“AÑO DEL DIALOGO Y LA RECONCILIACION NACIONAL”

DOCENTE: ING.JACINTO SANDOVAL JUAN MANUEL.

ALUMNO: DOMINGUEZ GONZALES NICK ANDERSON.

CURSO: PROCESAMIENTO DIGITAL DE SEÑALES I.

TEMA: PYTHON APLICADO AL PROCESAMIENTO DE

SEÑALES.

FACULTAD: CIENCIAS.
 PYTHON
1. INTRODUCCIÓN:
Python es un lenguaje de programación poderoso y fácil de aprender. Cuenta con
estructuras de datos eficientes y de alto nivel y un enfoque simple pero efectivo a
la programación orientada a objetos. La elegante sintaxis de Python y su tipado
dinámico, junto con su naturaleza interpretada, hacen de éste un lenguaje ideal
para scripting y desarrollo rápido de aplicaciones en diversas áreas y sobre la
mayoría de las plataformas.
El intérprete de Python y la extensa biblioteca estándar están a libre disposición
en forma binaria y de código fuente para las principales plataformas desde el sitio
web de Python, http://www.python.org/, y puede distribuirse libremente. El
mismo sitio contiene también distribuciones y enlaces de muchos módulos libres
de Python de terceros, programas y herramientas, y documentación adicional.
El intérprete de Python puede extenderse fácilmente con nuevas funcionalidades
y tipos de datos implementados en C o C++ (u otros lenguajes accesibles desde
C). Python también puede usarse como un lenguaje de extensiones para
aplicaciones personalizables.
Python es fácil de usar, pero es un lenguaje de programación de verdad, ofreciendo
mucho mucho mayor estructura y soporte para programas grandes que lo que lo
que pueden ofrecer los scripts de Unix o archivos por lotes. Por otro lado, Python
ofrece mucho más chequeo de error que C, y siendo un lenguaje de muy alto nivel,
tiene tipos de datos de alto nivel incorporados como arreglos de tamaño flexible
y diccionarios. Debido a sus tipos de datos más generales Python puede aplicarse
a un dominio de problemas mayor que Awk o incluso Perl, y aún así muchas cosas
siguen siendo al menos igual de fácil en Python que en esos lenguajes.

Python te permite separar tu programa en módulos que pueden reusarse en otros

programas en Python. Viene con una gran colección de módulos estándar que
puedes usar como base de tus programas, o como ejemplos para empezar a
aprender a programar en Python. Algunos de estos módulos proveen cosas como
entrada/salida a archivos, llamadas al sistema, sockets, e incluso interfaces a
sistemas de interfaz gráfica de usuario como Tk.
2. PYTHON APLICADO AL PROCESAMIENTO DE SEÑALES:
Hoy en la actualidad se hace necesario en el ámbito de desarrollo de
programaciones el poder entender y procesar señales digitales según como se
requiera.

Para poder realizar dicha tarea en este caso en PYTHON, se hace uso de librerías
que podemos encontrar en la web. existen innumerables librerías para Python, se
podría decir que una para cada objetivo.

Una de las grandes ventajas que ofrece Python sobre otros lenguajes de
programación, además de que es que es mucho más fácil de aprender; es lo grande
y prolifera que es la comunidad de desarrolladores que lo rodean; comunidad que
ha contribuido con una gran variedad de librerías de primer nivel que extienden la
funcionalidad del lenguaje. Vamos a poder encontrar una librería en Python para
prácticamente cualquier cosa que se nos ocurra.
Algunas de las librerías que se han vuelto esenciales y ya forman casi parte del
lenguaje en sí mismo son las siguientes:

2.1 NUMPY
Numpy, abreviatura de Numerical Python, es el paquete fundamental para la
computación científica en Python. Dispone, entre otras cosas de:

 Un objeto matriz multidimensional ndarray, rápido y eficiente.

 Funciones para realizar cálculos elemento a elemento u otras

operaciones matemáticas con matrices.

 Herramientas para la lectura y escritura de los conjuntos de datos

basados matrices.

 Operaciones de álgebra lineal, transformaciones de Fourier, y

generación de números aleatorios.

 Herramientas de integración para

conectar C, C++ y Fortran con Python

Más allá de las capacidades de procesamiento rápido

de matrices que Numpy añade a Python, uno de sus propósitos principales con
respecto al análisis de datos es la utilización de sus estructuras de datos como
contenedores para transmitir los datos entre diferentes algoritmos. Para datos
numéricos, las matrices de Numpy son una forma mucho más eficiente de
almacenar y manipular datos que cualquier otra de las estructuras de
datos estándar incorporadas en Python. Asimismo, librerías escritas en un
lenguaje de bajo nivel, como C o Fortran, pueden operar en los datos
almacenados en matrices de Numpy sin necesidad de copiar o modificar
ningún dato.

Como nomenclatura general, cuando importamos la librería Numpy en

nuestro programa Python se suele utilizar la siguiente:
Creando Matrices En Numpy.

Existen varias maneras de crear matrices en Numpy, por ejemplo, desde:

 Una lista o tuple de Python

 Funciones específicas para crear matrices como arange, linspace,

etc.

