Data Science en Python

class: center, middle, inverse, title-slide

# Data Science en Python
## Curso Teórico-Práctico
### 2020

---

class: middle, center
## Instructor: **Gabriel Mantilla Saltos**
## Correo: **gmantill@espol.edu.ec**
## Telefono: **0991315261**

La ciencia de datos es un proceso, no un evento. Es el proceso de usar datos para entender diferentes cosas, para entender el mundo. La ciencia de datos es el arte de descubrir el conocimiento y las tendencias que se esconden tras los datos. Es cuando traduces los datos a una historia. Así que cuentas una historia para generar conocimiento. Y con este conocimiento, puedes hacer decisiones estratégicas para alguna compañía o institución. 
La ciencia de datos es un campo a procesos y sistemas para extraer datos de varios formas ya sea de manera estructurada o no. La ciencia de datos es el estudio de los datos. Así como las ciencia biológica es el estudio de la biología, la ciencia física el estudio de las reacciones físicas. Los datos son reales, tienen propiedades reales, y necesitamos estudiarlos si vamos a trabajar con ellos. La definición o el nombre se forjó en los 80s y 90s cuando algunos profesores estaban trabajando en los planes de estudio de estadística, y decidieron que seria mejor llamarlo ciencia de datos. Más concretamente, es más sobre datos de lo que es sobre ciencia. Si tienes datos y tienes curiosidad, y trabajas con datos, los manipulas, los exploras, el ejercicio de realizar el análisis de datos, tratar de obtener algunas respuestas de ello, eso es ciencia de datos. Te animo a pensar en la ciencia de datos no como un nuevo dominio de conocimiento para aprender, pero como un nuevo conjunto de habilidades que puede aplicar dentro de su área de especialización actual. Ya sea que esté informando resultados electorales, pronosticando ventas, optimizando anuncios en línea, identificando microorganismos en fotos de microscopio, buscando nuevas clases de objetos astronómicos o trabajando con datos en cualquier otro campo.

---

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: top, center
 
#2.- Fases Data Science.

Importar. Independientemente de su Fuente, y de su volumen, se entienden los datos para luego importarlos correctamente. Exportar los datos comprenden técnicas similares, se guardan los datos depurados para que otra persona pueda sacar utilidad de ellos.

Limpiar y ordenar. Eliminar las distorsiones e inconsistencias que se generan al momento de registrarse, de tal manera que sea sencillo procesarlos.

Procesar. Usando diferentes métodos estadísticos se logra obtener una base de datos depurada, es decir, dar vueltas a la información que ya tenemos para prepararlas para la siguiente fase. El objetivo es representar la información en un formato que consiga reducir el costo de computo.

Visualizar. Realizar un análisis exploratorio de los datos. Se tiene que hallar la manera más limpia e intuitiva de visualizar los resultados. Al describir los datos, se sugiere que metodología aplicar a la resolución del problema.

Modelar. Entrenar el modelo significa alimentar algoritmos clásicos o modernos, a raíz de información pasada pára predecir información nueva. En este paso se incluye el evaluar e interpretar los resultados, y si es necesario volver a reflexionar el problema, al punto de refinar los datos de entrada.

Transformar. La transformación incluye restringir las observaciones de interés, crear nuevas variables que son funciones de variables existentes y calcular un conjunto de estadísticas resumen, combinando visualización y transformación, desarrollando curiosidad y escepticismo para poder responder preguntas interesantes sobre los datos.

Presentar. Finalmente mostrar los resultados a terceros, de una manera limpia e intuitiva, de tal forma que se entienda el conocimiento obtenido, usando reportes, gráficos, visualizaciones interactivas.

<a href="https://www.anaconda.com/distribution/">Python</a> es un lenguaje de programación interpretado creado por Guido van Rossum en el año 1991. En 1999 Guido lanzó una iniciativa llamada Computer Programming for Everybody (CP4E), cuyo propósito era alfabetizar a más y más personas a un nivel básico de programación. En la propuesta, identificaba varias metas que se proponía realizar para Python, entre las que se encontraban: Convertirlo en un proyecto de código abierto para que cualquiera pudiera contribuir con su desarrollo. Hacerlo un lenguaje tan simple e intuitivo que lo colocara al lado de su poderosa competencia. Hacerlo adecuado para tareas del día a día, permitiendo tiempos cortos de desarrollo. La característica principal de Python es que es interpretado, es decir, que no es necesario compilar el código para su ejecución ya que existe un interprete que se encarga de leer el código y ejecutarlo. El nombre "Python" viene dado por la afición de Van Rossum al grupo Monty Python, un grupo británico de seis humoristas que sintetizó en clave de humor la idiosincrasia británica de los años 1960 y 1970. Python es un lenguaje de scripting independiente de plataforma y orientado a objetos, preparado para realizar cualquier tipo de programa, desde aplicaciones Windows a servidores de red o incluso, páginas web. Es un lenguaje interpretado, lo que significa que no se necesita compilar el código fuente para poder ejecutarlo, lo que ofrece ventajas como la rapidez de desarrollo e inconvenientes como una menor velocidad.

Multiplataforma. Hay versiones disponibles de Python en muchos sistemas informáticos distintos. Originalmente se desarrolló para Unix, aunque cualquier sistema es compatible con el lenguaje siempre y cuando exista un intérprete programado para él.

Interpretado. que no se debe compilar el código antes de su ejecución. En realidad sí que se realiza una compilación, pero esta se realiza de manera transparente para el programador. En ciertos casos, cuando se ejecuta por primera vez un código, se producen unos bytecodes que se guardan en el sistema y que sirven para acelerar la compilación implícita que realiza el intérprete cada vez que se ejecuta el mismo código.

