menudo generados y graficados en pantalla en una sola línea. Además de usar plt.savefig, podemos guardar una referencia a la figura actual en una variable local (con plt.gcf) y llamar al método de clase savefig desde esa variable para guardar la figura en un fichero.

PYTHON

data.plot(kind='bar')
fig = plt.gcf() # get current figure
fig.savefig('my_figure.png')

Haciendo sus gráficos accesibles

Siempre que estés generando gráficos para un artículo o una presentación, hay algunas cosas que puedes hacer para asegurarte de que todo el mundo pueda entender tus gráficos.

Asegúrese siempre de que su texto es lo suficientemente grande como para ser leído. Utilice el parámetro fontsize en xlabel, ylabel, title, y legend, y tick_params con labelsize para aumentar el tamaño del texto de los números en sus ejes.
Del mismo modo, debe hacer que los elementos de su gráfico sean fáciles de ver. Utilice s para aumentar el tamaño de sus marcadores de dispersión y linewidth para aumentar el tamaño de sus líneas de trazado.
El uso del color (y nada más) para distinguir entre los diferentes elementos del gráfico hará que sus gráficos sean ilegibles para cualquiera que sea daltónico, o que tenga una impresora de oficina en blanco y negro. Para las líneas, el parámetro linestyle le permite utilizar diferentes tipos de líneas. Para los gráficos de dispersión, marker le permite cambiar la forma de sus puntos. Si no está seguro de sus colores, puede utilizar Coblis u Oráculo de colores para simular el aspecto que tendrían sus gráficos para las personas daltónicas.

Puntos Clave

matplotlib es la librería de gráficos científicos más utilizada en Python.
Traza datos directamente desde un marco de datos Pandas.
Selecciona y transforma datos, luego los grafica.
Dispone de muchos estilos de representación gráfica: consulte la Galería gráfica de Python para más opciones.
Puede graficar varios conjuntos de datos juntos.

Content from Almuerzo

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 0 minutos

Durante el almuerzo, reflexiona y discute sobre lo siguiente:

¿Qué tipo de paquetes podrías utilizar en Python y por qué los utilizarías?
¿Cómo habría que formatear los datos para utilizarlos en los marcos de datos de Pandas? ¿Los datos que tienes cumplirían estos requisitos?
¿Qué limitaciones o problemas podrías encontrar al pensar en cómo aplicar lo que hemos aprendido a tus propios proyectos o datos?

Content from Listas

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Cómo puedo almacenar varios valores?

Objetivos

Explica por qué los programas necesitan colecciones de valores.
Escribe programas que creen listas planas, las indexen, las rebanen y las modifiquen mediante asignaciones y llamadas a métodos.

Una lista almacena muchos valores en una sola estructura.

Hacer cálculos con cien variables llamadas pressure_001, pressure_002, etc., sería al menos tan lento como hacerlos a mano.
Utiliza una lista para almacenar muchos valores juntos.
- Entre corchetes [...].
- Valores separados por comas ,.
Utilice len para averiguar cuántos valores hay en una lista.

PYTHON

pressures = [0.273, 0.275, 0.277, 0.275, 0.276]
print('pressures:', pressures)
print('length:', len(pressures))

SALIDA

pressures: [0.273, 0.275, 0.277, 0.275, 0.276]
length: 5

Utiliza el índice de un elemento para obtenerlo de una lista.

Igual que las cadenas.

PYTHON

print('zeroth item of pressures:', pressures[0])
print('fourth item of pressures:', pressures[4])

SALIDA

zeroth item of pressures: 0.273
fourth item of pressures: 0.276

Los valores de las listas se pueden reemplazar asignándoles.

Utilice una expresión de índice a la izquierda de la asignación para reemplazar un valor.

PYTHON

pressures[0] = 0.265
print('pressures is now:', pressures)

SALIDA

pressures is now: [0.265, 0.275, 0.277, 0.275, 0.276]

Añadir elementos a una lista la alarga.

Utilice list_name.append para añadir elementos al final de una lista.

PYTHON

primes = [2, 3, 5]
print('primes is initially:', primes)
primes.append(7)
print('primes has become:', primes)

SALIDA

primes is initially: [2, 3, 5]
primes has become: [2, 3, 5, 7]

append es un método de listas.
- Como una función, pero ligada a un objeto concreto.
Utilice object_name.method_name para llamar a métodos.
- Se parece deliberadamente a la forma en que nos referimos a las cosas en una biblioteca.
Conoceremos otros métodos de listas a medida que avancemos.
- Utilice help(list) para una vista previa.
extend es similar a append, pero permite combinar dos listas. Por ejemplo:

PYTHON

teen_primes = [11, 13, 17, 19]
middle_aged_primes = [37, 41, 43, 47]
print('primes is currently:', primes)
primes.extend(teen_primes)
print('primes has now become:', primes)
primes.append(middle_aged_primes)
print('primes has finally become:', primes)

SALIDA

primes is currently: [2, 3, 5, 7]
primes has now become: [2, 3, 5, 7, 11, 13, 17, 19]
primes has finally become: [2, 3, 5, 7, 11, 13, 17, 19, [37, 41, 43, 47]]

Tenga en cuenta que mientras extend mantiene la estructura “plana” de la lista, añadir una lista a una lista significa que el último elemento en primes será una lista, no un entero. Las listas pueden contener valores de cualquier tipo, por lo que son posibles listas de listas.

Utilice `del` para eliminar elementos de una lista por completo.

Utilizamos del list_name[index] para eliminar un elemento de una lista (en el ejemplo, 9 no es un número primo) y así acortarla.
del no es una función ni un método, sino una sentencia del lenguaje.

PYTHON

primes = [2, 3, 5, 7, 9]
print('primes before removing last item:', primes)
del primes[4]
print('primes after removing last item:', primes)

SALIDA

primes before removing last item: [2, 3, 5, 7, 9]
primes after removing last item: [2, 3, 5, 7]

La lista vacía no contiene valores.

Utilice [] solo para representar una lista que no contiene ningún valor.
- “El cero de las listas”
Útil como punto de partida para recoger valores (que veremos en el próximo episodio).

Las listas pueden contener valores de diferentes tipos.

Una lista puede contener números, cadenas y cualquier otra cosa.

PYTHON

goals = [1, 'Create lists.', 2, 'Extract items from lists.', 3, 'Modify lists.']

Las cadenas de caracteres pueden indexarse como listas.

Obtiene caracteres individuales de una cadena de caracteres utilizando índices entre corchetes.

PYTHON

element = 'carbon'
print('zeroth character:', element[0])
print('third character:', element[3])

SALIDA

zeroth character: c
third character: b

Las cadenas de caracteres son inmutables.

No se pueden cambiar los caracteres de una cadena una vez creada.
- Inmutable: no se puede modificar después de la creación.
- Por el contrario, las listas son mutables: pueden modificarse in situ.
Python considera la cadena como un único valor con partes, no como una colección de valores.

PYTHON

element[0] = 'C'

ERROR

TypeError: 'str' object does not support item assignment

Tanto las listas como las cadenas de caracteres son colecciones.

Indexar más allá del final de la colección es un error.

Python reporta un IndexError si intentamos acceder a un valor que no existe.
- Esto es un tipo de error de ejecución.
- No puede detectarse al analizar el código porque el índice podría calcularse a partir de los datos.

PYTHON

print('99th element of element is:', element[99])

SALIDA

IndexError: string index out of range

Rellene los espacios en blanco

Rellena los espacios en blanco para que el programa de abajo produzca la salida mostrada.

PYTHON

values = ____
values.____(1)
values.____(3)
values.____(5)
print('first time:', values)
values = values[____]
print('second time:', values)

SALIDA

first time: [1, 3, 5]
second time: [3, 5]

Solución

PYTHON

values = []
values.append(1)
values.append(3)
values.append(5)
print('first time:', values)
values = values[1:]
print('second time:', values)

¿Qué tamaño tiene una rebanada?

Si start y stop son enteros no negativos, ¿cuánto mide la lista values[start:stop]?

Solución

La lista values[start:stop] tiene hasta stop - start elementos. Por ejemplo, values[1:4] tiene los 3 elementos values[1], values[2], y values[3]. ¿Por qué “hasta”? Como vimos en el episodio 2, si stop es mayor que la longitud total de la lista values, seguiremos obteniendo una lista, pero será más corta de lo esperado.

De cadenas a listas y viceversa

Dado esto:

PYTHON

print('string to list:', list('tin'))
print('list to string:', ''.join(['g', 'o', 'l', 'd']))

SALIDA

string to list: ['t', 'i', 'n']
list to string: gold

¿Qué hace list('some string')?
¿Qué genera '-'.join(['x', 'y', 'z'])?

Solución

list('some string') convierte una cadena en una lista que contiene todos sus caracteres.
join devuelve una cadena que es la concatenación de cada elemento de cadena de la lista y añade el separador entre cada elemento de la lista. El resultado es x-y-z. El separador entre los elementos es la cadena que proporciona este método.

