Sintaxis Básica RMarkdown
Ejecutando chunks de Python
Python_001
import matplotlib.pyplot as plt
eje_x = ['Python', 'R', 'Node.js', 'PHP']
eje_y = [50,20,35,47]
plt.bar(eje_x, eje_y)
plt.ylabel('Cantidad de usuarios')
plt.xlabel('Lenguajes de programación')
plt.title('Usuarios de lenguajes de programación')
plt.show()

Python_002
import matplotlib.pyplot as plt
eje_x = ['Programacion', 'Ciencia de datos', 'Matematicas', 'Ingenieria']
eje_y = [76,31,45,57]
plt.barh(eje_x, eje_y, color="green")
plt.ylabel('Numero de Empleados')
plt.xlabel('Habilidades')
plt.title('Empleados con habilidades')
plt.show()

Python_003
import numpy as np
import matplotlib.pyplot as plt
serie_1 = [406, 387, 442, 457, 485]
serie_2 = [421, 453, 435, 478, 512]
numero_de_grupos = len(serie_1)
indice_barras = np.arange(numero_de_grupos)
ancho_barras =0.35
plt.bar(indice_barras, serie_1, width=ancho_barras, label='Hombres')
plt.bar(indice_barras + ancho_barras, serie_2, width=ancho_barras, label='Mujeres')
plt.legend(loc='best')
## Se colocan los indicadores en el eje x
plt.xticks(indice_barras + ancho_barras, ('2017', '2018', '2019', '2020','2021'))
plt.ylabel('Numero de habitantes')
plt.xlabel('Año')
plt.title('Numero de habitantes por genero')
plt.show()