Interactivo. Python dispone de un intérprete por línea de comandos en el que se pueden introducir sentencias. Cada sentencia se ejecuta y produce un resultado visible, que puede ayudarnos a entender mejor el lenguaje y probar los resultados de la ejecución de porciones de código rápidamente.

Orientado a Objetos. La programación orientada a objetos está soportada en Python y ofrece en muchos casos una manera sencilla de crear programas con componentes reutilizables.

Sintaxis clara. tiene una sintaxis muy visual, gracias a una notación identada (con márgenes) de obligado cumplimiento. En muchos lenguajes, para separar porciones de código, se utilizan elementos como las llaves o las palabras clave begin y end. Para separar las porciones de código en Python se debe tabular hacia dentro, colocando un margen al código que iría dentro de una función o un bucle. Esto ayuda a que todos los programadores adopten unas mismas notaciones y que los programas de cualquier persona tengan un aspecto muy similar.

class: middle, center
 
#4.- ¿Qué es Spyder?

<a href="https://www.spyder-ide.org/">Spyder</a> es un entorno de desarrollo interactivo de gran alcance escrito en Python, para Python, y diseñado por y para los científicos, ingenieros y analistas de datos. Ofrece una combinación única de la funcionalidad avanzada de edición, análisis, depuración y creación de perfiles de una herramienta de desarrollo integral con la exploración de datos, ejecución interactiva, inspección profunda y hermosas capacidades de visualización de un paquete científico.

##Características de Spyder

<ul style="list-style-type:circle; text-align: justify;">
 <li>Plataforma cruzada, se encuentra disponible para Linux, Windows y macOS.</li>
 <li>Código gratuito y de código abierto.</li>
 <li>Resaltado de sintaxis.</li>
 <li>Soporte en varios idiomas.</li>
 <li>Consola interactiva.</li>
 <li>Explorador de variables.</li>
 <li>Visor de documentación, visualización de gráficos y datos.</li>
 <li>Soporte para extensiones de funciones a través de complementos y API.</li>
</ul>

---
class: top, center
 
 
##Crear un proyecto nuevo, y un script

<ol style="text-align: justify;">
<li> Clic en Proyectos `->` Nuevo Proyecto... `->` Un directorio existente `->` Crear.
<li> Archivo `->` Nuevo archivo `->` damos un nombre al script `->` Guardar
</ol>

---
class: middle, center
 
#5.- Objetos en Python

Los tipos de objetos en un lenguaje de programación son aquellas clases o instancia, que debemos conocer para poder dominar la estructura de un problema, son como un tipo de dato cuya definición viene dada en una estructura llamada clase. La diferencia entre tipo y clase, es que un tipo es como se almacena un objeto en la memoria del sistema operativo, mientras que una clase representa un tipo de dato abstracto que puede ser usado como plantilla para clases adicionales a modo de herencia, y están en el código haciendo su papel de instrucciones. Los objetos no existen hasta que el programa se ejecuta y se crean en la memoria. Algunos de estos objetos son por ejemplo los números, caracteres, listas, diccionarios, tuplas, archivos y demás. Es provisorio conocer que algunos de estos objetos son alterables y no alterables, refiriéndose aquellos que podemos cambiar el estado o el contenido, para poder estructurar a conveniencia nuestra solución. Los objetos que son alterables son la listas, set, byte array y diccionarios. Mientras que los no alterables son el boleano, entero, float, tupla, str y frozenset.

---
class: middle
##Objetos comunes

```python
a = 5
b = 5.1
c = 'Hola mundo'
d = True
e = 2+0j
f = None

print(type(a),type(b),type(c))
```

```
## <class 'int'> <class 'float'> <class 'str'>
```

```python
print(type(d),type(e),type(f))
```

```
## <class 'bool'> <class 'complex'> <class 'NoneType'>
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">

---
class: middle, center
##Listas


Las listas son una secuencia de objetos, no necesariamente homogéneas, lo que la convierte en una herramienta muy poderosa en Python. Una lista única puede contener tipos de datos como enteros, cadenas y objetos. Las listas son mutables y, por lo tanto, pueden modificarse incluso después de su creación. La lista estan ordenadas y tiene un recuento definido. Los elementos de una lista se indexan de acuerdo con una secuencia definida y la indexación de una lista se realiza con 0 como primer índice. Cada elemento de la lista tiene su lugar definido en la lista, lo que permite la duplicación de elementos en la lista.


<pre></pre>


La matriz contiene esencialmente un puntero único a un bloque contiguo de datos. La lista de Python, por otro lado, contiene un puntero a un bloque de punteros, cada uno de los cuales a su vez apunta a un objeto completo de Python. Una vez más, la ventaja de la lista es la flexibilidad: dado que cada elemento de la lista es una estructura completa que contiene tanto datos como información de tipo, la lista puede llenarse con datos de cualquier tipo deseado. Las matrices de tipo fijo tipo NumPy carecen de esta flexibilidad, pero son mucho más eficientes para almacenar y manipular datos.


<pre></pre>


Pero esta flexibilidad tiene un costo: para permitir estos tipos flexibles, cada elemento de la lista debe contener su propia información de tipo, es decir, cada elemento es un objeto completo de Python. En el caso especial de que todas las variables sean del mismo tipo, gran parte de esta información es redundante: puede ser mucho más eficiente almacenar datos en una matriz de tipo fijo. Las listas en Python se pueden crear simplemente colocando la secuencia dentro de los corchetes [].

---
class: top

