#PRIMEROS PASOS EN PYTHON
Python es un lenguaje de programación de alto nivel, interpretado y multiparadigma, esta diseñado para ser fácil de leer y escribir gracias a su sintaxis clara y sencilla.
#Version
import sys
print(sys.version)## 3.11.13 (main, Jul 11 2025, 22:36:59) [MSC v.1944 64 bit (AMD64)]#Informacion completa
import sys
import platform
info = {
"version": sys.version,
"major": sys.version_info.major,
"minor": sys.version_info.minor,
"micro": sys.version_info.micro,
"compiler": platform.python_compiler(),
"implementation": platform.python_implementation(),
"system": platform.system(),
"release": platform.release()
}
print(info)## {'version': '3.11.13 (main, Jul 11 2025, 22:36:59) [MSC v.1944 64 bit (AMD64)]', 'major': 3, 'minor': 11, 'micro': 13, 'compiler': 'MSC v.1944 64 bit (AMD64)', 'implementation': 'CPython', 'system': 'Windows', 'release': '10'}import os
import os, inspect
# Observar el directorio actual
print(os.getcwd())## C:\Users\MARYORIE\Downloads\CURSO PROGRAMACION# Cambiar directorio
os.chdir("C:/Users/MARYORIE/Downloads")
print("Directorio cambiado:",os.getcwd())## Directorio cambiado: C:\Users\MARYORIE\Downloads# Suma
print(9 + 7)## 16# Resta
print(85 - 41)## 44# Multiplicación
print(8 * 5)## 40# División (Python siempre devuelve float con /)
print(51 / 7)## 7.285714285714286# Paréntesis modifica el orden
print(87 / (5 + 9))## 6.214285714285714# Potenciación (solo con ** en Python)
print(6 ** 3)## 216# Resto (módulo)
print(17 % 5)## 2# División entera
print(17 // 5)## 3import math
# Raíz cuadrada
print(math.sqrt(73))## 8.54400374531753# Valor absoluto
print(abs(-73))## 73# Función trigonométrica - seno(pi/2)
print(math.sin(math.pi / 2))## 1.0# Función trigonométrica - coseno
print(math.cos(0))## 1.0# Logaritmo natural (base e)
print(math.log(10))## 2.302585092994046# Logaritmo base 10
print(math.log10(100))## 2.0# Logaritmo en base 4
print(math.log(10, 4)) # segundo argumento es la base## 1.6609640474436813# Exponencial (e^1)
print(math.exp(1))## 2.718281828459045# Redondeo
print(round(math.pi, 2))## 3.14# Número grande
print(2324511042900)## 2324511042900# Número muy pequeño
print(0.000000002581)## 2.581e-09# Forzar notación científica
print("{:.2e}".format(123456)) # 2 decimales en notación científica## 1.23e+05print(f"{123456:.2e}") # otra forma con f-strings## 1.23e+05# Suprimir notación científica (mostrar número normal)
print("{:.0f}".format(123456)) # sin notación científica## 123456print(f"{123456:d}") # entero sin notación científica## 123456import math
import inspect
# Ayuda en funciones específicas
help(math.sqrt) # muestra la documentación de sqrt## Help on built-in function sqrt in module math:
##
## sqrt(x, /)
## Return the square root of x.# Buscar documentación (similar a ?? en R)
# en Python se puede usar help() con palabras clave
help("sqrt")## No Python documentation found for 'sqrt'.