Trabajar con el final

¿Qué imprime el siguiente programa?

PYTHON

element = 'helium'
print(element[-1])

¿Cómo interpreta Python un índice negativo?
Si una lista o cadena tiene N elementos, ¿cuál es el índice más negativo que se puede utilizar con seguridad con ella, y qué lugar representa ese índice?
Si values es una lista, ¿qué hace del values[-1]?
¿Cómo puedes mostrar todos los elementos menos el último sin cambiar values? (Sugerencia: tendrás que combinar el troceado y la indexación negativa)

Solución

El programa imprime m.

Python interpreta un índice negativo como que empieza por el final (en lugar de empezar por el principio). El último elemento es -1.
El último índice que se puede utilizar con seguridad con una lista de N elementos es el elemento -N, que representa el primer elemento.
del values[-1] elimina el último elemento de la lista.
values[:-1]

Recorriendo una lista

¿Qué imprime el siguiente programa?

PYTHON

element = 'fluorine'
print(element[::2])
print(element[::-1])

Si escribimos un slice como low:high:stride, ¿qué hace stride?
¿Qué expresión seleccionaría todos los elementos pares de una colección?

Solución

El programa imprime

PYTHON

furn
eniroulf

stride es el tamaño de paso de la rebanada.
El corte 1::2 selecciona todos los elementos pares de una colección: comienza con el elemento 1 (que es el segundo elemento, ya que la indexación comienza en 0), sigue hasta el final (ya que no se da end), y utiliza un tamaño de paso de 2 (es decir, selecciona cada dos elementos).

Límites de corte

¿Qué imprime el siguiente programa?

PYTHON

element = 'lithium'
print(element[0:20])
print(element[-1:3])

Solución

SALIDA

lithium

La primera sentencia imprime toda la cadena, ya que la rebanada va más allá de la longitud total de la cadena. La segunda sentencia devuelve una cadena vacía, ya que el trozo se sale de los límites de la cadena.

Ordenar y Clasificar

¿Qué imprimen estos dos programas? En términos sencillos, explique la diferencia entre sorted(letters) y letters.sort().

PYTHON

# Program A
letters = list('gold')
result = sorted(letters)
print('letters is', letters, 'and result is', result)

PYTHON

# Program B
letters = list('gold')
result = letters.sort()
print('letters is', letters, 'and result is', result)

Solución

El programa A imprime

SALIDA

letters is ['g', 'o', 'l', 'd'] and result is ['d', 'g', 'l', 'o']

El programa B imprime

SALIDA

letters is ['d', 'g', 'l', 'o'] and result is None

sorted(letters) devuelve una copia ordenada de la lista letters (la lista original letters permanece inalterada), mientras que letters.sort() ordena la lista letters en su lugar y no devuelve nada.

Copiar (o no)

¿Qué imprimen estos dos programas? En términos sencillos, explique la diferencia entre new = old y new = old[:].

PYTHON

# Program A
old = list('gold')
new = old      # simple assignment
new[0] = 'D'
print('new is', new, 'and old is', old)

PYTHON

# Program B
old = list('gold')
new = old[:]   # assigning a slice
new[0] = 'D'
print('new is', new, 'and old is', old)

Solución

El programa A imprime

SALIDA

new is ['D', 'o', 'l', 'd'] and old is ['D', 'o', 'l', 'd']

El programa B imprime

SALIDA

new is ['D', 'o', 'l', 'd'] and old is ['g', 'o', 'l', 'd']

new = old hace que new sea una referencia a la lista old; new y old apuntan al mismo objeto.

new = old[:] sin embargo crea un nuevo objeto lista new que contiene todos los elementos de la lista old; new y old son objetos diferentes.

Puntos Clave

Una lista almacena muchos valores en una única estructura.
Utiliza el índice de un elemento para obtenerlo de una lista.
Los valores de las listas pueden sustituirse asignándoles.
Añadir elementos a una lista la alarga.
Utilice del para eliminar elementos de una lista por completo.
La lista vacía no contiene valores.
Las listas pueden contener valores de distintos tipos.
Las cadenas de caracteres pueden indexarse como listas.
Las cadenas de caracteres son inmutables.
Indexar más allá del final de la colección es un error.

Content from Bucles For

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 25 minutos

Hoja de ruta

Preguntas

¿Cómo puedo hacer que un programa haga muchas cosas?

Objetivos

Explica para qué se usan normalmente los bucles for.
Traza la ejecución de un bucle simple (no anidado) e indica correctamente los valores de las variables en cada iteración.
Escriba bucles for que utilicen el patrón Acumulador para agregar valores.

Un bucle for ejecuta órdenes una vez por cada valor de una colección.

Hacer cálculos sobre los valores de una lista uno a uno es tan doloroso como trabajar con pressure_001, pressure_002, etc.
Un bucle for le dice a Python que ejecute algunas sentencias una vez por cada valor de una lista, una cadena de caracteres o alguna otra colección.
“para cada cosa en este grupo, haz estas operaciones”

PYTHON

for number in [2, 3, 5]:
    print(number)

Este bucle for es equivalente a:

PYTHON

print(2)
print(3)
print(5)

Y la salida del bucle for es:

SALIDA

2
3
5

Un bucle `for` se compone de una colección, una variable de bucle y un cuerpo.

PYTHON

for number in [2, 3, 5]:
    print(number)

La colección, [2, 3, 5], es sobre la que se está ejecutando el bucle.
El cuerpo, print(number), especifica qué hacer para cada valor de la colección.
La variable de bucle, number, es la que cambia en cada iteración del bucle.
- Lo “actual”.

La primera línea del bucle `for` debe terminar con dos puntos, y el cuerpo debe tener sangría.

Los dos puntos al final de la primera línea indican el inicio de un bloque de sentencias.
Python usa sangría en lugar de {} o begin/end para mostrar anidamiento.
- Cualquier sangría consistente es legal, pero casi todo el mundo utiliza cuatro espacios.

PYTHON

for number in [2, 3, 5]:
print(number)

ERROR

IndentationError: expected an indented block

La sangría siempre tiene sentido en Python.

PYTHON

firstName = "Jon"
  lastName = "Smith"

ERROR

  File "<ipython-input-7-f65f2962bf9c>", line 2
    lastName = "Smith"
    ^
IndentationError: unexpected indent

Este error puede solucionarse eliminando los espacios sobrantes al principio de la segunda línea.

Las variables de bucle pueden llamarse como se quiera.

Como todas las variables, las variables de bucle son:
- Creado a petición.
- Sin sentido: sus nombres pueden ser cualquier cosa.

PYTHON

for kitten in [2, 3, 5]:
    print(kitten)

El cuerpo de un bucle puede contener muchas sentencias.

Pero ningún bucle debe tener más de unas pocas líneas.
Difícil para los seres humanos mantener en mente grandes trozos de código.

PYTHON

primes = [2, 3, 5]
for p in primes:
    squared = p ** 2
    cubed = p ** 3
    print(p, squared, cubed)

SALIDA

2 4 8
3 9 27
5 25 125

Use `range` para iterar sobre una secuencia de números.

La función incorporada range produce una secuencia de números.
- No una lista: los números se producen bajo demanda para hacer más eficiente el bucle sobre rangos grandes.
range(N) son los números 0..N-1
- Exactamente los índices legales de una lista o cadena de caracteres de longitud N

PYTHON

print('a range is not a list: range(0, 3)')
for number in range(0, 3):
    print(number)

SALIDA

a range is not a list: range(0, 3)
0
1
2

El patrón Acumulador convierte muchos valores en uno.

Un patrón común en los programas es:
1. Inicializa una variable acumulador a cero, la cadena vacía o la lista vacía.
2. Actualiza la variable con valores de una colección.

PYTHON

# Sum the first 10 integers.
total = 0
for number in range(10):
   total = total + (number + 1)
print(total)

SALIDA

Lee total = total + (number + 1) como:
- Suma 1 al valor actual de la variable de bucle number.
- Añádelo al valor actual de la variable acumuladora total.
- Asigna esto a total, reemplazando el valor actual.
Tenemos que añadir number + 1 porque range produce 0..9, no 1..10.

Clasificación de errores

¿Un error de sangría es un error de sintaxis o de ejecución?

Solución

Un IndentationError es un error de sintaxis. Los programas con errores de sintaxis no pueden iniciarse. Un programa con un error de ejecución se iniciará pero se lanzará un error bajo ciertas condiciones.

Seguimiento de la ejecución

Crea una tabla que muestre los números de las líneas que se ejecutan cuando se ejecuta este programa, y los valores de las variables después de ejecutar cada línea.

PYTHON

total = 0
for char in "tin":
    total = total + 1

Solución

Line no	Variables
1	total = 0
2	total = 0 char = ‘t’
3	total = 1 char = ‘t’
2	total = 1 char = ‘i’
3	total = 2 char = ‘i’
2	total = 2 char = ‘n’
3	total = 3 char = ‘n’

Invertir una cadena

Rellena los espacios en blanco del siguiente programa para que imprima “nit” (la inversa de la cadena de caracteres original “tin”).