```python
[1,5,10,8]
```

```python
['arbol', 'planta', 'flores', 'frutos'] 
```

```python
list(range(10))# Secuencia de numeros
```

```python
[['arbol', 'planta'] , ['flores','frutos']]# Lista multidimensional
```

```python
L1 = [True, 1, 'arbol', 3.1416]# Multiple vipo de valores
[type(item) for item in L1]
```

```python
L1.append(10)# Agregar 1 elemento al final de una lista 
L1.insert(3, 'planta')
L1.extend([8, 'flores', 'frutos']) 
L1
```

```python
L2 = [['arbol', 'planta'] , ['frutos']]# Acceder a los elementos de una lista 
print(L2[0][1]);print(L2[1][0]) 
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">

---
class: top

```python
L1 = list(range(1,10,1))
print(L1[-5])# Imprimir el quinto ultimo elemento
```

```python
L1.remove(5)
L1
```

```python
L1.pop(5)
```

```python
L1.index(8)
```

```python
L3 = ['P','Y','T','H','O','N','F','O','R','D','A','T','A','S','C','I','E','N','C','E'] 
L3[5:];L3[3:8];L3[:-6] 
```

```python
len(L3)
```

```python
L3[-len(L3):-(len(L3)-6)]
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">

---
class: middle, center
##Tuplas


Una lista no es lo mismo que una tupla. Ambas son un conjunto ordenado de valores, en donde este último puede ser cualquier objeto: un número, una cadena, una función, una clase, una instancia, etc. La diferencia es que las listas presentan una serie de funciones adicionales que permiten un amplio manejo de los valores que contienen. 


<pre></pre>


El hecho de ser mutable tiene además otras consecuencias. Para ser mutables las listas se almacena en dos bloques de memoria, mientras que las tuplas solo necesitan uno. Lo que provoca que las tuplas ocupen menos memoria que las listas. Además, por el hecho de no ser mutables, es más rápido manejar tuplas que listas. Si se quiere crear una tupla con un único elemento se utilizan los parentesis, debe añadirse una coma (,) antes de cerrar el paréntesis para crear una tupla con mas valores.

```python
tuple1 = (1,2,3,4,5)
tuple2 = (5,7,8,9,10)
tup = tuple1 + tuple2# Concatenar tuplas
tup.count(5)# Queremos saber cuantos 5 hay ne la tupla
```

```python
[i*j for i,j in zip(tuple1, tuple2)]
```

```python
tuple(map(sum, zip(tuple1, tuple2)))# Para sumarlas usamos un generador zip, y luego 
```

```python
len(tuple1)# Cantidad de valores en una tupla
```

```python
max(tuple1)# Obtener maximo o minimo 
```

```python
tuple3 = tuple1 + (45,)# agregar valores a una tupla
del tup# eliminar de memoria a una tupla
tuple(L1)# Convertir lista a tupla
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---

class: middle, center
##Diccionarios


Un diccionario consta de claves y valores. Es útil comparar un diccionario con una lista. En lugar de los índices numéricos como una lista, los diccionarios tienen claves. Estas claves son las claves que se utilizan para acceder a los valores dentro de un diccionario.

```python
Dict = {"key1": 1, "key2": "2", "key3": [3, 3, 3], "key4": (4, 4, 4), ('key5'): 5, (0, 1): 6}
Dict
```

```python
Dict['key1'] = 100# Actualizar algun valor
Dict.update( {'key1' : 1000} )
Dict.keys()
```

```python
Dict.values() 
```

```python
Dict.update([ ('key6', 100)])# Agregar un nuevo objeto
del(Dict['key6'])
dict2 = {'key6':4,'key7':5,'key8':6,'key9':20}
Dict.update( dict2 )# Agregar un diccionario a otro diccionario
Dict
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">

---
class: middle, center
##Numpy


NumPy es un paquete de Python que significa "Python numérico". Es la biblioteca principal para la computación científica, que contiene un poderoso objeto de matriz n-dimensional, proporciona herramientas para integrar C, C ++, etc. También es útil en álgebra lineal, capacidad de números aleatorios, etc. La matriz NumPy también se puede usar como un eficiente Contenedor multidimensional para datos genéricos. Numpy array es un poderoso objeto de matriz N-dimensional que tiene la forma de filas y columnas. Podemos inicializar matrices numpy de listas anidadas de Python y acceder a sus elementos. Es necesario tener instalada la libreria numpy para poder llamarla en consola.

```python
import numpy as np
np.array([1, 4, 2, 5, 3])
```

```python
np.array([1, 2, 3, 4], dtype='float32')
```

```python
np.array([range(i, i + 3) for i in [2, 4, 6]])
```

```python
np.zeros(10, dtype=int)# Creando un vector de zeros
```

```python
np.ones((3, 5), dtype=float)# Creando una matriz de unos
```

```python
np.arange(0, 20, 2)# Creando secuencias
```

```python
np.linspace(0, 1, 5)# Creando un arreglo de espaciado uniformemente entre 0 y 1
```