## Use help() to get the interactive help utility.
## Use help(str) for help on the str class.# Ayuda sobre operadores
help("**")## The power operator
## ******************
##
## The power operator binds more tightly than unary operators on its
## left; it binds less tightly than unary operators on its right. The
## syntax is:
##
## power ::= (await_expr | primary) ["**" u_expr]
##
## Thus, in an unparenthesized sequence of power and unary operators, the
## operators are evaluated from right to left (this does not constrain
## the evaluation order for the operands): "-1**2" results in "-1".
##
## The power operator has the same semantics as the built-in "pow()"
## function, when called with two arguments: it yields its left argument
## raised to the power of its right argument. The numeric arguments are
## first converted to a common type, and the result is of that type.
##
## For int operands, the result has the same type as the operands unless
## the second argument is negative; in that case, all arguments are
## converted to float and a float result is delivered. For example,
## "10**2" returns "100", but "10**-2" returns "0.01".
##
## Raising "0.0" to a negative power results in a "ZeroDivisionError".
## Raising a negative number to a fractional power results in a "complex"
## number. (In earlier versions it raised a "ValueError".)
##
## This operation can be customized using the special "__pow__()" method.
##
## Related help topics: EXPRESSIONS, OPERATORS# Ejemplo de alguna función → en Python no hay "example()",
# pero puedes probar directamente:
print(abs(-5)) # ejemplo abs## 5print(round(3.14159, 2)) # ejemplo round## 3.14# Argumentos de una función
print(inspect.signature(abs)) # muestra los argumentos de abs## (x, /)print(inspect.signature(round)) # muestra los argumentos de round## (number, ndigits=None)# Asignación estándar con "="
x = 20
print(x)## 20# Otra variable
y = 30
print(y)## 30# No existe el operador "->" en Python,
# simplemente se hace asignación normal
Z = 40
print(Z)## 40# Mostrar valor al asignar (igual que (w <- 50) en R)
w = 50
print(w)## 50# Valores especiales en Python
print(True) # equivalente a TRUE en R## Trueprint(False) # equivalente a FALSE en R## Falseprint(None) # equivalente a NULL en R## Noneprint(float("inf")) # Infinito positivo## infprint(float("-inf")) # Infinito negativo## -infprint(float("nan")) # Not a Number (NaN)## nan# NA no existe como tal en Python,
# pero en pandas se usa pandas.NA o numpy.nan
import numpy as np
import pandas as pd
print(np.nan) # NaN con numpy## nanprint(pd.NA) # NA con pandas## <NA># Listar palabras reservadas en Python
import keyword
print(keyword.kwlist) # muestra todas las palabras reservadas## ['False', 'None', 'True', 'and', 'as', 'assert', 'async', 'await', 'break', 'class', 'continue', 'def', 'del', 'elif', 'else', 'except', 'finally', 'for', 'from', 'global', 'if', 'import', 'in', 'is', 'lambda', 'nonlocal', 'not', 'or', 'pass', 'raise', 'return', 'try', 'while', 'with', 'yield']# Listar todos los nombres en el espacio actual
print(dir())## ['Z', '__annotations__', '__builtins__', '__doc__', '__loader__', '__name__', '__package__', '__spec__', 'info', 'inspect', 'keyword', 'math', 'np', 'os', 'pd', 'platform', 'r', 'sys', 'w', 'x', 'y']# Información sobre un objeto (similar a str en R)
x = [1, 2, 3]
print(type(x)) # tipo de objeto## <class 'list'>print(len(x)) # longitud (si aplica)## 3print(x) # contenido## [1, 2, 3]# Eliminar un objeto específico
y = 10
print(y)## 10del y # elimina la variable
# print(y) # daría error porque ya no existe
# Eliminar todo (similar a rm(list=ls()))
# ⚠️ Se hace con globals() en un script interactivo
for name in list(globals().keys()):