PYTHON

original = "tin"
result = ____
for char in original:
    result = ____
print(result)

Solución

PYTHON

original = "tin"
result = ""
for char in original:
    result = char + result
print(result)

Practica Acumulando

Rellene los espacios en blanco en cada uno de los programas siguientes para obtener el resultado indicado.

PYTHON

# Total length of the strings in the list: ["red", "green", "blue"] => 12
total = 0
for word in ["red", "green", "blue"]:
    ____ = ____ + len(word)
print(total)

Solución

PYTHON

total = 0
for word in ["red", "green", "blue"]:
    total = total + len(word)
print(total)

Practica Acumulando (continued)

PYTHON

# List of word lengths: ["red", "green", "blue"] => [3, 5, 4]
lengths = ____
for word in ["red", "green", "blue"]:
    lengths.____(____)
print(lengths)

Solución

PYTHON

lengths = []
for word in ["red", "green", "blue"]:
    lengths.append(len(word))
print(lengths)

Practica Acumulando (continued)

PYTHON

# Concatenate all words: ["red", "green", "blue"] => "redgreenblue"
words = ["red", "green", "blue"]
result = ____
for ____ in ____:
    ____
print(result)

Solución

PYTHON

words = ["red", "green", "blue"]
result = ""
for word in words:
    result = result + word
print(result)

Practica Acumulando (continued)

Crea un acrónimo: A partir de la lista ["red", "green", "blue"], crea el acrónimo "RGB" usando un bucle for.

Pista: Puede que necesites usar un método de cadena para formatear correctamente el acrónimo.

Solución

PYTHON

acronym = ""
for word in ["red", "green", "blue"]:
    acronym = acronym + word[0].upper()
print(acronym)

Suma Acumulada

Reordena y aplica la sangría adecuada a las líneas de código siguientes para que impriman una lista con la suma acumulada de datos. El resultado debe ser [1, 3, 5, 10].

PYTHON

cumulative.append(total)
for number in data:
cumulative = []
total = total + number
total = 0
print(cumulative)
data = [1,2,2,5]

Solución

PYTHON

total = 0
data = [1,2,2,5]
cumulative = []
for number in data:
    total = total + number
    cumulative.append(total)
print(cumulative)

Identificación de errores de nombres de variables

Lee el siguiente código e intenta identificar cuáles son los errores sin ejecutarlo.
Ejecuta el código y lee el mensaje de error. ¿Qué tipo de NameError crees que es? ¿Es una cadena sin comillas, una variable mal escrita, o una variable que debería haber sido definida pero no lo fue?
Corrige el error.
Repita los pasos 2 y 3, hasta que haya corregido todos los errores.

PYTHON

for number in range(10):
    # use a if the number is a multiple of 3, otherwise use b
    if (Number % 3) == 0:
        message = message + a
    else:
        message = message + "b"
print(message)

Solución

Los nombres de variables en Python distinguen entre mayúsculas y minúsculas: number y Number se refieren a variables diferentes.
La variable message debe inicializarse como una cadena vacía.
Queremos añadir la cadena "a" a message, no la variable indefinida a.

PYTHON

message = ""
for number in range(10):
    # use a if the number is a multiple of 3, otherwise use b
    if (number % 3) == 0:
        message = message + "a"
    else:
        message = message + "b"
print(message)

Identificación de errores de posición

Lee el siguiente código e intenta identificar cuáles son los errores sin ejecutarlo.
Ejecuta el código y lee el mensaje de error. ¿Qué tipo de error es?
Corrige el error.

PYTHON

seasons = ['Spring', 'Summer', 'Fall', 'Winter']
print('My favorite season is ', seasons[4])

Solución

Esta lista tiene 4 elementos y el índice para acceder al último elemento de la lista es 3.

PYTHON

seasons = ['Spring', 'Summer', 'Fall', 'Winter']
print('My favorite season is ', seasons[3])

Puntos Clave

Un bucle for ejecuta órdenes una vez por cada valor de una colección.
Un bucle for se compone de una colección, una variable de bucle y un cuerpo.
La primera línea del bucle for debe terminar con dos puntos, y el cuerpo debe tener sangría.
La sangría siempre tiene sentido en Python.
Las variables de bucle pueden llamarse como se quiera (pero se recomienda encarecidamente dar un nombre significativo a la variable de bucle).
El cuerpo de un bucle puede contener muchas sentencias.
Utilice range para iterar sobre una secuencia de números.
El patrón Acumulador convierte muchos valores en uno.

Content from Condicionales

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 25 minutos

Hoja de ruta

Preguntas

¿Cómo pueden los programas hacer cosas diferentes para datos diferentes?

Objetivos

Escribir correctamente programas que utilicen sentencias if y else y expresiones booleanas sencillas (sin operadores lógicos).
Rastrea la ejecución de condicionales no anidadas y condicionales dentro de bucles.

Usar sentencias `if` para controlar si un bloque de código se ejecuta o no.

Una sentencia if (más propiamente llamada sentencia condicional) controla si un bloque de código se ejecuta o no.
La estructura es similar a una sentencia for:
- La primera línea se abre con if y termina con dos puntos
- El cuerpo que contiene una o más sentencias tiene sangría (normalmente de 4 espacios)

PYTHON

mass = 3.54
if mass > 3.0:
    print(mass, 'is large')

mass = 2.07
if mass > 3.0:
    print (mass, 'is large')

SALIDA

3.54 is large

Los condicionales se usan a menudo dentro de bucles.

No tiene mucho sentido usar una condicional cuando conocemos el valor (como arriba).
Pero útil cuando tenemos una colección que procesar.

PYTHON

masses = [3.54, 2.07, 9.22, 1.86, 1.71]
for m in masses:
    if m > 3.0:
        print(m, 'is large')

SALIDA

3.54 is large
9.22 is large

Use `else` para ejecutar un bloque de código cuando una condición `if` es no verdadera.

else puede utilizarse después de if.
Nos permite especificar una alternativa a ejecutar cuando la rama if no está tomada.

PYTHON

masses = [3.54, 2.07, 9.22, 1.86, 1.71]
for m in masses:
    if m > 3.0:
        print(m, 'is large')
    else:
        print(m, 'is small')

SALIDA

3.54 is large
2.07 is small
9.22 is large
1.86 is small
1.71 is small

Utilice `elif` para especificar pruebas adicionales.

Puede proporcionar varias opciones alternativas, cada una con su propia prueba.
Utilice elif (abreviatura de “else if”) y una condición para especificarlas.
Siempre asociado a un if.
Debe ir antes de else (que es el “catch all”).

PYTHON

masses = [3.54, 2.07, 9.22, 1.86, 1.71]
for m in masses:
    if m > 9.0:
        print(m, 'is HUGE')
    elif m > 3.0:
        print(m, 'is large')
    else:
        print(m, 'is small')

SALIDA

3.54 is large
2.07 is small
9.22 is HUGE
1.86 is small
1.71 is small

Las condiciones se prueban una vez, en orden.

Python recorre las ramas de la condicional en orden, probando cada una a su vez.
El orden es importante.

PYTHON

grade = 85
if grade >= 90:
    print('grade is A')
elif grade >= 80:
    print('grade is B')
elif grade >= 70:
    print('grade is C')

SALIDA

grade is B

No vuelve atrás automáticamente y reevalúa si los valores cambian.

PYTHON

velocity = 10.0
if velocity > 20.0:
    print('moving too fast')
else:
    print('adjusting velocity')
    velocity = 50.0

SALIDA

adjusting velocity

Utiliza a menudo condicionales en un bucle para “evolucionar” los valores de las variables.

PYTHON

velocity = 10.0
for i in range(5): # execute the loop 5 times
    print(i, ':', velocity)
    if velocity > 20.0:
        print('moving too fast')
        velocity = velocity - 5.0
    else:
        print('moving too slow')
        velocity = velocity + 10.0
print('final velocity:', velocity)

SALIDA

0 : 10.0
moving too slow
1 : 20.0
moving too slow
2 : 30.0
moving too fast
3 : 25.0
moving too fast
4 : 20.0
moving too slow
final velocity: 30.0

Crear una tabla con los valores de las variables para seguir la ejecución de un programa.

i	0	.	1	.	2	.	3	.	4	.
velocity	10.0	20.0	.	30.0	.	25.0	.	20.0	.	30.0

El programa debe tener una sentencia print fuera del cuerpo del bucle para mostrar el valor final de velocity, ya que su valor se actualiza en la última iteración del bucle.