```python
np.random.random((3, 3))
```

```python
np.eye(3)# Matriz identidad
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: top

```python
np.full((3, 5), np.pi)# Matriz de 3 por 5, con el numero 3.14
```

```python
np.random.randint(0, 10, (3, 3))
```

```python
np.random.seed(0)# Semilla
x = np.random.randint(-10,10, size=(3, 4, 5))# 3 matrices, de 4 filas y 5 columnas, numero aleatorios desde -10 hasta 9
x
```

```python
x[0]
```

```python
x[0,0]
```

```python
x[1,1,2]
```

```python
x[0] = 3.14159 # Truncar
x[1,1,1:3]
```

```python
np.concatenate([np.array([1, 2, 3]), np.array([3, 2, 1])])
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle, center
##Pandas


Pandas es una herramienta de manipulación de datos de alto nivel desarrollada por Wes McKinney. Es construido con el paquete Numpy y su estructura de datos clave es llamada 'DataFrame'. El DataFrame te permite almacenar y manipular datos tabulados en filas de observaciones y columnas de variables.


<pre></pre>


**Series:** Son arrays unidimensionales con indexación (arrays con índice o etiquetados), se pueden generar de una lista o de una matriz. La NumPy tiene un índice entero definido implícitamente, la Serie Pandas tiene un índice explícitamente definido asociado con los valores.
 

<pre></pre>


**DataFrame:** Son estructuras de datos similares a las tablas de bases de datos relacionales como SQL.


<pre></pre>

 
**Panel, Panel4D y PanelND:** Estas estructuras de datos permiten trabajar con más de dos dimensiones. Dado que es algo complejo y poco utilizado trabajar con arrays de más de dos dimensiones.


<pre></pre>


<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
import pandas as pd
data = pd.Series([0.25, 0.5, 0.75, 1.0])
data.values;data.index
```

```python
data = pd.Series([0.25, 0.5, 0.75, 1.0],index=['a', 'b', 'c', 'd'])
data['b']
```

```python
data[['a', 'b']]# Indexación elegante
```

```python
data = pd.Series([0.25, 0.5, 0.75, 1.0],index=[2, 5, 3, 7])
data[2:5]
```

```python
data.loc[2]
```

```python
data.loc[2:5]# El atributo loc permite indexar y segmentar, siempre hace referencia al índice explícito
```

```python
data.iloc[2]# El atributo iloc permite la indexación y corte, siempre hace referencia al índice implícito
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: top

```python
Data = pd.DataFrame({'PAIS':['Ecuador','Inglaterra','Japon','Finlandia'],'CIUDAD':['Ambato','Londres','Tokio','Helsinki'],'PIB':[71,2622000,4872000,251]},columns=['PAIS', 'CIUDAD','PIB'],index=np.arange(1, 5, 1))
Data.iloc[:3, :2]# las tres primeras filas, las dos primeras columnas
```

```python
Data.loc[5] = ['Alemania', 'Berlín',3677000]# agregar un nuevo registro
Data.loc[:3, :'CIUDAD']# El indexador ix permite un híbrido de estos dos enfoques
```

```python
Data['PAIS'] = Data['PAIS'].astype("category")
Data.rename(columns={'PAIS' : 'PAISES'}, inplace=True)
Data.PAISES.value_counts()
```

```python
Data.columns
```

```python
Data['CLASE'] = pd.cut(Data.PIB, bins=[0, 100, 1000000, 10000000], labels=['Pobres', 'Clase Media', 'Inteligentes'], include_lowest=True)
Data['CLASE'].unique()
```

```python
Data[Data['PIB']>=10000]
```

```python
Data.T;Data.values[0]
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
data = pd.Series([1, np.nan, 'hello', None])
data.isnull();data.isna()
```

```python
data.dropna();data.dropna(inplace=True)
```

```python
data = pd.DataFrame([[1, np.nan, 2],[2, 3, 5],[np.nan, 4, 6]])# Hagamos un data.dropna()
data.dropna(axis='columns')
```

```python
data[3] = np.nan
data.dropna(axis='columns', how='all')
```

```python
data.dropna(axis='rows', thresh=3)# El parámetro thresh le permite especificar un número mínimo de valores no nulos para la fila / columna que se mantendrá
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
x = np.random.random((100, 4))
A = pd.DataFrame.from_records(x)
A.loc[80:,3]=None
A.loc[80:,2]=None
A.dropna(axis='rows', thresh=3, inplace = True)
data = pd.Series([1, np.nan, 2, None, 3], index=list('abcde'))
data.fillna(0)
```

```python
data.fillna(method='ffill');data.fillna(method='bfill')# ffill rellena con el anterior, bfill rellena con el siguiente
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
data = pd.DataFrame({'col1': [1, 2], 'col2': ['Gabriel', 'Fernando'], 'col3':[True, False], 'col4':[np.pi, 3.17]})
data.dtypes
```

```python
data['col1'].astype('int32').dtypes
```

```python
data.astype({'col2': 'category'}).dtypes
```

```python
data["col3"].astype(int) 
```

```python
vector=np.array([1, 2, 3, 4], dtype='float32')
matriz=vector.reshape(2, 2)# de vector a matriz
data=pd.DataFrame(matriz)
data.values.tolist()
```

```python
from datetime import datetime
now = datetime.now()
print("time:", now.strftime("%H:%M:%S"))
```

```python
print("mes/dia/anio hora:minuto:segundo", now.strftime("%m/%d/%Y, %H:%M:%S"))
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
import datetime as dt
date_time_str = '29@06+2020 08:15:27.243860'
print(dt.datetime.strptime(date_time_str, '%d@%m+%Y %H:%M:%S.%f'))
```

```python
print(dt.date.today())
```

```python
d = dt.date(2019, 4, 13)
print(d)
```

```python
from datetime import date
print(date(2019, 4, 13))
```

```python
today = date.today()
print("Current date =", today)
```

```python
print("Anio:", today.year);print("Mes:", today.month);print("Dia:", today.day);print("Dia Semana:", today.weekday())
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
from datetime import time
tiempo = time(hour = 11, minute = 34, second = 56, microsecond=100000)
print('Tiempo =', tiempo)
```

```python
print("Hora =", tiempo.hour);print("Minuto =", tiempo.minute);
```

```python
print("Segundos =", tiempo.second);print("Microsegundos =", tiempo.microsecond)
```