if name not in ["__builtins__", "__name__", "__file__", "__doc__", "__package__"]:
del globals()[name]# Asignar
edad = 20
print(edad)## 20Es una secuencia de datos, que tiene un mismo tipo de dato
import math
# Creación de una lista (equivalente a vector en R)
vector = [21, 23, 25, 27, 29]
print(vector)## [21, 23, 25, 27, 29]# Lista de caracteres (strings)
color = ["rojo", "Azul", "verde"]
print(color)## ['rojo', 'Azul', 'verde']# Lista a partir de cálculos
vector3 = [74 + 5, math.sqrt(25), abs(-23), 84 / 7]
print(vector3)## [79, 5.0, 23, 12.0]# Combinar listas
v1 = [1, 2, 3]
v2 = [4, 5, 6]
v3 = v1 + v2 # concatenación
print(v3)## [1, 2, 3, 4, 5, 6]# Tipo de datos (similar a class en R)
print(type(vector)) # list## <class 'list'>print(type(vector3)) # list## <class 'list'>print(type(color)) # list## <class 'list'>print(type(v3)) # list## <class 'list'>import numpy as np
vector4 = np.array([40, "Hola", 50])
print(vector4)## ['40' 'Hola' '50']print(type(vector4)) # numpy.ndarray## <class 'numpy.ndarray'>print(vector4.dtype) # dtype='<U21' (es decir, todo convertido a texto)## <U21# Secuencias enteras con range()
print(list(range(1, 11))) # 1 al 10## [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]# Secuencia descendente
print(list(range(15, 9, -1))) # de 15 a 10## [15, 14, 13, 12, 11, 10]# Secuencia con negativos
print(list(range(-5, 6))) # de -5 a 5## [-5, -4, -3, -2, -1, 0, 1, 2, 3, 4, 5]# Secuencia con decimales -> usar numpy.arange()
import numpy as np
print(np.arange(1.5, 5.9, 1)) # de 1.5 a 5.8 con paso de 1## [1.5 2.5 3.5 4.5 5.5]import numpy as np
# Por incremento específico
print(np.arange(0, 11, 2)) # de 0 a 10 con paso de 2## [ 0 2 4 6 8 10]print(np.arange(0, 10.1, 0.2)) # de 0 a 10 con paso de 0.2## [ 0. 0.2 0.4 0.6 0.8 1. 1.2 1.4 1.6 1.8 2. 2.2 2.4 2.6
## 2.8 3. 3.2 3.4 3.6 3.8 4. 4.2 4.4 4.6 4.8 5. 5.2 5.4
## 5.6 5.8 6. 6.2 6.4 6.6 6.8 7. 7.2 7.4 7.6 7.8 8. 8.2
## 8.4 8.6 8.8 9. 9.2 9.4 9.6 9.8 10. ]# Por número de elementos (similar a length.out en R)
print(np.linspace(0, 10, 20)) # 20 valores de 0 a 10## [ 0. 0.52631579 1.05263158 1.57894737 2.10526316 2.63157895
## 3.15789474 3.68421053 4.21052632 4.73684211 5.26315789 5.78947368
## 6.31578947 6.84210526 7.36842105 7.89473684 8.42105263 8.94736842
## 9.47368421 10. ]# Secuencia descendente
print(np.arange(10, -1, -1)) # de 10 a 0 bajando de 1 en 1## [10 9 8 7 6 5 4 3 2 1 0]import numpy as np
# Repetir un valor
print([20] * 5)## [20, 20, 20, 20, 20]# Repetir cada elemento de un vector (como each en R)
print(np.repeat([21, 23], 3)) # cada valor 3 veces## [21 21 21 23 23 23]# Combinar times y each
print(np.tile(np.repeat(["Rojo", "Azul"], 2), 3))## ['Rojo' 'Rojo' 'Azul' 'Azul' 'Rojo' 'Rojo' 'Azul' 'Azul' 'Rojo' 'Rojo'
## 'Azul' 'Azul']# Longitud de una lista
vector = [21, 23, 25, 27, 29]
print(len(vector))## 5# Definir vector5
vector5 = [14, 15, 18, 19, 21]
# Extraer el elemento de la posición 1 (⚠️ Python empieza en 0)
print(vector5[0]) # equivalente a vector5[1] en R## 14# Extraer el 3er elemento
print(vector5[2]) # equivalente a vector5[3] en R## 18# Extraer secuencia de elementos desde 2 hasta 4
print(vector5[1:4]) # indices 1 a 3 en Python → elementos 2 a 4 en R## [15, 18, 19]# Extraer el 1, el 3er y el último elemento
print([vector5[0], vector5[2], vector5[-1]])## [14, 18, 21]# Extraer en orden inverso (excluyendo el primero)
print(vector5[1:][::-1]) # del segundo al final, pero invertido## [21, 19, 18, 15]import numpy as np
# Generar matriz (llenado por columnas en R, pero en Python por filas es default)
matriz1 = np.arange(1, 17).reshape(4, 4, order='F') # 'F' = Fortran order (columna primero)
print(matriz1)## [[ 1 5 9 13]