Relaciones compuestas usando `and`, `or` y paréntesis

A menudo, se desea que alguna combinación de cosas sea verdadera. Puede combinar relaciones dentro de una condicional utilizando and y or. Siguiendo con el ejemplo anterior, supongamos que tenemos

PYTHON

mass     = [ 3.54,  2.07,  9.22,  1.86,  1.71]
velocity = [10.00, 20.00, 30.00, 25.00, 20.00]

i = 0
for i in range(5):
    if mass[i] > 5 and velocity[i] > 20:
        print("Fast heavy object.  Duck!")
    elif mass[i] > 2 and mass[i] <= 5 and velocity[i] <= 20:
        print("Normal traffic")
    elif mass[i] <= 2 and velocity[i] <= 20:
        print("Slow light object.  Ignore it")
    else:
        print("Whoa!  Something is up with the data.  Check it")

Al igual que con la aritmética, puede y debe utilizar paréntesis siempre que exista una posible ambigüedad. Una buena regla general es usar siempre paréntesis cuando se mezclan and y or en la misma condición. Es decir, en lugar de

PYTHON

if mass[i] <= 2 or mass[i] >= 5 and velocity[i] > 20:

escribe uno de estos:

PYTHON

if (mass[i] <= 2 or mass[i] >= 5) and velocity[i] > 20:
if mass[i] <= 2 or (mass[i] >= 5 and velocity[i] > 20):

para que quede perfectamente claro para un lector (y para Python) lo que realmente quieres decir.

Rastreando Ejecución

¿Qué imprime este programa?

PYTHON

pressure = 71.9
if pressure > 50.0:
    pressure = 25.0
elif pressure <= 50.0:
    pressure = 0.0
print(pressure)

Solución

SALIDA

25.0

Recorte de Valores

Rellena los espacios en blanco para que este programa cree una nueva lista que contenga ceros donde los valores de la lista original eran negativos y unos donde los valores de la lista original eran positivos.

PYTHON

original = [-1.5, 0.2, 0.4, 0.0, -1.3, 0.4]
result = ____
for value in original:
    if ____:
        result.append(0)
    else:
        ____
print(result)

SALIDA

[0, 1, 1, 1, 0, 1]

Solución

PYTHON

original = [-1.5, 0.2, 0.4, 0.0, -1.3, 0.4]
result = []
for value in original:
    if value < 0.0:
        result.append(0)
    else:
        result.append(1)
print(result)

Procesamiento de ficheros pequeños

Modifica este programa para que sólo procese ficheros con menos de 50 registros.

PYTHON

import glob
import pandas as pd
for filename in glob.glob('data/*.csv'):
    contents = pd.read_csv(filename)
    ____:
        print(filename, len(contents))

Solución

PYTHON

import glob
import pandas as pd
for filename in glob.glob('data/*.csv'):
    contents = pd.read_csv(filename)
    if len(contents) < 50:
        print(filename, len(contents))

Inicializando

Modifica este programa para que encuentre los valores mayor y menor de la lista sin importar el rango de valores original.

PYTHON

values = [...some test data...]
smallest, largest = None, None
for v in values:
    if ____:
        smallest, largest = v, v
    ____:
        smallest = min(____, v)
        largest = max(____, v)
print(smallest, largest)

¿Cuáles son las ventajas y desventajas de utilizar este método para hallar el rango de los datos?

Solución

PYTHON

values = [-2,1,65,78,-54,-24,100]
smallest, largest = None, None
for v in values:
    if smallest is None and largest is None:
        smallest, largest = v, v
    else:
        smallest = min(smallest, v)
        largest = max(largest, v)
print(smallest, largest)

Si escribiste == None en lugar de is None, también funciona, pero los programadores de Python siempre escriben is None debido a la forma especial en que None funciona en el lenguaje.

Se puede argumentar que una ventaja de utilizar este método sería hacer el código más legible. Sin embargo, una desventaja es que este código no es eficiente porque dentro de cada iteración de la declaración del bucle for, hay dos bucles más que se ejecutan sobre dos números cada uno (las funciones min y max). Sería más eficiente iterar sobre cada número una sola vez:

PYTHON

values = [-2,1,65,78,-54,-24,100]
smallest, largest = None, None
for v in values:
    if smallest is None or v < smallest:
        smallest = v
    if largest is None or v > largest:
        largest = v
print(smallest, largest)

Ahora tenemos un bucle, pero cuatro pruebas de comparación. Hay dos formas de mejorarlo: o bien utilizar menos comparaciones en cada iteración, o bien utilizar dos bucles que contengan cada uno sólo una prueba de comparación. La solución más sencilla suele ser la mejor:

PYTHON

values = [-2,1,65,78,-54,-24,100]
smallest = min(values)
largest = max(values)
print(smallest, largest)

Puntos Clave

Utilice sentencias if para controlar si se ejecuta o no un bloque de código.
Los condicionales se usan a menudo dentro de bucles.
Utilice else para ejecutar un bloque de código cuando una condición if es no verdadera.
Utilice elif para especificar pruebas adicionales.
Las condiciones se prueban una vez, en orden.
Crea una tabla con los valores de las variables para seguir la ejecución de un programa.

Content from Bucle sobre conjuntos de datos

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 15 minutos

Hoja de ruta

Preguntas

¿Cómo puedo procesar muchos conjuntos de datos con un solo comando?

Objetivos

Ser capaz de leer y escribir expresiones globbing que coincidan con conjuntos de ficheros.
Utilice glob para crear listas de ficheros.
Escribe bucles for para realizar operaciones sobre ficheros dados sus nombres en una lista.

Utiliza un bucle `for` para procesar ficheros dada una lista de sus nombres.

Un nombre de fichero es una cadena de caracteres.
Y las listas pueden contener cadenas de caracteres.

PYTHON

import pandas as pd
for filename in ['data/gapminder_gdp_africa.csv', 'data/gapminder_gdp_asia.csv']:
    data = pd.read_csv(filename, index_col='country')
    print(filename, data.min())

SALIDA

data/gapminder_gdp_africa.csv gdpPercap_1952    298.846212
gdpPercap_1957    335.997115
gdpPercap_1962    355.203227
gdpPercap_1967    412.977514
⋮ ⋮ ⋮
gdpPercap_1997    312.188423
gdpPercap_2002    241.165877
gdpPercap_2007    277.551859
dtype: float64
data/gapminder_gdp_asia.csv gdpPercap_1952    331
gdpPercap_1957    350
gdpPercap_1962    388
gdpPercap_1967    349
⋮ ⋮ ⋮
gdpPercap_1997    415
gdpPercap_2002    611
gdpPercap_2007    944
dtype: float64

Use `glob.glob` para encontrar conjuntos de ficheros cuyos nombres coincidan con un patrón.

En Unix, el término “globbing” significa “buscar un conjunto de ficheros con un patrón”.
Los patrones más comunes son:
- * significa “coincide con cero o más caracteres”
- ? significa “coincide exactamente con un carácter”
La librería estándar de Python contiene el módulo glob para proporcionar la funcionalidad de coincidencia de patrones
El módulo glob contiene una función también llamada glob para encontrar patrones de ficheros
Por ejemplo, glob.glob('*.txt') coincide con todos los ficheros del directorio actual cuyos nombres terminen en .txt.
El resultado es una lista (posiblemente vacía) de cadenas de caracteres.

PYTHON

import glob
print('all csv files in data directory:', glob.glob('data/*.csv'))

SALIDA

all csv files in data directory: ['data/gapminder_all.csv', 'data/gapminder_gdp_africa.csv', \
'data/gapminder_gdp_americas.csv', 'data/gapminder_gdp_asia.csv', 'data/gapminder_gdp_europe.csv', \
'data/gapminder_gdp_oceania.csv']

PYTHON

print('all PDB files:', glob.glob('*.pdb'))

SALIDA

all PDB files: []

Utilice `glob` y `for` para procesar lotes de ficheros.

Ayuda mucho si los ficheros se nombran y almacenan de forma sistemática y consistente para que los patrones simples encuentren los datos correctos.

PYTHON

for filename in glob.glob('data/gapminder_*.csv'):
    data = pd.read_csv(filename)
    print(filename, data['gdpPercap_1952'].min())

SALIDA

data/gapminder_all.csv 298.8462121
data/gapminder_gdp_africa.csv 298.8462121
data/gapminder_gdp_americas.csv 1397.717137
data/gapminder_gdp_asia.csv 331.0
data/gapminder_gdp_europe.csv 973.5331948
data/gapminder_gdp_oceania.csv 10039.59564

Incluye todos los datos, así como los datos por región.
Utilice un patrón más específico en los ejercicios para excluir todo el conjunto de datos.
Pero tenga en cuenta que el mínimo de todo el conjunto de datos es también el mínimo de uno de los conjuntos de datos, lo que es una buena comprobación de la corrección.

Determinación de coincidencias

¿Cuál de estos ficheros no coincide con la expresión glob.glob('data/*as*.csv')?

data/gapminder_gdp_africa.csv
data/gapminder_gdp_americas.csv
data/gapminder_gdp_asia.csv

Solución

1 no coincide con el glob.

Tamaño mínimo de fichero

Modifica este programa para que imprima el número de registros del fichero que menos registros tenga.

