Visualización con Python

Camila Cuesta Cano; Carlos Andrés Sandoval Niño; Fray Leandro Hernández Trejos; Jorge E.

Moreno Hernández y Marilin Cuellar Guependo.

Facultad de Ingeniería, Fundación Universitaria del Área Andina

NRC 2447– Actividad Evaluativa Eje II

Docente. Jorge Isaac Castañeda

01 de mayo de 2024
 2

Tabla de contenido

Tabla de contenido ................................................................................................................... 2

Introducción.............................................................................................................................. 3
Objetivos .................................................................................................................................. 4
Objetivo general ....................................................................................................................... 4
Objetivos específicos .......................................................................................................... 4
Desarrollo Actividad Eje 1 ........................................................................................................ 5
1. A continuación, la solución a la actividad del Eje 2 según los puntos planteados ........... 5
2. Realice una práctica en la plataforma de cada uno de los 5 elementos encontrados. ..... 5
3. Reconocer la importancia de la información obtenida más relevante, mediante una
organización de las ideas y el conocimiento previo adquirido en el eje 2. ......................12
4. Realice una evaluación de los recursos de información. ................................................12
5. Modifique las búsquedas con otras librerías que utilizan Python. ..................................13
6. Construya la matriz colocando la información y atribuya un valor de importancia
probabilístico entre 0 y 1 para sistematizar la información. ............................................15
Conclusiones ...........................................................................................................................17
Bibliografía ..............................................................................................................................18
 3

Introducción

En la actualidad la herramienta Python ha generado un crecimiento sustancial en el ámbito

de la Ingeniería Industrial, debido a su versatilidad en el análisis de Datos y Estadísticas. Ya que

Python es una opción líder para el análisis de datos en ingeniería industrial y cuenta con diferentes

librerías como NumPy, Pandas entre otras que permiten la manipulación eficiente de grandes

conjuntos de datos donde se realiza cálculos estadísticos de manera eficiente, mientras que

Matplotlib y Seaborn brindan herramientas para visualizar los resultados de manera clara y

efectiva, que permiten crear gráficos y visualizaciones de alta calidad para comunicar resultados y

tendencias.

En conclusión, Python ofrece una amplia gama de herramientas y librerías que permite que

sea una opción atractiva para la ingeniería industrial, ya que ofrecen a los ingenieros realizar

análisis de datos complejos, optimizar procesos, automatizar tareas y aplicar técnicas avanzadas

de machine learning e inteligencia artificial para mejorar la eficiencia y la productividad en

diversos ámbitos industriales.

 4

Objetivos

Objetivo general

Utilizar Python para desarrollar modelos predictivos que ayuden a predecir el

rendimiento de los sistemas industriales.

Objetivos específicos

✓ Implementar sistemas de control en tiempo real utilizando Python para monitorear y

controlar procesos industriales.

✓ Crear herramientas de visualización interactivas utilizando Python y bibliotecas como

Matplotlib y Seaborn.

✓ Aplicar técnicas de machine learning e inteligencia artificial utilizando Python.

✓ Emplear Python para optimizar operaciones industriales.

 5

Desarrollo Actividad Eje 1

1. A continuación, la solución a la actividad del Eje 2 según los puntos planteados.

En el siguiente trabajo colaborativo se realizó una investigación en diferentes fuentes de

la implementación de las herramientas de Google Colab y Python, aplicado en el campo de la

ingeniería industrial.

Herramientas Definición

Es una plataforma en línea gratuita ofrecida por Google que

permite ejecutar y escribir código en Python en un entorno de
notebook interactivo alojado en la nube y proporciona un
entorno de desarrollo similar al de Jupyter Notebook, lo que
permite escribir y ejecutar código Python de manera interactiva,
así como agregar texto explicativo en forma de celdas de texto.
Google Colab Algunas características de este aplicativo es que cuenta con
entorno de Notebook Interactivo, acceso a GPUs y TPUs,
integración con Google Drive, cuenta con librerías Preinstaladas
y colaboración en Tiempo Real.
Python es un lenguaje de programación utilizado en una
variedad de campos, incluida la ciencia de datos, la inteligencia
Python artificial, el desarrollo web y la automatización de tareas.
Cuenta con algunas características clave de Python como
sintaxis Sencilla y Legible, interpretado e interactivo,
multipropósito, gran Comunidad y ecosistema de bibliotecas,
plataformas y sistemas operativos.
Tabla 1. Herramientas de Google Colab y Python