## [ 2 6 10 14]
## [ 3 7 11 15]
## [ 4 8 12 16]]# Generar matriz llenando por filas (default en Python)
matriz2 = np.arange(1, 17).reshape(4, 4) # 'C' order (fila primero)
print(matriz2)## [[ 1 2 3 4]
## [ 5 6 7 8]
## [ 9 10 11 12]
## [13 14 15 16]]import numpy as np
# Crear la matriz, llenando por filas (igual que R con byrow=TRUE)
mi_matriz = np.arange(1, 17).reshape(4, 4)
print(mi_matriz)## [[ 1 2 3 4]
## [ 5 6 7 8]
## [ 9 10 11 12]
## [13 14 15 16]]import numpy as np
# Creamos la matriz
mi_matriz = np.arange(1, 17).reshape(4, 4)
# Dimensiones
print(mi_matriz.shape) # (filas, columnas)## (4, 4)# Número de filas
print(mi_matriz.shape[0])## 4# Número de columnas
print(mi_matriz.shape[1])## 4import numpy as np
# Crear matriz (llenado por filas)
matriz2 = np.arange(1, 21).reshape(4, 5)
print(matriz2)## [[ 1 2 3 4 5]
## [ 6 7 8 9 10]
## [11 12 13 14 15]
## [16 17 18 19 20]]# Extraer el 7 (fila 2, columna 2 en R → fila 1, columna 1 en Python)
print(matriz2[1, 1])## 7# Extraer el 20 (fila 4, columna 5 en R → fila 3, columna 4 en Python)
print(matriz2[3, 4])## 20import numpy as np
# Crear matriz de ejemplo
matriz2 = np.arange(1, 21).reshape(4, 5)
# Sumar un escalar
print(matriz2 + 10)## [[11 12 13 14 15]
## [16 17 18 19 20]
## [21 22 23 24 25]
## [26 27 28 29 30]]# Elevar al cuadrado cada elemento
print(matriz2 ** 2)## [[ 1 4 9 16 25]
## [ 36 49 64 81 100]
## [121 144 169 196 225]
## [256 289 324 361 400]]import numpy as np
# Matriz 4x3 igual que en R (llenado por columnas)
matriz1 = np.arange(1, 13).reshape(4, 3, order='F')
print(matriz1)## [[ 1 5 9]
## [ 2 6 10]
## [ 3 7 11]
## [ 4 8 12]]# Matriz 3x4 igual que en R (llenado por columnas)
matriz2 = np.arange(13, 25).reshape(3, 4, order='F')
print(matriz2)## [[13 16 19 22]
## [14 17 20 23]
## [15 18 21 24]]# Multiplicación matricial
resultado = matriz1 @ matriz2
print(resultado)## [[218 263 308 353]
## [260 314 368 422]
## [302 365 428 491]
## [344 416 488 560]]library(reticulate)## Warning: package 'reticulate' was built under R version 4.5.1py_install("pandas")## Using virtual environment "C:/Users/MARYORIE/AppData/Local/R/cache/R/reticulate/uv/cache/archive-v0/pfRUvxOCyEethBPJmDtmq" ...## + "C:/Users/MARYORIE/AppData/Local/R/cache/R/reticulate/uv/cache/archive-v0/pfRUvxOCyEethBPJmDtmq/Scripts/python.exe" -m pip install --upgrade --no-user pandaspy_install("numpy")## Using virtual environment "C:/Users/MARYORIE/AppData/Local/R/cache/R/reticulate/uv/cache/archive-v0/pfRUvxOCyEethBPJmDtmq" ...## + "C:/Users/MARYORIE/AppData/Local/R/cache/R/reticulate/uv/cache/archive-v0/pfRUvxOCyEethBPJmDtmq/Scripts/python.exe" -m pip install --upgrade --no-user numpyimport numpy as np
import pandas as pd
# Crear matriz como en R (llenado por columnas)
matriz = np.arange(1, 17).reshape(4, 4, order='F')
# Convertir a DataFrame
df = pd.DataFrame(matriz, columns=["X1","X2","X3","X4"])
print(df)## X1 X2 X3 X4
## 0 1 5 9 13
## 1 2 6 10 14
## 2 3 7 11 15
## 3 4 8 12 16import pandas as pd
# Crear el DataFrame
df = pd.DataFrame({
"nombre": ["Maryorie", "Jorge"],
"edad": [20, 22]
})
print(df)## nombre edad
## 0 Maryorie 20
## 1 Jorge 22import pandas as pd
# Importar datos desde GitHub
url = "https://github.com/VictorGuevaraP/ME-Machine-Learning/raw/refs/heads/master/Churn.CSV"
df_github = pd.read_csv(url, encoding="latin1", sep=";")
# Mostrar las primeras filas
print(df_github.head())## ID.Cliente Genero Mayor65años ... pemanencia ServicioTel Churn
## 0 7590-VHVEG Femenino 0 ... 1.0 No No
## 1 5575-GNVDE Masculino 0 ... 34.0 Si No
## 2 3668-QPYBK Masculino 0 ... 2.0 Si Si
## 3 7795-CFOCW Masculino 0 ... 45.0 NaN No
## 4 9237-HQITU Femenino 0 ... 2.0 Si Si
##
## [5 rows x 21 columns]