PYTHON

import glob
import pandas as pd
fewest = ____
for filename in glob.glob('data/*.csv'):
    dataframe = pd.____(filename)
    fewest = min(____, dataframe.shape[0])
print('smallest file has', fewest, 'records')

Tenga en cuenta que el método DataFrame.shape() devuelve una tupla con el número de filas y columnas del marco de datos.

Solución

PYTHON

import glob
import pandas as pd
fewest = float('Inf')
for filename in glob.glob('data/*.csv'):
    dataframe = pd.read_csv(filename)
    fewest = min(fewest, dataframe.shape[0])
print('smallest file has', fewest, 'records')

Puede que hayas elegido inicializar la variable fewest con un número mayor que los números con los que estás tratando, pero eso podría traerte problemas si reutilizas el código con números mayores. Python te permite usar infinito positivo, que funcionará sin importar lo grandes que sean tus números. ¿Qué otras cadenas especiales reconoce la función float?

Comparación de datos

Escribe un programa que lea los conjuntos de datos regionales y represente el PIB per cápita medio de cada región a lo largo del tiempo en un único gráfico. Pandas emitirá un error si encuentra columnas no numéricas en el cálculo de un marco de datos, por lo que es posible que tenga que filtrar esas columnas o decirle a pandas que las ignore.

Solución

Esta solución construye una leyenda útil utilizando el método string split method para extraer el region de la ruta ‘data/gapminder_gdp_a_specific_region.csv’.

PYTHON

import glob
import pandas as pd
import matplotlib.pyplot as plt
fig, ax = plt.subplots(1,1)
for filename in glob.glob('data/gapminder_gdp*.csv'):
    dataframe = pd.read_csv(filename)
   # extraer <región> del nombre de archivo, que se espera en el formato 'data/gapminder_gdp_<region>.csv'  
   # dividiremos la cadena utilizando el método split y `_` como separador,  
   # recuperaremos la última cadena de la lista que devuelve split (`<region>.csv`),  
   # y luego eliminaremos la extensión `.csv` de esa cadena.  
   # NOTA: el módulo pathlib, que se cubre en el siguiente apartado, también ofrece  
  # abstracciones convenientes para trabajar con rutas del sistema de archivos y podría resolver esto también:
    # from pathlib import Path
    # region = Path(filename).stem.split('_')[-1]
    region = filename.split('_')[-1][:-4]
    # exreae los años de las columnas del dataframe
    headings = dataframe.columns[1:]
    years = headings.str.split('_').str.get(1)
    # pandas tira errores cuando se encuentra con columnas no-numŕeicas en la computación de un dataframe
    # pero podemos decir a pandas que los ignore con el parámetro 'numeric_only`
    dataframe.mean(numeric_only=True).plot(ax=ax, label=region)
    # NOTA: otra manera de hacer esto es seleccionar solo las columnas con gdp en su nombre utilizando el método de filtraje
    # dataframe.filter(like="gdp").mean().plot(ax=ax, label=region)
# set the title and labels
ax.set_title('GDP Per Capita for Regions Over Time')
ax.set_xticks(range(len(years)))
ax.set_xticklabels(years)
ax.set_xlabel('Year')
plt.tight_layout()
plt.legend()
plt.show()

Tratamiento de rutas de ficheros

El módulo pathlib proporciona abstracciones útiles para la manipulación de ficheros y rutas, como devolver el nombre de un fichero sin la extensión. Esto es muy útil cuando se realiza un bucle sobre archivos y directorios. En el siguiente ejemplo, creamos un objeto Path e inspeccionamos sus atributos.

PYTHON

from pathlib import Path

p = Path("data/gapminder_gdp_africa.csv")
print(p.parent)
print(p.stem)
print(p.suffix)

SALIDA

data
gapminder_gdp_africa
.csv

Pista: Comprueba todos los atributos y métodos disponibles en el objeto Path con la función dir().

Puntos Clave

Utiliza un bucle for para procesar ficheros a partir de una lista de nombres.
Utilice glob.glob para encontrar conjuntos de ficheros cuyos nombres coincidan con un patrón.
Utilice glob y for para procesar lotes de ficheros.

Content from Café de la tarde

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 0 minutos

Ejercicio de reflexión

Durante el descanso, reflexiona y discute sobre lo siguiente:

Un refrán común en ingeniería de software es “No te repitas”. ¿Cómo nos ayudan las técnicas que hemos aprendido en las últimas lecciones a evitar repetirnos? Ten en cuenta que, en la práctica, esto tiene sus matices y debe equilibrarse con hacer lo más sencillo que pueda funcionar.
¿Cuáles son los pros y los contras de hacer que una variable sea global o local en una función?
¿Cuándo considerarías convertir un bloque de código en una definición de función?

Content from Funciones de escritura

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 25 minutos

Hoja de ruta

Preguntas

¿Cómo puedo crear mis propias funciones?

Objetivos

Explica e identifica la diferencia entre definición de función y llamada a función.
Escribe una función que tome un número pequeño y fijo de argumentos y produzca un único resultado.

Descomponer los programas en funciones para facilitar su comprensión.

Los seres humanos sólo pueden mantener unos pocos elementos en la memoria de trabajo a la vez.
Comprender ideas más grandes/más complicadas entendiendo y combinando piezas.
- Componentes de una máquina.
- Lemas para demostrar teoremas.
Las funciones tienen el mismo propósito en los programas.
- Encapsular la complejidad para que podamos tratarla como una única “cosa”.
También permite reutilizar.
- Escribir una vez, usar muchas veces.

Define una función usando `def` con un nombre, parámetros y un bloque de código.

Comienza la definición de una nueva función con def.
Seguido del nombre de la función.
- Debe obedecer las mismas reglas que los nombres de variables.
Entonces parámetros entre paréntesis.
- Paréntesis vacíos si la función no toma ninguna entrada.
- Lo discutiremos en detalle dentro de un momento.
Entonces dos puntos.
A continuación, un bloque de código con sangría.

PYTHON

def print_greeting():
    print('Hello!')
    print('The weather is nice today.')
    print('Right?')

Definir una función no la ejecuta.

Definir una función no la ejecuta.
- Como asignar un valor a una variable.
Debe llamar a la función para ejecutar el código que contiene.

PYTHON

print_greeting()

SALIDA

Hello!

Los argumentos de una llamada a función se corresponden con sus parámetros definidos.

Las funciones son más útiles cuando pueden operar sobre diferentes datos.
Especifica parámetros al definir una función.
- Se convierten en variables cuando se ejecuta la función.
- Se asignan los argumentos en la llamada (es decir, los valores pasados a la función).
- Si no nombras los argumentos cuando los usas en la llamada, los argumentos se emparejarán con los parámetros en el orden en que los parámetros están definidos en la función.

PYTHON

def print_date(year, month, day):
    joined = str(year) + '/' + str(month) + '/' + str(day)
    print(joined)

print_date(1871, 3, 19)

SALIDA

1871/3/19

O bien, podemos nombrar los argumentos cuando llamamos a la función, lo que nos permite especificarlos en cualquier orden y añade claridad al sitio de llamada; de lo contrario, mientras uno está leyendo el código podría olvidar si el segundo argumento es el mes o el día, por ejemplo.

PYTHON

print_date(month=3, day=19, year=1871)

SALIDA

1871/3/19

Vía Twitter: () contiene los ingredientes de la función mientras que el cuerpo contiene la receta.

Las funciones pueden devolver un resultado a su invocador usando `return`.

Utiliza return ... para devolver un valor al llamante.
Puede aparecer en cualquier parte de la función.
Pero las funciones son más fáciles de entender si aparece return:
- Al principio para tratar casos especiales.
- Al final, con un resultado final.

PYTHON

def average(values):
    if len(values) == 0:
        return None
    return sum(values) / len(values)

PYTHON

a = average([1, 3, 4])
print('average of actual values:', a)

SALIDA

average of actual values: 2.6666666666666665

PYTHON

print('average of empty list:', average([]))

SALIDA

average of empty list: None

Recuerda: toda función devuelve algo.
Una función que no explícitamente return un valor devuelve automáticamente None.

PYTHON

result = print_date(1871, 3, 19)
print('result of call is:', result)

SALIDA

1871/3/19
result of call is: None

Identificación de errores de sintaxis

Lee el siguiente código e intenta identificar cuáles son los errores sin ejecutarlo.
Ejecuta el código y lee el mensaje de error. ¿Es un SyntaxError o un IndentationError?
Corrige el error.
Repite los pasos 2 y 3 hasta que hayas corregido todos los errores.

PYTHON

def another_function
  print("Syntax errors are annoying.")
   print("But at least python tells us about them!")
  print("So they are usually not too hard to fix.")

Solución

PYTHON

def another_function():
  print("Syntax errors are annoying.")
  print("But at least Python tells us about them!")
  print("So they are usually not too hard to fix.")

Definición y uso

¿Qué imprime el siguiente programa?

