[AFO0289D6] Diplomado en Análisis de Datos

[MOD0248BW] Análisis de Datos

[UDI150Y2C] Python y el análisis de datos

Introducción

Python es un lenguaje de programación interpretado multiparadigma, es decir, soporta la

programación orientada a objetos, la programación imperativa y, en menor medida, la programación

funcional.

En la presente unidad vamos a realizar una introducción a Python y los requisitos necesarios para su

utilización, además vamos a profundizar en las librerías para el análisis de datos en Python.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
1 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Objetivos

Entender el uso de diferentes lenguajes de programación para el análisis de datos.

Aprender los conceptos principales de Python.

Conocer en profundidad las librerías para el análisis de datos en Python

Saber integrar Python con MongoDB y Hadoop.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
2 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Mapa Conceptual

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
3 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

1. Introducción a Python

El análisis de datos se ha convertido actualmente en un proceso importante dentro de las empresas,

las cuales requieren identificar variables vitales de sus consumidores para poder ofrecer mejores

servicios a estos. Como hemos visto, conocer las tendencias del mercado y conocer porqué suceden

ciertas situaciones en las empresas son la base para tomar las decisiones correctas.

[[[Elemento Multimedia]]]

s
Python, por ser un lenguaje muy flexible, ofrece herramientas para realizar el procesamiento de

.e
datos de manera muy precisa. Es un lenguaje de programación interpretado multiparadigma, es

u
decir, soporta la programación orientada a objetos, la programación imperativa y, en menor medida,

ed
la programación funcional. Fue creado por Guido Van Rossum, usa tipado dinámico, es

multiplataforma y debido a que es de código libre, la comunidad de desarrolladores ha creado

a.
librerías o módulos para hacer casi cualquier cosa. Su filosofía hace hincapié en una sintaxis que
ov
favorezca un código legible, de ahí que la curva de aprendizaje de este lenguaje de programación

sea sencilla y rápida.

nn
oi

1.1. Principales características de Python

r
eu

Aunque ya hemos hablado prácticamente de todas ellas, a continuación resumimos algunas de las

generalidades o características que presenta Python como:

s.
lm

Simple: Es un lenguaje simple y minimalista. Permite concentrarse en la solución del problema

en lugar de la sintaxis.
u.

Sencillo de aprender: Debido a su simplicidad, aprenderlo resulta bastante fácil.

si

Libre y código abierto: Se puede distribuir libremente, leer su código fuente, hacerle

cambios, etc. Esto ha contribuido a que este lenguaje se haya vuelto tan bueno y estable,

debido a la comunidad que existe en torno a él con el afán de mejorarlo.

Lenguaje de alto nivel: Abstrae el problema de manejo de memoria u otros detalles de bajo

nivel.

Portable: Por ser Open Source, Python ha sido portado a diferentes plataformas. Todos los

programas podrán ejecutarse en alguna de esas plataformas sin requerir cambio alguno. Se

siu.lms.euroinnova.edu.es
4 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

debe, no obstante, ser cuidadoso de evitar las características con dependencia del sistema.

Interpretado: No existen compilaciones separadas y pasos de ejecución. Solo es necesario

ejecutar el código fuente, internamente Python convierte el código fuente en una forma

intermedia llamada bytecodes y después lo traduce en el nativo del computador para

ejecutarlo.

Orientado a objetos: El programa está construido sobre procedimientos o funciones

reutilizables.

s
Ampliable: Puede ser modificado por la comunidad en el caso de necesitar nuevas funciones o

.e
mejorar las existentes.

u
Librerías extendidas: Python contiene una gran cantidad de librerías, tipos de datos y

ed
funciones incorporadas en el propio lenguaje, que ayudan a realizar muchas tareas comunes

sin necesidad de tener que programarlas desde cero. Estas librerías pueden ayudas a hacer

a.
varias cosas como expresiones regulares, generación de documentos, evaluación de unidades,
ov
pruebas, procesos, bases de datos, navegadores web, CGI, ftp, correo electrónico, XML, XML-

RPC, HTML, archivos WAV, criptografía, GUI, y otras funciones dependientes del sistema.
nn

Modo interactivo: El intérprete de Python estándar incluye un modo interactivo en el cual se

oi

escriben las instrucciones en un intérprete de comandos: las expresiones pueden ser

introducidas una a una, pudiendo verse el resultado de su evaluación inmediatamente, lo que

r
eu

da la posibilidad de probar pociones de código en el modo interactivo antes de integrarlo como

parte de un programa.
s.
lm

En la última década Python ha experimentado un importantísimo aumento del número de

programadores y empresas que lo utilizan. Google por ejemplo, usa Python como uno de sus
u.

principales lenguajes de desarrollo (otros son Java y C++). También Youtube usa Python en sus
si

sistemas de explotación. Industrial Light & Magic (la empresa de efectos especiales de George

Lucas) y Pixar recurren a Python en sus sistemas de producción cinematográfica.