```python
from datetime import datetime, date
print("Diferencia", date(year = 2018, month = 7, day = 12) -date(year = 2017, month = 12, day = 23))
```

```python
from datetime import timedelta
print("Delta", timedelta(weeks = 2, days = 5, hours = 1, seconds = 33) - timedelta(days = 4, hours = 11, minutes = 4, seconds = 54))
```

```python
deltatime = timedelta(days = 5, hours = 1, seconds = 33, microseconds = 233423)
print("Segundos totales =", deltatime.total_seconds())
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
from datetime import datetime
# El dtype datetime64 codifica las fechas como enteros de 64 bits y, por lo tanto, permite que las matrices de fechas se representen de manera muy compacta. 
# Datetime64 requiere un formato de entrada muy específico
data = np.array('2015-07-04', dtype=np.datetime64)
print(data)
```

```python
print(data + np.arange(12))
```

```python
index = pd.DatetimeIndex(['2014-07-04', '2014-08-04','2015-07-04', '2015-08-04'])
data = pd.Series([0, 1, 2, 3], index=index)
print(data)
```

```python
data = pd.to_datetime("4th of July, 2015")
data.strftime('%A');data.strftime('%W-%A')
```

```python
pd.date_range('2015-07-03', '2015-07-10')# Secuencias de fechas
```

```python
print(pd.date_range('2015-07-03', periods=8))
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
data = pd.to_datetime([datetime(2015, 7, 3), '4th of July, 2015','2015-Jul-6', '07-07-2015', '20150708'])
print(data);print(data.to_period('A'))
```

```python
pd.date_range('2015-07-03', '2015-07-10')
```

```python
pd.date_range('2015-07-03', periods=8);pd.period_range('2015-07', periods=8, freq='M')
```

```python
pd.date_range('2020-07-01',periods=8,freq=pd.DateOffset(years=1))
```

```python
import pytz
local = datetime.now()
print("Local:", local.strftime("%m/%d/%Y, %H:%M:%S"))
```

```python
GYE = pytz.timezone('America/Guayaquil') 
datetime_GYE = datetime.now(GYE)
print("Guayaquil:", datetime_GYE.strftime("%m/%d/%Y, %H:%M:%S"))
```

```python
tz_London = pytz.timezone('Europe/London')
datetime_London = datetime.now(tz_London)
print("London:", datetime_London.strftime("%m/%d/%Y, %H:%M:%S"))
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle, center
 
#6.- Operadores

Los operadores son símbolos que permiten realizar operaciones entre variables, valores y objetos. Entre ellos están los Aritméticos, Comparación, Asignación, Lógicos, Identidad, Membresía, entre otros.


<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 
Operadores Aritméticos

<pre class="tab">
&#10140; + Suma
&#10140; - Resta 
&#10140; &#x0002A; Multiplicación
&#10140; / División 
&#10140; % Modulo
&#10140; &#x0002A;&#x0002A; Exponentiation 
&#10140; // Division entera 
</pre>

 
Operadores de Comparación

<pre class="tab">
&#10140; == Equal
&#10140; != Not equal
&#10140; > Greater than
&#10140; < Less than
&#10140; >= Greater than or equal to
&#10140; <= Less than or equal to
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 
Operadores de Asignación

<pre class="tab">
&#10140; = x = 5 x = 5 	
&#10140; += x += 3 x = x + 3 	
&#10140; -= x -= 3 x = x - 3 	
&#10140; /= x /= 3 x = x / 3 	
&#10140; %= x %= 3 x = x % 3 	
&#10140; //= x //= 3 x = x // 3 	
&#10140; &= x &= 3 x = x & 3 	
&#10140; |= x |= 3 x = x | 3 	
&#10140; ^= x ^= 3 x = x ^ 3 	
&#10140; >>= x >>= 3 x = x >> 3 	
&#10140; <<= x <<= 3 x = x << 3
&#10140; &#x0002A;= x &#x0002A;= 3 x = x &#x0002A; 3 
&#10140; &#x0002A;&#x0002A;= x &#x0002A;&#x0002A;= 3 x = x &#x0002A;&#x0002A; 3 
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 
Operadores de Lógica

<pre class="tab">
&#10140; and Devuelve True si ambas afirmaciones son Verdaderas 	
&#10140; or Devuelve True si una de las afirmaciones es Verdadera 	
&#10140; not Devuelve Falso si el resultado es verdadero
</pre>

 
Operadores de Identidad

<pre class="tab">
&#10140; is Devuelve verdadero si ambas variables son el mismo objeto	
&#10140; is not Devuelve verdadero si ambas variables no son el mismo objeto
</pre>

 
Operadores de Membresía

<pre class="tab">
&#10140; in Devuelve True los valores especificados estan en el objeto	
&#10140; not in Devuelve True los valores especificados no estan en el objeto 	
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 
Operadores aritméticos con NumPy

<pre class="tab">
&#10140; + np.add Suma (e.g., 1 + 1 = 2) 
&#10140; - np.subtract Resta (e.g., 3 - 2 = 1)
&#10140; - np.negative Negación Unitaria (e.g., -2)
&#10140; &#42; np.multiply Multipicación (e.g., 2 &#42; 3 = 6)
&#10140; / np.divide División (e.g., 3 / 2 = 1.5)
&#10140; // np.floor_divide División entera (e.g., 3 // 2 = 1)
&#10140; &#42;&#42; np.power Exponenciación (e.g., 2 ** 3 = 8)
&#10140; % np.mod Modulo / Residuo (e.g., 9 % 4 = 1)
&#10140; abs np.abs Valor absoluto 
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
Operadores bitwise


Los operadores bitwise (bit a bit) son operadores de alto rendimiento que operan sobre números binarios a nivel de sus bits individuales. Es una acción primitiva rápida, soportada directamente por los procesadores.