PYTHON

def report(pressure):
    print('pressure is', pressure)

print('calling', report, 22.5)

Solución

SALIDA

calling <function report at 0x7fd128ff1bf8> 22.5

Una llamada a una función siempre necesita paréntesis, de lo contrario se obtiene la dirección de memoria del objeto de la función. Por lo tanto, si quisiéramos llamar a la función llamada informe, y darle el valor 22.5 para informar, podríamos tener nuestra llamada a la función de la siguiente manera

PYTHON

print("calling")
report(22.5)

SALIDA

calling
pressure is 22.5

Orden de operaciones

¿Qué falla en este ejemplo?

PYTHON

result = print_time(11, 37, 59)

def print_time(hour, minute, second):
   time_string = str(hour) + ':' + str(minute) + ':' + str(second)
   print(time_string)

Después de solucionar el problema anterior, explica por qué ejecutar este código de ejemplo:

PYTHON

result = print_time(11, 37, 59)
print('result of call is:', result)

da esta salida:

SALIDA

11:37:59
result of call is: None

¿Por qué el resultado de la llamada es None?

Solución

El problema con el ejemplo es que la función print_time() se define después de hacer la llamada a la función. Python no sabe cómo resolver el nombre print_time ya que no se ha definido todavía y lanzará un NameError por ejemplo, NameError: name 'print_time' is not defined
La primera línea de salida 11:37:59 es impresa por la primera línea de código, result = print_time(11, 37, 59) que vincula el valor devuelto por la invocación print_time a la variable result. La segunda línea es de la segunda llamada de impresión para imprimir el contenido de la variable result.
print_time() no devuelve explícitamente return un valor, por lo que devuelve automáticamente None.

Encapsulación

Rellena los espacios en blanco para crear una función que tome un único nombre de fichero como argumento, cargue los datos en el fichero nombrado por el argumento y devuelva el valor mínimo en esos datos.

PYTHON

import pandas as pd

def min_in_data(____):
    data = ____
    return ____

Solución

PYTHON

import pandas as pd

def min_in_data(filename):
    data = pd.read_csv(filename)
    return data.min()

Hallar el Primer

Rellena los espacios en blanco para crear una función que tome una lista de números como argumento y devuelva el primer valor negativo de la lista. ¿Qué hace la función si la lista está vacía? ¿Y si la lista no tiene números negativos?

PYTHON

def first_negative(values):
    for v in ____:
        if ____:
            return ____

Solución

PYTHON

def first_negative(values):
    for v in values:
        if v < 0:
            return v

Si a esta función se le pasa una lista vacía o una lista con todos los valores positivos, devuelve None:

PYTHON

my_list = []
print(first_negative(my_list))

SALIDA

None

Llamado por su nombre

Anteriormente vimos esta función:

PYTHON

def print_date(year, month, day):
    joined = str(year) + '/' + str(month) + '/' + str(day)
    print(joined)

Vimos que podemos llamar a la función usando nombres de argumentos, así:

PYTHON

print_date(day=1, month=2, year=2003)

¿Qué imprime print_date(day=1, month=2, year=2003)?
¿Cuándo has visto una llamada a una función como ésta?
¿Cuándo y por qué es útil llamar así a las funciones?

Solución

2003/2/1
Vimos ejemplos de uso de argumentos con nombre al trabajar con la librería pandas. Por ejemplo, cuando se lee un conjunto de datos usando data = pd.read_csv('data/gapminder_gdp_europe.csv', index_col='country'), el último argumento index_col es un argumento con nombre.
El uso de argumentos con nombre puede hacer que el código sea más legible, ya que uno puede ver en la llamada a la función qué nombre tienen los diferentes argumentos dentro de la función. También puede reducir las posibilidades de pasar argumentos en el orden incorrecto, ya que al utilizar argumentos con nombre el orden no importa.

Encapsulación de un bloque If/Print

El siguiente código se ejecutará en una impresora de etiquetas para huevos de gallina. Una balanza digital informará de la masa de un huevo de gallina (en gramos) al ordenador y éste imprimirá una etiqueta.

PYTHON

import random
for i in range(10):

    # simulando la masa de un huevo de gallina
    # la masa (aleatoria) será de  70 +/- 20 gramos
    mass = 70 + 20.0 * (2.0 * random.random() - 1.0)

    print(mass)

    # la maquinaria de los huevos de gallina imprime una etiqueta
    if mass >= 85:
        print("jumbo")
    elif mass >= 70:
        print("large")
    elif mass < 70 and mass >= 55:
        print("medium")
    else:
        print("small")

El bloque if que clasifica los huevos podría ser útil en otras situaciones, así que para evitar repetirlo, podríamos plegarlo en una función, get_egg_label(). Revisando el programa para usar la función tendríamos esto:

PYTHON

# versíón revisada
import random
for i in range(10):

    # simulando la masa de un huevo de gallina
    # la masa (aleatoria) será de  70 +/- 20 gramos
    mass = 70 + 20.0 * (2.0 * random.random() - 1.0)

    print(mass, get_egg_label(mass))

Cree una definición de función para get_egg_label() que funcione con el programa revisado anteriormente. Tenga en cuenta que el valor de retorno de la función get_egg_label() será importante. La salida de ejemplo del programa anterior sería 71.23 large.
Un huevo sucio puede tener una masa superior a 90 gramos, y un huevo estropeado o roto probablemente tendrá una masa inferior a 50 gramos. Modifique su función get_egg_label() para tener en cuenta estas condiciones de error. Un ejemplo de salida podría ser 25 too light, probably spoiled.

Solución

PYTHON

def get_egg_label(mass):
   # la maquinaria de los huevos de gallina imprime una etiqueta
    egg_label = "Unlabelled"
    if mass >= 90:
        egg_label = "warning: egg might be dirty"
    elif mass >= 85:
        egg_label = "jumbo"
    elif mass >= 70:
        egg_label = "large"
    elif mass < 70 and mass >= 55:
        egg_label = "medium"
    elif mass < 50:
        egg_label = "too light, probably spoiled"
    else:
        egg_label = "small"
    return egg_label

Análisis encapsulado de datos

Supongamos que se ha ejecutado el siguiente código:

PYTHON

import pandas as pd

data_asia = pd.read_csv('data/gapminder_gdp_asia.csv', index_col=0)
japan = data_asia.loc['Japan']

Complete los enunciados siguientes para obtener el PIB medio de Japón en los años indicados para la década de 1980.

PYTHON

year = 1983
gdp_decade = 'gdpPercap_' + str(year // ____)
avg = (japan.loc[gdp_decade + ___] + japan.loc[gdp_decade + ___]) / 2

Abstrae el código anterior en una única función.

PYTHON

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_'+___+'.csv',delimiter=',',index_col=0)
    ____
    ____
    ____
    return avg

¿Cómo generalizaría esta función si no supiera de antemano qué años concretos aparecen como columnas en los datos? Por ejemplo, ¿qué pasaría si también tuviéramos datos de los años que terminan en 1 y 9 para cada década? (Sugerencia: utilice las columnas para filtrar las que corresponden a la década, en lugar de enumerarlas en el código)

Solución

El PIB medio de Japón a lo largo de los años reportados para la década de 1980 se calcula con:

PYTHON

year = 1983
gdp_decade = 'gdpPercap_' + str(year // 10)
avg = (japan.loc[gdp_decade + '2'] + japan.loc[gdp_decade + '7']) / 2

Que se codifica como una función es:

PYTHON

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_' + continent + '.csv', index_col=0)
    c = data_countries.loc[country]
    gdp_decade = 'gdpPercap_' + str(year // 10)
    avg = (c.loc[gdp_decade + '2'] + c.loc[gdp_decade + '7'])/2
    return avg

Para obtener la media de los años relevantes, necesitamos hacer un bucle sobre ellos:

PYTHON

def avg_gdp_in_decade(country, continent, year):
    data_countries = pd.read_csv('data/gapminder_gdp_' + continent + '.csv', index_col=0)
    c = data_countries.loc[country]
    gdp_decade = 'gdpPercap_' + str(year // 10)
    total = 0.0
    num_years = 0
    for yr_header in c.index: # c's index contains reported years
        if yr_header.startswith(gdp_decade):
            total = total + c.loc[yr_header]
            num_years = num_years + 1
    return total/num_years

La función se puede llamar ahora por:

PYTHON

avg_gdp_in_decade('Japan','asia',1983)

SALIDA

20880.023800000003

Simulación de un sistema dinámico

En matemáticas, un sistema dinámico es un sistema en el que una función describe la dependencia temporal de un punto en un espacio geométrico. Un ejemplo canónico de sistema dinámico es el mapa logístico, un modelo de crecimiento que calcula una nueva densidad de población (entre 0 y 1) a partir de la densidad actual. En el modelo, el tiempo toma valores discretos 0, 1, 2, …

Definir una función llamada logistic_map que toma dos entradas: x, que representa la población actual (en el momento t), y un parámetro r = 1. Esta función debe devolver un valor que representa el estado del sistema (población) en el momento t + 1, utilizando la función de mapeo:

f(t+1) = r * f(t) * [1 - f(t)]

Utilizando un bucle for o while, itere la función logistic_map definida en la parte 1, partiendo de una población inicial de 0.5, durante un periodo de tiempo t_final = 10. Almacena los resultados intermedios en una lista, de forma que al finalizar el bucle hayas acumulado una secuencia de valores que representen el estado del mapa logístico en los tiempos t = [0,1,...,t_final] (11 valores en total). Imprima esta lista para ver la evolución de la población.
Encapsule la lógica de su bucle en una función llamada iterate que toma la población inicial como primera entrada, el parámetro t_final como segunda entrada y el parámetro r como tercera entrada. La función debe devolver la lista de valores que representan el estado del mapa logístico en los tiempos t = [0,1,...,t_final]. Ejecute esta función para los periodos t_final = 100 y 1000 e imprima algunos de los valores. ¿La población tiende hacia un estado estacionario?

