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.
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:
Es fácil de aprender.
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.
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
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