2. Realice una práctica en la plataforma de cada uno de los 5 elementos encontrados.

En el aplicativo Google colab se puede realizar práctica para desarrollar proyectos

 6

de Python, colaborar con otros usuarios y aprovechar al máximo los recursos disponibles

en la nube. Esta herramienta sirve para visualizar los resultados de manera clara y efectiva,

permitiendo crear gráficos y visualizaciones de alta calidad para comunicar resultados y

tendencias, a través de librerías. De acuerdo con lo anterior, veremos 5 elementos

importantes:

Elementos Definición

Celdas de Código y Texto Se puede crear tanto como notas y códigos con el
lenguaje de Python.

Ejemplo

Importar librerias de Python en notebook. Entre

ellas tenemos algunas comunes como:

NumPy: Sirve para trabajar con matrices y

operaciones numéricas.
Pandas: Sirve para la manipulación y análisis de
datos.
Matplotlib: Para la visualización de datos básica.
Seaborn: Para la visualización de datos
Librerías de Python estadísticos.
Scikit-learn: Para el aprendizaje automático y la
minería de datos.
TensorFlow o PyTorch: Para el aprendizaje
profundo y el desarrollo de modelos de inteligencia
artificial.
 7

Plotly: Para la creación de gráficos interactivos.

Bokeh: Para la creación de visualizaciones
interactivas y dashboards.

Ejemplos
8
 9

Acceso a Google Drive o Accede a archivos de Google Drive desde Google

recursos de Hardware Colab o de otros sitios. Puedes cargar un archivo de
Acelerado Colaboración en datos CSV, links, entre otros.
Tiempo Real
Ejemplo
 10

Comparte el notebook con otros usuarios y

Colaboración en Tiempo Real colabora en tiempo real en el mismo documento.

Ejemplo
 11

Análisis páginas web en tiempo Utilizar la API de la paginas para recolectar y

real con la API. analizar la información en tiempo real sobre un
tema específico.

Ejemplo

Tabla 2. Práctica en herramienta Google Colab

 12

3. Reconocer la importancia de la información obtenida más relevante, mediante una

organización de las ideas y el conocimiento previo adquirido en el eje 2.

A partir de la información obtenida y el conocimiento previo adquirido, se han

organizado las ideas clave en torno a los siguientes aspectos:

✓ Permite comunicar información compleja de manera clara y concisa a través de

visualización de datos.

✓ Facilita la identificación de patrones y tendencias en los datos.

✓ Ayuda a la toma de decisiones informadas en procesos de ingeniería industrial.

✓ Seleccionar las librerías adecuadas para obtener la información

✓ Considerar la complejidad de los datos y los gráficos que se desean crear.

✓ Tener en cuenta las capacidades interactivas y de personalización de la librería.

✓ Evaluar la facilidad de uso y la documentación disponible.

✓ Resúmenes y notas creando resúmenes concisos que capturen los puntos clave y las

conclusiones importantes.

✓ Priorización y acción e identifica las acciones o decisiones que se derivan de la

información obtenida y priorízalas según su impacto.

4. Realice una evaluación de los recursos de información.

En esta sección se realiza una evaluación exhaustiva de los recursos de información

utilizados para la elaboración del documento sobre visualización de datos con Google

Colab y Python para ingeniería industrial. Por el cual se han considerado parámetros de
 13

evaluación como: la confiabilidad, actualidad, precisión, claridad y utilidad para

determinar la calidad y relevancia de cada fuente.

Confiabilidad (Con): Autoridad y credibilidad de la fuente de información.

Actualidad (Act): Fecha de publicación y relevancia de la información.

Precisión (Pre): Exactitud y veracidad de los datos y conceptos presentados.

Claridad (Cla): Facilidad de comprensión del lenguaje y los ejemplos utilizados.

Utilidad (Uti): Aplicación práctica de la información en el ámbito de la ingeniería

industrial.