Solución

PYTHON

def logistic_map(x, r):
    return r * x * (1 - x)

PYTHON

initial_population = 0.5
t_final = 10
r = 1.0
population = [initial_population]

for t in range(t_final):
    population.append( logistic_map(population[t], r) )

PYTHON

def iterate(initial_population, t_final, r):
    population = [initial_population]
    for t in range(t_final):
        population.append( logistic_map(population[t], r) )
    return population

for period in (10, 100, 1000):
    population = iterate(0.5, period, 1)
    print(population[-1])

SALIDA

0.06945089389714401
0.009395779870614648
0.0009913908614406382

La población parece acercarse a cero.

Uso de funciones con condicionales en Pandas

Las funciones a menudo contienen condicionales. He aquí un breve ejemplo que indicará en qué cuartil se encuentra el argumento basándose en los valores codificados a mano para los puntos de corte de los cuartiles.

PYTHON

def calculate_life_quartile(exp):
    if exp < 58.41:
        # This observation is in the first quartile
        return 1
    elif exp >= 58.41 and exp < 67.05:
        # This observation is in the second quartile
       return 2
    elif exp >= 67.05 and exp < 71.70:
        # This observation is in the third quartile
       return 3
    elif exp >= 71.70:
        # This observation is in the fourth quartile
       return 4
    else:
        # This observation has bad data
       return None

calculate_life_quartile(62.5)

SALIDA

Esa función se usaría típicamente dentro de un bucle for, pero Pandas tiene una forma diferente y más eficiente de hacer lo mismo, y es aplicando una función a un marco de datos o a una porción de un marco de datos. He aquí un ejemplo, utilizando la definición anterior.

PYTHON

data = pd.read_csv('data/gapminder_all.csv')
data['life_qrtl'] = data['lifeExp_1952'].apply(calculate_life_quartile)

Hay muchas cosas en esa segunda línea, así que vayamos por partes. En el lado derecho de la = empezamos con data['lifeExp'], que es la columna en el marco de datos llamado data etiquetado lifExp. Utilizamos el apply() para hacer lo que dice, aplicar el calculate_life_quartile al valor de esta columna para cada fila en el marco de datos.

Puntos Clave

Descomponer los programas en funciones para facilitar su comprensión.
Define una función usando def con un nombre, parámetros y un bloque de código.
Definir una función no la ejecuta.
Los argumentos de una llamada a una función coinciden con sus parámetros definidos.
Las funciones pueden devolver un resultado a su invocador utilizando return.

Content from Ámbito de una variable

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Cómo funcionan realmente las llamadas a funciones?
¿Cómo puedo determinar dónde se han producido los errores?

Objetivos

Identifica las variables locales y globales.
Identifica parámetros como variables locales.
Lee un traceback y determina el archivo, función y número de línea en el que ocurrió el error, el tipo de error y el mensaje de error.

El ámbito de una variable es la parte de un programa que puede ‘ver’ esa variable.

Hay un número limitado de nombres sensatos para las variables.
La gente que usa funciones no debería tener que preocuparse de qué nombres de variables usó el autor de la función.
La gente que escribe funciones no debería preocuparse por los nombres de las variables que usa el invocador de la función.
La parte de un programa en la que una variable es visible se llama su ámbito.

PYTHON

pressure = 103.9

def adjust(t):
    temperature = t * 1.43 / pressure
    return temperature

pressure es una variable global.
- Definida fuera de cualquier función particular.
- Visible en todas partes.
t y temperature son variables locales en adjust.
- Definida en la función.
- No visible en el programa principal.
- Recuerda: un parámetro de función es una variable a la que se le asigna automáticamente un valor cuando se llama a la función.

PYTHON

print('adjusted:', adjust(0.9))
print('temperature after call:', temperature)

SALIDA

adjusted: 0.01238691049085659

ERROR

Traceback (most recent call last):
  File "/Users/swcarpentry/foo.py", line 8, in <module>
    print('temperature after call:', temperature)
NameError: name 'temperature' is not defined

Uso de variables locales y globales

Rastrea los valores de todas las variables de este programa mientras se ejecuta. (Utiliza ‘—’ como valor de las variables antes y después de que existan)

PYTHON

limit = 100

def clip(value):
    return min(max(0.0, value), limit)

value = -22.5
print(clip(value))

Lectura de mensajes de error

Lee el traceback de abajo, e identifica lo siguiente:

¿Cuántos niveles tiene el traceback?
¿Cuál es el nombre del fichero donde se ha producido el error?
¿Cuál es el nombre de la función en la que se ha producido el error?
¿En qué número de línea de esta función se produjo el error?
¿Cuál es el tipo de error?
¿Cuál es el mensaje de error?

ERROR

---------------------------------------------------------------------------
KeyError                                  Traceback (most recent call last)
<ipython-input-2-e4c4cbafeeb5> in <module>()
      1 import errors_02
----> 2 errors_02.print_friday_message()

/Users/ghopper/thesis/code/errors_02.py in print_friday_message()
     13
     14 def print_friday_message():
---> 15     print_message("Friday")

/Users/ghopper/thesis/code/errors_02.py in print_message(day)
      9         "sunday": "Aw, the weekend is almost over."
     10     }
---> 11     print(messages[day])
     12
     13

KeyError: 'Friday'

Solución

Tres niveles.
errors_02.py
print_message
Línea 11
KeyError. Estos errores se producen cuando intentamos buscar una clave que no existe (normalmente en una estructura de datos como un diccionario). Podemos encontrar más información sobre KeyError y otras excepciones incorporadas en los Python docs.
KeyError: 'Friday'

Puntos Clave

El ámbito de una variable es la parte de un programa que puede ‘ver’ esa variable.

Content from Estilo de programación

Última actualización: 2025-07-01 | Mejora esta página

Tiempo estimado: 30 minutos

Hoja de ruta

Preguntas

¿Cómo puedo hacer mis programas más legibles?
¿Cómo formatean su código la mayoría de los programadores?
¿Cómo pueden los programas comprobar su propio funcionamiento?

Objetivos

Proporcione justificaciones sólidas para las reglas básicas de estilo de codificación.
Refactorice programas de una página para hacerlos más legibles y justifique los cambios.
Utiliza los estándares de codificación de la comunidad Python (PEP-8).

Estilo de codificación

Un estilo de codificación consistente ayuda a otros (incluyendo a nuestros futuros yoes) a leer y entender el código más fácilmente. El código se lee mucho más a menudo de lo que se escribe, y como dice el Zen of Python, “La legibilidad cuenta”. Python propuso un estilo estándar a través de una de sus primeras Propuestas de Mejora de Python (PEP), PEP8.

Algunos puntos que vale la pena destacar:

documente su código y asegúrese de que las suposiciones, algoritmos internos, entradas esperadas, salidas esperadas, etc., están claros
use nombres de variables claros y semánticamente significativos
use espacios en blanco, no tabuladores, para sangrar las líneas (los tabuladores pueden causar problemas en diferentes editores de texto, sistemas operativos y sistemas de control de versiones)

Siga el estilo estándar de Python en su código.

PEP8: una guía de estilo para Python que trata temas como el nombre de las variables, la sangría del código, la estructura de las sentencias import, etc. Adherirse a PEP8 hace que sea más fácil para otros desarrolladores de Python leer y entender tu código, y comprender cómo deben ser sus contribuciones.
Para comprobar que tu código cumple con PEP8, puedes utilizar la aplicación pycodestyle y herramientas como el formateador de código negro pueden formatear automáticamente tu código para que se ajuste a PEP8 y pycodestyle (también existe un formateador para cuadernos Jupyter nb_black).
Algunos grupos y organizaciones siguen diferentes guías de estilo además de PEP8. Por ejemplo, la guía de estilo de Google sobre Python hace recomendaciones ligeramente diferentes. Google escribió una aplicación que puede ayudarte a formatear tu código en su estilo o en PEP8 llamada yapf.
Con respecto al estilo de codificación, la clave es la consistencia. Elige un estilo para tu proyecto, ya sea PEP8, el estilo de Google o cualquier otro, y haz todo lo posible para asegurarte de que tú y cualquier otra persona con la que colabores os atenéis a él. La coherencia dentro de un proyecto suele tener más impacto que el estilo concreto utilizado. Un estilo coherente hará que tu software sea más fácil de leer y entender para los demás y para tu futuro yo.