<pre></pre>

<pre class="tab">
&#10140; & np.bitwise_and 
&#10140; &#x7c; np.bitwise_or 
&#10140; ^ np.bitwise_xor 
&#10140; ~ np.bitwise_not 
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
Operadores de comparación NumPy
<pre></pre>

<pre class="tab">
&#10140; == np.equal 
&#10140; != np.not_equal 
&#10140; < np.less 
&#10140; <= np.less_equal 
&#10140; > np.greater
&#10140; >= np.greater_equal
&#10140; algun valor? np.any
&#10140; todos? np.all
&#10140; iif np.where
</pre>

```python
x = np.arange(4)
print("Suma ", x + 2,np.add(x, 2))
```

```python
print("División entera ",x // 2,np.floor_divide(x,2))
```

```python
print("Modulo ",x%2,np.mod(x,2))
```

```python
print("Mayor que ", x > 2, np.greater(x,2))
```

```python
print("Operador y: ",type(x[0]) == int and x[0] == 0)
```

```python
print("Operador y: ",(type(x[0]) == int) & (x[0] == 0))# Los paréntesis son importantes, sino diera error
```

```python
print("Operador y: ",(type(x) == int) and (x == 0))# Esta no es la forma de evaluar uno a uno
```

```python
print("Operador y uno a uno: ",(type(x) == int) & (x == 0),np.bitwise_and(type(x) == int,x == 0))# forma correcta
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
print("Algun valor mayor a 2? ",np.any(x > 2))
```

```python
print("Todos son mayor a 2? ",np.all(x > 2))
```

```python
print("Suma NOT (A OR B): ",np.sum(~((x <= 1) | (x > 1))))#suma los true
```

```python
print("Son diferentes? ",np.bitwise_xor((True | True), (False | False)))
```

```python
print("Son diferentes? ",np.bitwise_xor(x >= 1, x < 2))
```

```python
print("(A OR B): ",np.bitwise_or(x >= 1, x < 2))
```

```python
if (5 in x):
  print("Si esta en el vector")
else:
  print("No esta en el vector")
```

```python
np.where(5 in x,"Si esta en el vector","No esta en el vector")
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
if (None is np.nan):
  print("Es vacio")
else:
  print("No son el mismo tipo de objeto")
```

```python
if (x is not int):
  print("Son el mismo typo de objeto")
else:
  print("No son el mismo tipo de objeto")
```

```python
if np.any(np.isnan(x)) or np.any(np.isinf(x)):
  print("Si tiene un valor vacio o infinito")
else:
  print("No tiene un valor vacio o infinito")
```

```python
(2, 3) not in [(2, 7), (7, 3), "hola"]# Con el not x es evaluado negativo
```

```python
for i in [5, 10, 15, 20, 25, 30]:
 if not i in (10,25):
 print ("Item: " ,i)
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
Operadores de agregación Numpy
<pre></pre>

<pre class="tab">
&#10140; np.sum np.nansum Suma
&#10140; np.prod np.nanprod Producto
&#10140; np.mean np.nanmean Promedio
&#10140; np.std np.nanstd Desviación Estandar
&#10140; np.var np.nanvar Varianza
&#10140; np.min np.nanmin Mínimo
&#10140; np.max np.nanmax Máximo 
&#10140; np.argmin np.nanargmin Encontrar indice con el mínimo
&#10140; np.argmax np.nanargmax Encontrar indice con el máximo
&#10140; np.median np.nanmedian Mediana
&#10140; np.percentile np.nanpercentile Percentile
&#10140; np.sort Ordenar el objeto
&#10140; np.count_nonzero Contar números
&#10140; np.diagonal Devuelve la diagonal de una matriz
&#10140; np.trace Devuelve la suma de la diagonal
</pre>

<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
Operadores Pandas
<pre></pre>

<pre class="tab">
&#10140; + add()
&#10140; - sub(), subtract()
&#10140; &#42; mul(), multiply()
&#10140; / truediv(), div(), divide()
&#10140; // floordiv()
&#10140; % mod()
&#10140; &#42;&#42; pow()
<pre class="tab">
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle, center
 
#7.- Importar y exportar base de datos

Las bases de datos son el producto de la necesidad humana de almacenar la información, es decir, de preservarla contra el tiempo y el deterioro. Para luego poder utilizarla, modificarla y actualizarla. Un sistema gestor consiste en una colección de datos interrelacionados y un conjunto de programas acceder a los datos de una forma rápida y estructurada. Estos sistemas son ampliamente estudiados en la informática actual. En una empresa la base de datos es quien te dice como ha ido evolucionando el negocio, y esta información es muy valioso y aprovechada efectivamente en la generación de ventas y utilidades. Las ventajas de tener un almacén de datos, es su la Capacidad, es decir el volumen que podamos almacenar. Datos no duplicados con menor redundancia. Rapidez, al utilizar estructuras ordenadas y bien diseñadas. Facilidad de trabajo, reusabilidad de los datos que están en todo momento a disposición. Compartición de datos. Seguridad y chequeo de errores. Primero veremos como abrir bases de datos, y luego como guardar en diferentes formatos de archivos.