 Archivos planos con datos, como por ejemplo archivos .csv

En Numpy tanto los vectores como las matrices se crean utilizando el

objeto ndarray
2.2 MATPLOTLIB

Matplotlib es la librería más popular en Python para visualizaciones y

gráficos. Matplotlib puede producir gráficos de alta calidad dignos de
cualquier publicación científica.

Algunas de las muchas ventajas que nos ofrece Matplotlib, incluyen:

 Es fácil de aprender.

 Soporta texto, títulos y etiquetas en formato LATEXLATEX.

 Proporciona un gran control sobre cada uno de los elementos de las

figuras, como ser su tamaño, el trazado de sus líneas, etc.

 Nos permite crear gráficos y figuras de gran calidad que pueden ser
guardados en varios formatos, como ser: PNG, PDF, SVG, EPS, y PGF.

Matplotlib se integra de maravilla con IPython (ver más abajo), lo que nos
proporciona un ambiente confortable para las visualizaciones y la exploración
de datos interactiva.

Gráficos con Matplotlib.

Ahora vamos a graficar la siguiente función.

2.3 IPYTHON

IPython promueve un ambiente de trabajo de ejecutar-explorar en

contraposición al tradicional modelo de desarrollo de software de editar-
compilar-ejecutar. Es decir, que el problema computacional a resolver es más
visto como todo un proceso de ejecución de tareas, en lugar del tradicional
modelo de producir una respuesta(output) a una
pregunta(input). IPython también provee una estrecha integración con nuestro
sistema operativo, permitiendo acceder fácilmente a todos nuestros archivos
desde la misma herramienta.
Algunas de las características sobresalientes de IPython son:
 Su poderoso shell interactivo.
 Notebook, su interfase web con soporte para código, texto, expresiones
matemáticas, gráficos en línea y multimedia.
 Su soporte para poder realizar visualizaciones de datos en forma
interactiva. IPython está totalmente integrado con matplotlib.
 Su simple y flexible interfase para trabajar con la computación paralela.
IPython es mucho más que una librería, es todo un ambiente de trabajo que
nos facilita enormemente trabajar con Python.

2.4 PANDAS

Pandas es una librería open source que aporta a Python unas estructuras de
datos fáciles de user y de alta performance, junto con un gran número de
funciones esenciales para el análisis de datos. Con la ayuda
de Pandas podemos trabajar con datos estructurados de una forma más rápida
y expresiva.
Algunas de las cosas sobresalientes que nos aporta Pandas son:
 Un rápido y eficiente objeto DataFrame para manipular datos con
indexación integrada;
 herramientas para la lectura y escritura de datos entre estructuras de datos
rápidas y eficientes manejadas en memoria, como el DataFrame, con la
mayoría de los formatos conocidos para el manejo de datos, como ser:
CSV y archivos de texto, archivos Microsoft Excel, bases de datos SQL, y
el formato científico HDF5.
 Proporciona una alineación inteligente de datos y un manejo integrado de
los datos faltantes; con estas funciones podemos obtener una ganancia de
performace en los cálculos entre DataFrames y una fácil manipulación y
ordenamiento de los datos de nuestro data set;
 Flexibilidad para manipular y redimensionar nuestro data set, facilidad
para construir tablas pivote;
 La posibilidad de filtrar los datos, agregar o eliminar columnas de una
forma sumamente expresiva;
 Operaciones de merge y join altamente eficientes sobre nuestros
conjuntos de datos;
 Indexación jerárquica que proporciona una forma intuitiva de trabajar con
datos de alta dimensión en una estructura de datos de menor dimensión;
 Posibilidad de realizar cálculos agregados o transformaciones de datos con
el poderoso motor group by que nos permite dividir-aplicar-combinar
nuestros conjuntos de datos;
 combina las características de las matrices de alto rendimiento
de Numpy con las flexibles capacidades de manipulación de datos de las
hojas de cálculo y bases de datos relacionales (tales como SQL);
 Gran número de funcionalidades para el manejo de series de
tiempo ideales para el análisis financiero;
 Todas sus funciones y estructuras de datos están optimizadas para el alto
rendimiento, con las partes críticas del código escritas en Cython o C;

Estructura de datos.

Series.
DataFrame.
2.5 SCIPY

La librería scipy de python incluye algoritmos para la transformada rápida de

Fourier FFT.
Como ejemplo, el resultado para

con fs=20 se presenta en un gráfico con:

– la señal en el tiempo,
– el componente real de FFT
– el componente imaginario de FFT
– la magnitud de FFT- la fase de FFT.
3. BIBLIOGRAFIA
https://relopezbriega.github.io/blog/2014/05/28/python-librerias-esenciales-
para-el-analisis-de-datos/

http://blog.espol.edu.ec/telg1001/category/python-resumen/

https://docplayer.es/83784180-Capitulo-13-aplicaciones-de-python-al-
procesamiento-de-senales.html

http://docs.python.org.ar/tutorial/pdfs/TutorialPython2.pdf
K