LS0tDQp0aXRsZTogIlNpbnRheGlzIELDoXNpY2EgUk1hcmtkb3duIg0KYXV0aG9yOiAiUmVuem8gQ8OhY2VyZXMgUm9zc2kiDQpkYXRlOiAiMjAyMi8wMy8yNyINCnN1YnRpdGxlOiBEb2N1bWVudG8gUk1hcmtkb3duIC0gUHl0aG9uDQplbWFpbDogYXJlbnpvY2FjZXJlc3Jvc3NpQGdtYWlsLmNvbQ0KcGhvbmU6ICc5MTczMzc2ODQnDQpvdXRwdXQ6DQogIGh0bWxfZG9jdW1lbnQ6DQogICAgdG9jOiBUUlVFDQogICAgdG9jX2Zsb2F0OiBUUlVFDQogICAgY29kZV9kb3dubG9hZDogVFJVRQ0KLS0tDQoNCmBgYHtyIHNldHVwLGluY2x1ZGU9RkFMU0V9DQprbml0cjo6b3B0c19jaHVuayRzZXQoZWNobyA9IFRSVUUpDQpgYGANCg0KDQoNCiMgU2ludGF4aXMgQsOhc2ljYSBSTWFya2Rvd24NCg0KIyMgRWplY3V0YW5kbyBjaHVua3MgZGUgUHl0aG9uDQoNCg0KIyMjIFB5dGhvbl8wMDENCg0KYGBge3B5dGhvbiBtYXRwbG90bGliLHJlc3VsdHM9J2hpZGUnLGNvbGxhcHNlPVRSVUUsZmlnLmFsaWduPSJjZW50ZXIifQ0KaW1wb3J0IG1hdHBsb3RsaWIucHlwbG90IGFzIHBsdA0KIA0KDQplamVfeCA9IFsnUHl0aG9uJywgJ1InLCAnTm9kZS5qcycsICdQSFAnXQ0KIA0KDQplamVfeSA9IFs1MCwyMCwzNSw0N10NCiANCg0KcGx0LmJhcihlamVfeCwgZWplX3kpDQogDQoNCnBsdC55bGFiZWwoJ0NhbnRpZGFkIGRlIHVzdWFyaW9zJykNCiANCg0KcGx0LnhsYWJlbCgnTGVuZ3VhamVzIGRlIHByb2dyYW1hY2nDs24nKQ0KIA0KDQpwbHQudGl0bGUoJ1VzdWFyaW9zIGRlIGxlbmd1YWplcyBkZSBwcm9ncmFtYWNpw7NuJykNCiANCnBsdC5zaG93KCkNCmBgYA0KDQojIyMgUHl0aG9uXzAwMg0KDQpgYGB7cHl0aG9uIG1hdHBsb3RfMDAyLCByZXN1bHRzPSdoaWRlJyxjb2xsYXBzZT1UUlVFLGZpZy5hbGlnbj0iY2VudGVyIn0NCmltcG9ydCBtYXRwbG90bGliLnB5cGxvdCBhcyBwbHQNCiANCg0KZWplX3ggPSBbJ1Byb2dyYW1hY2lvbicsICdDaWVuY2lhIGRlIGRhdG9zJywgJ01hdGVtYXRpY2FzJywgJ0luZ2VuaWVyaWEnXQ0KIA0KDQplamVfeSA9IFs3NiwzMSw0NSw1N10NCiANCg0KcGx0LmJhcmgoZWplX3gsIGVqZV95LCBjb2xvcj0iZ3JlZW4iKQ0KDQpwbHQueWxhYmVsKCdOdW1lcm8gZGUgRW1wbGVhZG9zJykNCg0KcGx0LnhsYWJlbCgnSGFiaWxpZGFkZXMnKQ0KDQpwbHQudGl0bGUoJ0VtcGxlYWRvcyBjb24gaGFiaWxpZGFkZXMnKQ0KDQpwbHQuc2hvdygpDQpgYGANCg0KIyMjIFB5dGhvbl8wMDMNCg0KYGBge3B5dGhvbiBtYXRwbG90XzAwMywgcmVzdWx0cz0naGlkZScsY29sbGFwc2U9VFJVRX0NCmltcG9ydCBudW1weSBhcyBucA0KaW1wb3J0IG1hdHBsb3RsaWIucHlwbG90IGFzIHBsdA0KIA0Kc2VyaWVfMSA9IFs0MDYsIDM4NywgNDQyLCA0NTcsIDQ4NV0NCnNlcmllXzIgPSBbNDIxLCA0NTMsIDQzNSwgNDc4LCA1MTJdDQogDQogDQpudW1lcm9fZGVfZ3J1cG9zID0gbGVuKHNlcmllXzEpDQppbmRpY2VfYmFycmFzID0gbnAuYXJhbmdlKG51bWVyb19kZV9ncnVwb3MpDQphbmNob19iYXJyYXMgPTAuMzUNCiANCnBsdC5iYXIoaW5kaWNlX2JhcnJhcywgc2VyaWVfMSwgd2lkdGg9YW5jaG9fYmFycmFzLCBsYWJlbD0nSG9tYnJlcycpDQpwbHQuYmFyKGluZGljZV9iYXJyYXMgKyBhbmNob19iYXJyYXMsIHNlcmllXzIsIHdpZHRoPWFuY2hvX2JhcnJhcywgbGFiZWw9J011amVyZXMnKQ0KcGx0LmxlZ2VuZChsb2M9J2Jlc3QnKQ0KIyMgU2UgY29sb2NhbiBsb3MgaW5kaWNhZG9yZXMgZW4gZWwgZWplIHgNCnBsdC54dGlja3MoaW5kaWNlX2JhcnJhcyArIGFuY2hvX2JhcnJhcywgKCcyMDE3JywgJzIwMTgnLCAnMjAxOScsICcyMDIwJywnMjAyMScpKQ0KIA0KcGx0LnlsYWJlbCgnTnVtZXJvIGRlIGhhYml0YW50ZXMnKQ0KcGx0LnhsYWJlbCgnQcOxbycpDQpwbHQudGl0bGUoJ051bWVybyBkZSBoYWJpdGFudGVzIHBvciBnZW5lcm8nKQ0KIA0KcGx0LnNob3coKQ0KYGBgDQoNCg0KPGRpdiBjbGFzcz0idG9jaWZ5LWV4dGVuZC1wYWdlIiBkYXRhLXVuaXF1ZT0idG9jaWZ5LWV4dGVuZC1wYWdlIiBzdHlsZT0iaGVpZ2h0OiAwOyI+PC9kaXY+DQo=