```python
import pandas as pd
Muestra = pd.read_csv("Data/Muestra.csv", sep=";",skiprows = 0,header=0,decimal = '.',parse_dates = ['FECHA','FECHA_NACIMIENTO']    );
Muestra = pd.read_csv("Data/Muestra.csv", sep=";",skiprows = 0,header=0,decimal = '.',parse_dates = ['FECHA','FECHA_NACIMIENTO'],date_parser = lambda x: pd.datetime.strptime(x, "%d/%m/%Y"));
```

```python
Muestra = pd.read_csv("Data/Muestra.csv", sep=";",skiprows = 0,header=0,decimal = '.',parse_dates = ['FECHA','FECHA_NACIMIENTO'],infer_datetime_format=True);
Muestra = pd.read_csv("Data/Muestra.csv", sep=";",decimal = '.',dtype={'PRODUCTO':'category','PRECIO':'float64','CANTIDAD':'int64'}, usecols=['PRODUCTO','PRECIO','CANTIDAD']);
Muestra = pd.read_csv("Data/Muestra.csv", sep=";",decimal = '.',dtype={'PRODUCTO':'category','PRECIO':'float64','CANTIDAD':'int64'}, usecols=['PRODUCTO','PRECIO','CANTIDAD'],encoding='utf-8')
Muestra.dtypes
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 


Ahora veamos el ejemplo de como abrir un archivo de excel, Excel es una de las herramientas de datos más populares y ampliamente utilizadas, es difícil encontrar una organización que no trabaje con ella de alguna manera.

```python
Muestra = pd.read_excel('Data/Muestra.xlsx',header=0, index_col = 7)
Muestra = pd.read_excel('Data/Muestra.xlsx',header=0, dtype={'PRODUCTO':'category','PRECIO':'float64','CANTIDAD':'int64'})
Muestra = pd.read_excel('Data/Muestra.xlsx',header=0, parse_dates = ['FECHA','FECHA_NACIMIENTO'], sheet_name='VENTAS',usecols=[6,18])
# conda install pandas=0.25, abrir anaconda prompt
Muestra = pd.read_excel('Data/Muestra.xlsx',names = ['FECHA','FECHA_NACIMIENTO'], sheet_name='VENTAS',usecols=[6,18],skiprows = 5)# No toma las primeras 5 filas
Muestra2 = pd.read_excel('Data/Muestra.xlsx',names = ['FECHA','FECHA_NACIMIENTO'], sheet_name='VENTAS',usecols=[6,18],nrows=5)# Toma las primeras 5 filas
Muestra3 = pd.concat([Muestra2,Muestra])
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
# conda install -c conda-forge pyreadstat
# conda install feather-format -c conda-forge
# conda install pickle
import pandas as pd
import csv
from pandas import read_csv
import pyreadstat
import feather
import pickle
df, meta = pyreadstat.read_sas7bdat('Data/Muestra.sas7bdat')
df = pd.read_spss('Data/Muestra.sav')
df = read_csv('Data/Muestra.txt', sep='\t',decimal='.',engine='python',encoding='latin-1')
df.dtypes
```

```python
df = feather.read_dataframe('Data/Muestra.feather')# archivo temp en python
with open('Data/Muestra.data', 'rb') as filehandle:
 # leer los datos como flujo de datos binarios
 df = pickle.load(filehandle)
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 


Para guardar un archivo en formato SPSS, utilizaremos el formato .sav, mas no .sas7bdat, debido a que esas configuraciones son mejores si el mismo programa crea el set de datos, con la descripción de cada variable. feather es un formato de archivo binario rápido, liviano y fácil de usar para almacenar dataframes. Mientras que pickle "serializa" un objeto antes de escribirlo en el archivo. Pickling es una forma de convertir un objeto de Python (listas, diccionarios, etc.) en una secuencia de caracteres. La idea es que esta secuencia de caracteres contiene toda la información necesaria para reconstruir el objeto en otro script de Python como una extension propia de python.

```python
pyreadstat.write_sav(df, 'Data/Muestra2.sav')
df.to_csv('Data/Muestra2.csv', index=False, encoding="utf-8-sig")
df.to_excel('Data/Muestra2.xlsx', index = None, header=True)
feather.write_dataframe(df, 'Data/Muestra2.feather')
with open('Data/Muestra2.data', 'wb') as filehandle:
 # almacenar los datos como flujo de datos binarios
 pickle.dump(df, filehandle)
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle, center
 
#8.- Pipe


Pipe, nos ayuda a secuenciar cualquier comando anidado o cualquier expresión complicada en una secuencia de transformaciones simples, aumentando la legibilidad del codigo y disminuyendo la necesidad de emparejar paréntesis!


<ul style="list-style-type:square; text-align: justify;">
Argumentos
<li> x | p(f) es igual a f(x)</li>
<li> x | f(px,y) es igual a f(x, y)</li>
<li> x | p(f) | p(g) | p(h) es igual a h(g(f(x)))</li>
<li> x | f(parametro = px) es igual a f(parametro = x)</li>
</ul>


<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
# conda install --upgrade sspipe
from sspipe import p, px
import matplotlib.pyplot as plt
square=lambda x: x**2
def sqrt(x): return x**0.5
"hello world!" | p(print)
```

```python
5 | p(square) | p(sqrt)
```

```python
[5,7] | p(len)
```

```python
(5,7) | p(list)
```

```python
5 | p(lambda x: range(x,10,1)) | p(list)
```

```python
3.1416 | p(sqrt) | p(lambda x: np.round(x,decimals=2))
```

```python
5 | px + 2 | px ** 5 + px | p(print)
```

```python
range(10) | np.sin(px)+1 | p(plt.plot)
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
from dfply import *# pip install dfply
df = pd.read_excel('Data/Muestra.xlsx')
Ventas = df >> select(X.PRODUCTO, X.PRECIO, X.CANTIDAD) >> mutate(VENTAS = X.PRECIO*X.CANTIDAD)
Ventas >> row_slice([6,8])
```

