Task 01

En una clase de estadistica aplicada de la IEEE se realizo una encuesta sobre sus datos personales
los diferentes datos que se encuentran son
carrera academica,nacionalidad,edad,genero,universidad,tipo de medio a travez
del cual se enteraron el curso y el tipo de pago.
Y el area de
marketing solicita tener una lista de todos los estudiantes de genero femenino para ofrecer descuentos
especiales en otros cursos por el dia
de la mujer.A parte pidio la informacion de la alumna con mas tiempo registrado
en toda la clase y una lista de alumnos con codigo 2019 en
adelante,para darle el seguimiento con el objetivo de fidelizar
ya que son mas propensos a retirarse con toda su información menos el genero.

Actividades:

1. Generar el dataframe a partir de la lista de listas

2. Encontrar los alumnos con genero 'femenino'.

3. La alumna con mayor tiempo dentro del curso IEEE.

4. Las alumnas con codigo a partir del año 2019 en adelante que no sean del sexo femenino.

import pandas as pd

# estas son columnas:
myColumns=['codigo','carrera_academica','nacionalidad','edad','genero','universidad','plan_pago','tipo_pago']

#listas de columnas
codigo=[20192010,20182122,20141001,20138871,20151022,20159331,20199431,20146615,20198661,20130121,20181176,
        20167455,20192129,20183312,20162231,20182991,20173381,20199176,20181128,20182712,20182126]
carrera_academica=['Psicologia','Ingieneria de Sistemas','Psicologia','Psicologia','Ingieneria de Sistemas',
                   'Estadistica','Estadistica','Psicologia','Ingieneria de Sistemas','Psicologia','Psicologia',
                   'Ingieneria de Sistemas','Estadistica','Estadistica','Psicologia','Ingieneria de Sistemas',
                   'Psicologia','Psicologia','Ingieneria de Sistemas','Estadistica','Estadistica']
edad=[18,20,19,18,23,22,21,22,23,22,19,20,20,22,21,18,19,21,21,18,18]
nacionalidad=['Peruano(a)','Chileno(a)','Peruano(a)','Peruano(a)','Ecuatoriano(a)','Venezolano(a)','Peruano(a)',
              'Venezolano(a)','Peruano(a)','Peruano(a)','Ecuatoriano(a)','Venezolano(a)','Peruano(a)','Peruano(a)',
              'Ecuatoriano(a)','Peruano(a)','Peruano(a)','Boliviano(a)','Peruano(a)','Peruano(a)','Peruano(a)']
genero=['Femenino','Femenino','Masculino','Femenino','Masculino','Masculino','Femenino','Masculino','Masculino',
        'Femenino','Femenino','Femenino','Femenino','Masculino','Masculino','Masculino','Femenino','Femenino',
        'Femenino','Masculino','Masculino']
universidad=[1,1,0,1,1,0,0,0,1,0,1,1,0,0,1,0,0,1,0,1,0]
plan_pago=['Pago Unico','Pago por dos cuotas','Pago por tres cuotas','Pago por tres cuotas','Pago por dos cuotas',
           'Pago Unico','Pago Unico','Pago Unico','Pago por dos cuotas','Pago por dos cuotas','Pago por dos cuotas',
           'Pago por tres cuotras','Pago por tres cuotras','Pago por tres cuotras','Pago Unico','Pago por 3 cuotas',
           'Pago por dos cuotas','Pago Unico','Pago Unico','Pago por dos cuotas','Pago por dos cuotas']
tipo_pago=['Tarjeta','Tarjeta','Efectivo','Efectivo','Tarjeta','Tarjeta','Efectivo','Efectivo','Efectivo',
           'Tarjeta','Tarjeta','Efectivo','Efectivo','Efectivo','Tarjeta','Tarjeta','Efectivo','Efectivo',
           'Efectivo','Tarjeta','Efectivo']

1. Generar el dataframe a partir de la lista de listas

myList = (zip(codigo,carrera_academica,nacionalidad,edad,genero,universidad,plan_pago,tipo_pago))

df = pd.DataFrame(myList, columns=myColumns)

df

 codigo carrera_academica nacionalidad edad genero universid

0 20192010 Psicologia Peruano(a) 18 Femenino

Ingieneria de
1 20182122 Chileno(a) 20 Femenino
Sistemas

2 20141001 Psicologia Peruano(a) 19 Masculino

3 20138871 Psicologia Peruano(a) 18 Femenino

Ingieneria de
4 20151022 Ecuatoriano(a) 23 Masculino
Sistemas

5 20159331 Estadistica Venezolano(a) 22 Masculino

6 20199431 Estadistica Peruano(a) 21 Femenino

7 20146615 Psicologia Venezolano(a) 22 Masculino

Ingieneria de
8 20198661 Peruano(a) 23 Masculino
Sistemas

9 20130121 Psicologia Peruano(a) 22 Femenino

10 20181176 Psicologia Ecuatoriano(a) 19 Femenino

2. Encontrar los alumnos con genero 'femenino'

df_femenino = df[df['genero']=='Femenino']

df_femenino

codigo carrera_academica nacionalidad edad genero universid

0 20192010 Psicologia Peruano(a) 18 Femenino

Ingieneria de
1 20182122 Chileno(a) 20 Femenino
Sistemas

3 20138871 Psicologia Peruano(a) 18 Femenino

6 20199431 Estadistica Peruano(a) 21 Femenino

9 20130121 Psicologia Peruano(a) 22 Femenino

10 20181176 Psicologia Ecuatoriano(a) 19 Femenino

3. La alumna con mayor tiempo dentro del curso IEEE.

df_mayortiempo = df_femenino[df_femenino['codigo'].apply(str).str[0:4] == min(df_femenino['codigo'].apply(str).str[0:4])]

df_mayortiempo

codigo carrera_academica nacionalidad edad genero universidad

3 20138871 Psicologia Peruano(a) 18 Femenino

4. Las alumnas con codigo a partir del año 2019 en adelante que no sean del sexo
femenino.

#4. Las alumnas con codigo a partir del año 2019 en adelante que no sean del sexo femenino.

df_mayor2019 = df_femenino[(df_femenino['codigo'].apply(str).str[0:4] >='2019')  & (df_femenino['genero'] !='Femenino')]

if df_mayor2019.empty:

  print('No existen datos para esta consulta')

else:

  df_mayor2019

No existen datos para esta consulta

#4. Las alumnos con codigo a partir del año 2019 en adelante que no sean del sexo femenino.
df_mayor2019 = df[(df['codigo'].apply(str).str[0:4] >='2019')  & (df['genero'] !='Femenino')]
df_mayor2019
      

codigo carrera_academica nacionalidad edad genero universida

Ingieneria de
8 20198661 Peruano(a) 23 Masculino

check 0 s completado a las 8:59