Recursos Con Act Pre Cla Uti

Google Colab 5.0 5.0 5.0 5.0 5.0

Tutoriales 5.0 5.0 5.0 5.0 5.0

Página Web especializados en Ingeniería

Industrial 4.0
5.0 5.0 5.0 5.0 5.0

Repositorios de códigos 5.0 5.0 5.0 5.0 5.0

Blog de Tic 4.0 4.5 4.5 4.5 4.5 4.5

Librerías 4.5 4.5 4.5 4.5 4.5

Artículos 4.5 4.5 4.5 4.5 4.5

Matriz 1. Matriz de evalúa de los recursos de información

5. Modifique las búsquedas con otras librerías que utilizan Python.

Se han mencionado algunas librerías más comunes. Sin embargo, existen muchas

otras librerías que pueden ser útiles dependiendo de las necesidades específicas del
 14

proyecto y las preferencias del usuario, por lo cual se han ampliado las búsquedas para

incluir otras librerías de Python que se utilizan para visualización de datos en ingeniería

industrial, como:

Categoría Librerías Definición

Pygal Biblioteca para la creación de gráficos

simples y rápidos.
Librerías de Plotnine Interfaz de R para la creación de gráficos
creación de GGPLOT2 en Python.
gráficos Holoviews Biblioteca para la creación de
visualizaciones de datos jerárquicas y
multidimensionales.
Geopandas Biblioteca para trabajar con datos
geoespaciales.
Librerías para Biblioteca JavaScript para crear mapas
visualización de Leaflet interactivos que se pueden integrar en
datos aplicaciones web.
geoespaciales Folium Biblioteca Python que facilita la creación
de mapas web con Leaflet.
Permite crear visualizaciones de datos
Bokeh dinámicas e interactivas que se pueden
Librerías para explorar y personalizar en tiempo real.
visualización de Plotly Biblioteca para crear gráficos interactivos
datos dinámicos e y web que se pueden compartir fácilmente.
interactivos Dash Framework para crear aplicaciones web
interactivas con componentes de
visualización de datos.
Mayavi Biblioteca para crear visualizaciones de
datos 3D interactivas.
Librerías para Biblioteca para crear visualizaciones de
visualización de VPython datos 3D utilizando el lenguaje de
datos en 3D programación Python.
Plot3D Biblioteca para crear gráficos 3D en
Matplotlib.
Dask Biblioteca para el procesamiento y análisis
Librerías para de datos a gran escala.
visualización de Vaex Biblioteca para el manejo y análisis de
datos a gran conjuntos de datos grandes y complejos.
escala Plataforma para el almacenamiento,
GeoMesa procesamiento y análisis de datos
geoespaciales a gran escala.
Tabla 3. Librerías con Python
 15

6. Construya la matriz colocando la información y atribuya un valor de importancia

probabilístico entre 0 y 1 para sistematizar la información.

Esta matriz sistematizada resume las principales librerías de Python para visualización

de datos en ingeniería industrial, asignando un valor de importancia probabilística entre 0

y 1 para cada una. Además, se incluye una crítica de cada librería para facilitar la selección

adecuada en función de las necesidades específicas.

Librería Calificación Crítica

Pygal 0.10 Biblioteca para la creación de gráficos simples y rápidos.

Plotnine 0.15 Interfaz de R para la creación de gráficos GGPLOT2 en

Python.
Holoviews 0.18 Biblioteca para la creación de visualizaciones de datos
jerárquicas y multidimensionales.
Leaflet 0.20 Biblioteca JavaScript para crear mapas interactivos que se
pueden integrar en aplicaciones web.
Folium 0.25 Biblioteca Python que facilita la creación de mapas web
con Leaflet.
Dash 0.28 Framework para crear aplicaciones web interactivas con
componentes de visualización de datos.
Mayavi 0.30 Biblioteca para crear visualizaciones de datos 3D
interactivas.
VPython 0.35 Biblioteca para crear visualizaciones de datos 3D
utilizando el lenguaje de programación Python.
Plot3D 0.38 Biblioteca para crear gráficos 3D en Matplotlib.
 16