```python
df >> select(0,1,2) >> drop(0) >> head(3)
```

```python
nuevo = df >> drop(2, X.GENERO, ['CLIENTE','ESTADO_CIVIL'])
df >> select(~X.PRODUCTO) >> select(starts_with('P'))
```

```python
df >> drop(columns_from(X.CANTIDAD)) 
```

```python
df >> sample(frac=0.5, replace=False)
```

```python
df >> distinct(X.REGION)
```

```python
df >> select(contains('ADO'))
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
df >> select(columns_between(3,6,inclusive = True))# incluyendo la 6
```

```python
df >> select(columns_to(6,inclusive = True))
```

```python
df >> select(columns_from(6))
```

```python
df >> mask(X.METACRITIC>=70, X.GENERO == 'Carreras')# mask () también se puede llamar usando el alias filter_by ()
```

```python
df >> mask((X.METACRITIC>=70) & (X.GENERO.isin(['Carreras','Simuladores'])))
```

```python
df >> transmute(VENTA=X.PRECIO * X.CANTIDAD - X.DESCUENTO) >> arrange(X.VENTA,  ascending = True)
```

```python
df >> mutate(VENTA=X.PRECIO * X.CANTIDAD - X.DESCUENTO) >> select(X.PRODUCTO, X.VENTA) >> group_by('PRODUCTO') >> summarize(Promedio=mean(X.VENTA))
```

```python
df >> summarize_each([np.mean, np.var], X.PRECIO, 'METACRITIC')
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
from dfply import *
import pandas as pd
import datetime as dt
df = pd.read_excel('Data/Muestra.xlsx')
df >> mask(X.FECHA.dt.year == 2018, ((X.FECHA.dt.month).isin([1,2])) | ((X.FECHA.dt.day).isin([10,25]))) >> group_by('SUPERVISOR') >> summarize(Cuenta = X.PRODUCTO.value_counts())
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle
 


La diferencia del pipe con respecto al pipeline en scikit-learn, es que si el resultado tiene asociado el siguiente calculo, podremos continuar para construyendo flujos de trabajo, donde apliquemos algún conjunto de algoritmos o preprocesamientos necesarios para esos algoritmos. Entonces dentro de Pandas podemos unir operaciones haciendo uso de un conjunto de transformaciones aplicadas al DataFrame dentro de paréntesis “()” y conectando por uso de “.”, pudiendo conectar la siguiente operación que sigue después de un “.”, así que es otra alternativa para escribir código en Pandas como una cadena de métodos.

```python
df.dropna().describe().SUELDO.values.mean().round(2).tolist()
```


Por consiguiente, me muestra otra forma de impresión de un DataFrame, en una vista html, como una impresión simple, o a través de una tabla pivote.

```python
# conda install pivottablejs
from pivottablejs import pivot_ui
pivot_ui(df,outfile_path='tabla.html')
# conda install tabloo
```

```{=html}

```python
import tabloo
# tabloo.show(df)
```
<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle, center
 
#9.- Visualización


Vamos a aprender con algunas librerias, para generar diferentes tipos de graficos. Para continuar con el aprendizaje de Series de Tiempo, puede consultar el siguiente <a href="hhttps://www.dataquest.io/blog/tutorial-time-series-analysis-with-pandas/">Link</a>.


<img src="https://lh3.googleusercontent.com/YVuwmnKJZQDcfeWBPGC9WAB5k39xYPQXNysDV2dbLeqDsAcvYlNQj3uFWhRO4X63Vl_QpRSGWkaCuDcdAB6DPKrS30Rq4OncKAU0nYwQocOLrVQMldGiPmw9XT9J9DTmaqSPTKG3EjL4AvUsW_HHo9hp8FUqXjjVlRFJTQY2b9uAMoVFiycY7lX9xI9H8Qhs1i5-9TP2NgZEYp6RB-a5-74xOexc5-eIKjQek0mnpTdyt6VC3Bsn9eqFcIn0WRHL3TziTxSqbudNek5mSW81Oiz-Qfp6fPwz55jYbQQXUq9AUIPRroi5XZe3gLEyu0yNkQPusD2Il8DU4Wjd9-uzV2yFh9R3Lmo2BQqxAjde4boxwScSdxdfTvI4DsCjRW2T_H36BOmeeFyxXEL6ZxpDAru4XcBUjNn80nUR5MspzWv3Kt93Stwod0H2-HjfTJejq4HsUXQDreJEPeWguWd-eheBRx7VQBLp81m4o8vK4h_Lvvw2Dx6ko0DgJDiVWnJ_V7YWA1PXzthbawgCeOkP5kLWWbr1__lvX8tI4KK2WfAAAXCfjAjzl7CmTQcgzst98x1PWfQ_GIJ29MS3xfgWyW9aD2IFMQD2AKR7w-yyhjbp-4RujtcZEzQFt4LaC3cS9Z6mO8yKKXWWuKEBSSzSz7eIonDB8SG7nc5hvgSFVq0lSfGzFffBlVKLZBjfcM1ZSZdHOpCrhbzEblH1eYlFf5ah=s927-no?authuser=0" style="position:absolute; top:20px; left:20px; width:70px; height:70px">
---
class: middle

```python
import matplotlib.pyplot as plt
import numpy as np
x = np.random.normal(size=50000)
y = x * 3 + np.random.normal(size=50000)
plt.hist2d(x, y, bins=(50, 50),cmap='spring')# cmap es color map 
```

```python
plt.title("Un histograma 2D")# Agrega un titulo