Utilice aserciones para comprobar errores internos.

Las aserciones son un método sencillo pero potente para asegurarse de que el contexto en el que se ejecuta el código es el esperado.

PYTHON

def calc_bulk_density(mass, volume):
    '''Return dry bulk density = powder mass / powder volume.'''
    assert volume > 0
    return mass / volume

Si la aserción es False, el intérprete de Python lanza una excepción en tiempo de ejecución AssertionError. El código fuente de la expresión que falló se mostrará como parte del mensaje de error. Para ignorar las aserciones en su código ejecute el intérprete con la opción ‘-O’ (optimizar). Las aserciones deben contener sólo comprobaciones simples y nunca cambiar el estado del programa. Por ejemplo, una aserción nunca debe contener una asignación.

Utiliza docstrings para proporcionar ayuda integrada.

Si lo primero en una función es una cadena de caracteres que no está asignada directamente a una variable, Python la adjunta a la función, accesible a través de la función de ayuda incorporada. Esta cadena que proporciona documentación también se conoce como docstring.

PYTHON

def average(values):
    "Return average of values, or None if no values are supplied."

    if len(values) == 0:
        return None
    return sum(values) / len(values)

help(average)

SALIDA

Help on function average in module __main__:

average(values)
    Return average of values, or None if no values are supplied.

Cadenas multilínea

Utilice a menudo cadenas multilínea para la documentación. Éstas empiezan y terminan con tres caracteres de comillas (simples o dobles) y terminan con tres caracteres coincidentes.

PYTHON

"""This string spans
multiple lines.

Blank lines are allowed."""

¿Qué se mostrará?

Resalta las líneas en el código de abajo que estarán disponibles como ayuda en línea. ¿Hay líneas que deberían estar disponibles, pero no lo estarán? ¿Alguna línea producirá un error de sintaxis o un error de ejecución?

PYTHON

"Find maximum edit distance between multiple sequences."
# This finds the maximum distance between all sequences.

def overall_max(sequences):
    '''Determine overall maximum edit distance.'''

    highest = 0
    for left in sequences:
        for right in sequences:
            '''Avoid checking sequence against itself.'''
            if left != right:
                this = edit_distance(left, right)
                highest = max(highest, this)

    # Report.
    return highest

Documenta Esto

Utiliza comentarios para describir y ayudar a otros a entender secciones potencialmente poco intuitivas o líneas individuales de código. Son especialmente útiles para quien pueda necesitar entender y editar su código en el futuro, incluido usted mismo.

Use docstrings para documentar las entradas aceptables y las salidas esperadas de un método o clase, su propósito, suposiciones y comportamiento previsto. Los docstrings se muestran cuando un usuario invoca el método incorporado help en su método o clase.

Convierte el comentario de la siguiente función en un docstring y comprueba que help lo muestra correctamente.

PYTHON

def middle(a, b, c):
    # Return the middle value of three.
    # Assumes the values can actually be compared.
    values = [a, b, c]
    values.sort()
    return values[1]

Solución

PYTHON

def middle(a, b, c):
    '''Return the middle value of three.
    Assumes the values can actually be compared.'''
    values = [a, b, c]
    values.sort()
    return values[1]

Limpiar este código

Lee este breve programa e intenta predecir lo que hace.
Ejecútalo: ¿cómo de precisa fue tu predicción?
Refactoriza el programa para hacerlo más legible. Recuerda ejecutarlo después de cada cambio para asegurarte de que su comportamiento no ha cambiado.
Compara tu reescritura con la de tu vecino. ¿Qué has hecho igual? ¿Qué hiciste diferente y por qué?

PYTHON

n = 10
s = 'et cetera'
print(s)
i = 0
while i < n:
    # print('at', j)
    new = ''
    for j in range(len(s)):
        left = j-1
        right = (j+1)%len(s)
        if s[left]==s[right]: new = new + '-'
        else: new = new + '*'
    s=''.join(new)
    print(s)
    i += 1

Solución

He aquí una solución.

PYTHON

def string_machine(input_string, iterations):
    """
    Toma una cadena de entrada (input_string) y genera una nueva cadena con '-' y '*'
    según si los caracteres tienen o no caracteres adyacentes idénticos.
    Itera este procedimiento con las cadenas resultantes durante el número de
    iteraciones especificado.
    """
    print(input_string)
    input_string_length = len(input_string)
    old = input_string
    for i in range(iterations):
        new = ''
        # iterate through characters in previous string
        for j in range(input_string_length):
            left = j-1
            right = (j+1) % input_string_length  # ensure right index wraps around
            if old[left] == old[right]:
                new = new + '-'
            else:
                new = new + '*'
        print(new)
        # store new string as old
        old = new     

string_machine('et cetera', 10)

SALIDA

et cetera
*****-***
----*-*--
---*---*-
--*-*-*-*
**-------
***-----*
--**---**
*****-***
----*-*--
---*---*-

Puntos Clave

Siga el estilo estándar de Python en su código.
Utilice docstrings para proporcionar ayuda integrada.

Content from Recapitulación

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 20 minutos

Hoja de ruta

Preguntas

¿Qué hemos aprendido?
¿Qué más hay y dónde puedo encontrarlo?

Objetivos

Nombra y localiza sitios de la comunidad científica de Python para software, talleres y ayuda.

Leslie Lamport dijo una vez: “Escribir es la forma que tiene la naturaleza de mostrarte lo descuidado que es tu pensamiento” Lo mismo ocurre con la programación: muchas cosas que parecen obvias cuando las pensamos resultan ser cualquier cosa menos cuando tenemos que explicarlas con precisión.

Python apoya a una comunidad grande y diversa a través de la academia y la industria.

La documentación de Python 3 cubre el núcleo del lenguaje y la biblioteca estándar.
PyCon es la mayor conferencia anual de la comunidad Python.
SciPy es una rica colección de utilidades científicas. También es el nombre de una serie de conferencias anuales.
Jupyter es el hogar del Proyecto Jupyter.
Pandas es el hogar de la biblioteca de datos Pandas.
Stack Overflow’s general Python section puede ser útil, así como las secciones sobre NumPy, SciPy, y Pandas.

Puntos Clave

Python apoya a una amplia y diversa comunidad académica e industrial.

Content from Comentarios

Última actualización: 2025-02-28 | Mejora esta página

Tiempo estimado: 15 minutos

Hoja de ruta

Preguntas

¿Qué tal la clase?

Objetivos

Recopilar comentarios sobre la clase

Recoge los comentarios de los participantes.

Puntos Clave

Intentamos mejorar constantemente este curso.

Hoja de ruta

Preguntas

Objetivos

Introducción a JupyterLab

¿JupyterLab? ¿Y para los cuadernos Jupyter?

Iniciando JupyterLab

macOS - Línea de comandos

BASH

Usuarios de Windows - Línea de comandos

BASH

Navegador Anaconda

La interfaz de JupyterLab

Barra de menús

Núcleos

Barra lateral izquierda

Área de trabajo principal

Creación de un script Python

Crear un cuaderno Jupyter

Cómo se almacena

Organizar documentos en paneles de pestañas

Solución

Código vs. Texto

El Cuaderno dispone de los modos Comando y Edición.

Comando Vs. Edición

Solución

Utiliza el teclado y el ratón para seleccionar y editar celdas.

El Cuaderno convertirá Markdown en documentación con una bonita impresión.

Markdown hace la mayor parte de lo que hace HTML.

A Level-1 Heading

A Level-2 Heading (etc.)

Creación de listas en Markdown

Solución

Más matemáticas

PYTHON

Solución

PYTHON

Cambiar una celda existente de código a Markdown

PYTHON

Solución

PYTHON

Ecuaciones

Solución

Cerrar JupyterLab

Cerrar JupyterLab

Puntos Clave

Hoja de ruta

Preguntas

Objetivos

Usa variables para almacenar valores.

PYTHON

Usa print para mostrar valores.

PYTHON

SALIDA

Las variables deben ser creadas antes de ser usadas.

PYTHON

ERROR

Las variables persisten entre celdas

PYTHON

PYTHON

Las variables pueden usarse en cálculos.

PYTHON

SALIDA

Usa un índice para obtener un único carácter de una cadena.

PYTHON

SALIDA

Usa un slice para obtener una subcadena.

PYTHON

SALIDA

Usa la función len para encontrar la longitud de una cadena.

PYTHON

SALIDA

Python distingue entre mayúsculas y minúsculas.

Usa nombres de variables con sentido.

PYTHON

Intercambiando Valores

PYTHON

Solución

SALIDA

Predicción de valores

PYTHON

Usa `print` para mostrar valores.

Usa la función `len` para encontrar la longitud de una cadena.

Utilice la función incorporada `type` para encontrar el tipo de un valor.