Dask 0.40 Biblioteca para el procesamiento y análisis de datos a gran

escala.
Vaex 0.45 Biblioteca para el manejo y análisis de conjuntos de datos
grandes y complejos.
GeoMesa 0.48 Plataforma para el almacenamiento, procesamiento y
análisis de datos geoespaciales a gran escala.
Librería fundamental para el cálculo numérico en Python.
NumPy 1.0 Permite trabajar con matrices, vectores y arrays de manera
eficiente.
Sirve para el manejo y análisis de datos tabulares. Ofrece
Pandas 0.95 una amplia gama de herramientas para limpiar,
transformar y analizar datos.
Librería para la creación de gráficos interactivos y web.
Plotly 0.45 Permite crear gráficos dinámicos que se pueden explorar
y compartir fácilmente.
Crea la visualización de datos dinámicas y personalizadas.
Bokeh 0.55 Permite crear gráficos interactivos y aplicaciones web
complejas.
Permite estandarizar la creación de gráficos 2D en Python.
Permite crear una gran variedad de tipos de gráficos,
Matplotlib 0.90 incluyendo barras, líneas, dispersión y mapas de calor.
Seaborn 0.80 Librería que amplía las capacidades de Matplotlib para la
creación de gráficos estadísticos de alta calidad.
Permite el aprendizaje automático y la minería de datos.
Scikit-learn 0.70 Ofrece una amplia gama de algoritmos para clasificación,
regresión, clustering y otras tareas de análisis de datos.
Es el líder para el desarrollo de modelos de aprendizaje
profundo. Permite crear y entrenar redes neuronales
TensorFlow 0.69 artificiales para una amplia gama de tareas, como el
reconocimiento de imágenes, el procesamiento del
lenguaje natural y la generación de texto.
Permite el aprendizaje profundo, que ofrece una sintaxis
PyTorch 0.65 similar a Python y una gran comunidad de usuarios.
Geopandas 0.50 Librería para trabajar con datos geoespaciales y permite
crear mapas y visualizaciones geográficas.

Matriz 2. Matriz de evaluación librerías de python

 17

Conclusiones

Las herramientas Python se han vuelto indispensables en las organizaciones, ya que ayudan

a impulsar la innovación que hace que la ingeniería industrial sea más eficiente y competitiva, ya

que se espera que la implementación continua siga cambiando la forma en que diseñan, gestionan

y optimizan los procesos industriales en todo el mundo.

De acuerdo con el análisis de las librerías se determina la selección de la librería adecuada

depende de las necesidades específicas del proyecto, la complejidad de los datos y las habilidades

del usuario. Sin embargo, Numpy y Pandas son las librerías fundamentales en la practica ya que

son las mas usadas e implementadas en el área de la ingeniería. Por otro lado, Matplotlib y Seaborn

son opciones versátiles para una amplia gama de tareas de visualización, mientras que Plotly y

Bokeh son ideales para crear gráficos interactivos y aplicaciones web. Geopandas es indispensable

para trabajar con datos geoespaciales, y Pygal es útil para crear gráficos simples y rápidos.
 18

Bibliografía

Gonzalez, J. (2023, September 18). introducción a Google Colab para principiantes ¿Qué es?

¿cómo se usa? | Guía, Mini curso. YouTube. Retrieved May 2, 2024, from

https://www.youtube.com/watch?v=9g61bnipcSs

Google Colab. (n.d.). Google Colab. Retrieved May 2, 2024, from

https://research.google.com/colaboratory/intl/es/faq.html

Libreria Pandas-Python con Google Colab - GOOGLE COLAB “Google Colab” es una

herramienta para. (n.d.). Studocu. Retrieved May 2, 2024, from

https://www.studocu.com/co/document/servicio-nacional-de-aprendizaje/administracion-

y-control-de-inventarios/libreria-pandas-python-con-google-colab/88548463

OpenAI. (2018). OpenAI's GPT (Generative Pre-trained Transformer). OpenAI.

https://openai.com/gpt

Librerías de Python, ¿qué son y cuáles son las mejores? (2022, March 17). Immune

Technology Institute. Retrieved May 2, 2024, from https://immune.institute/blog/librerias-

python-que-son/

Librerías más populares de Python. (n.d.). Código Facilito. Retrieved May 2, 2024, from

https://codigofacilito.com/articles/164

Lista de las mejores librerías de Python para el 2022. (2021, November 5). Crehana. Retrieved

May 2, 2024, from https://www.crehana.com/blog/transformacion-digital/librerias-python/

Gemini Research. (2024). Gemini: A Large Language Model for Research and Education.

https://deepmind.google/technologies/gemini/.

Murphy, E. (2023, April 27). GOOGLE COLAB: Programar en Python Sin Instalar Nada.

YouTube. Retrieved May 2, 2024, from

https://www.youtube.com/watch?v=ZwtDVIVB58A
 19

Programando con Python en la Nube: La guía definitiva de Google Colab (Colaboratory). (2023,

June 5). YouTube. Retrieved May 2, 2024, from

https://www.youtube.com/watch?v=b9yi63T4KNI

Tips Google Colab: Instalar librerías custom con pip. (2021, April 9). YouTube. Retrieved May 2,

2024, from https://www.youtube.com/watch?v=DUGqDBVkUxo