[[[Elemento Multimedia]]]

1.2. Programando con Python

Cuando programamos utilizamos un conjunto de herramientas a las que denominamos entorno de

programación. Entre estas herramientas tenemos editores de texto (que nos permiten escribir

siu.lms.euroinnova.edu.es
5 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

programas), compiladores o intérpretes (que traducen los programas a código máquina),

depuradores (que ayudan a detectar errores), analizadores de tiempo de ejecución (para estudiar la

eficiencia de los programas), herramientas para la ejecución de pruebas unitarias (para asegurarnos

de que no introducimos nuevos errores al ir desarrollando), analizadores de cobertura (para

asegurarnos de que todo el código ha sido puesto a prueba), generadores de documentación (que

generan documentación en formatos como HTML a partir de comentarios en los programas),

analizadores estáticos (que detectan patrones típicos en código erróneo y nos advierten de

s
problemas potenciales), sistemas de control de versiones (que permiten que varios programadores

.e
colaboren en un mismo programa, recuperar cualquier versión del programa, crear ramas de

u
desarrollo en paralelo…), etc.

ed
Los lenguajes interpretados como Python, suelen ofrecer una herramienta de ejecución interactiva.

a.
Con ella es posible dar órdenes directamente al intérprete y obtener una respuesta inmediata para

cada una de ellas. Es decir, no es necesario escribir un programa completo para empezar a obtener
ov
resultados de ejecución, no obstante cuando tenemos mucho código es preferible guardarlo en un
nn

archivo con extensión .py que posteriormente podemos ejecutar desde nuestro intérprete. El entorno

interactivo es de gran ayuda para experimentar con fragmentos de programa antes de incluirlos en
oi

una versión definitiva.

r
eu

Tipos de datos y variables

En algunos lenguajes de programación, las variables se pueden entender como “cajas” en las que se
s.

guardan los datos, pero en Python las variables son “etiquetas” que permiten hacer referencia a los
lm

datos (que se guardan en unas “cajas” llamadas objetos).

u.

Python es un lenguaje de programación orientado a objetos y su modelo de datos también está

si

basado en objetos.

Para cada dato que aparece en un programa, Python crea un objeto que lo contiene. Cada objeto

tiene:

Un identificador único (un número entero, distinto para cada objeto). El identificador permite a

Python referirse al objeto sin ambigüedades.

Un tipo de dato (entero, decimal, cadena de caracteres, etc.). El tipo de dato permite saber qué

siu.lms.euroinnova.edu.es
6 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

operaciones pueden hacerse con el dato.

Un valor (el propio dato).

Así, las variables en Python no guardan los datos, sino que son simples nombres para poder hacer

referencia a esos objetos. De manera que si escribimos la instrucción:

a=2

s
Python:

u .e
Crea el objeto “2”. Ese objeto tendrá un identificador único que se asigna en el momento de la

ed
creación y se conserva a lo largo del programa. En este caso, el objeto creado será de tipo

número entero y guardará el valor 2.

a.
Asocia el nombre a al objeto número entero 2 creado.
ov
La variable a es como una etiqueta que nos permite hacer referencia al objeto “2”, más cómoda de
nn

recordar y utilizar que el identificador del objeto.

oi

Por otro lado, en Python se distingue entre objetos mutables y objetos inmutables:
r
eu

Los objetos inmutables: son objetos que no se pueden modificar. Por ejemplo, los números, las
s.

cadenas y las tuplas son objetos inmutables.

Los objetos mutables: son objetos que se pueden modificar. Por ejemplo, las listas y los
lm

diccionarios son objetos mutables.

u.

Definir una variable

si

Las variables en Python se crean cuando se definen por primera vez, es decir, cuando se les asigna

un valor por primera vez. Para asignar un valor a una variable se utiliza el operador de igualdad (=).

Al a izquierda de la igualdad se escribe el nombre de la variable y a la derecha el valor que se le

quiere dar a la variable.

siu.lms.euroinnova.edu.es
7 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

En el ejemplo de la imagen anterior, hemos definido la variable de nombre “x” a la que hemos

asignado el valor decimal 2.5. Si escribimos x en el intérprete y pulsamos Enter, éste nos devuelve el

s
.e
valor de la variable definida. En el caso de que intentemos acceder al contenido de una variable que

no ha sido definida previamente, se mostrará un mensaje de error.

u
ed
a.
ov
nn
oi

Una variable puede almacenar diferentes tipos de datos, que veremos más adelante, en el caso de
r

que se desee almacenar una cadena texto dentro de una variable debe escribirse entre comillas
eu

simples (‘) o dobles (“), ya que de lo contrario Python supone que estamos haciendo referencia a otra

variable en lugar de a una cadena de texto.

s.
lm

El nombre de una variable debe empezar por una letra o por un guion bajo (_) y puede seguir como

más letras, números o guiones bajos. Se debe tener en cuenta a la hora de nombrar las variables que
u.

Python distingue entre mayúsculas y minúsculas. Así mismo, el nombre de las variables puede
si

contener cualquier carácter alfabético y guiones bajos, lo que no puede incluir es espacios en

blanco.

Al igual que en otros lenguajes de programación, en Python existen una serie de palabras

reservadas que no pueden usarse como nombres de variables. Estas palabras reservadas son las

que forman el núcleo del lenguaje y se incluyen en el cuadro siguiente:

False class finally is return

None continue for lambda try

siu.lms.euroinnova.edu.es
8 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

True def from nonlocal while

and del global not with
as elif if or yield
assert else import pass
break except in raise

Asignaciones aumentadas

Cuando una variable se modifica a partir de su propio valor, se puede utilizar la denominada

s
asignación aumentada, una notación compacta que existe también en otros lenguajes de

.e
programación.

u
Así tendríamos las siguientes asignaciones aumentadas y su equivalente:

ed
Asignación Aumentada Equivalencia

a.
a += b a=a+b ov
a -= b a=a-b
a *= b a=a*b
nn

a /= b a=a/b
a **= b a = a ** b
oi

a //= b a = a // b
a %= b a=a%b
r
eu

Lo que Python no permite son los operadores de incremento (++) o decremento (--) que sí está

disponible en otros lenguajes de programación.

s.

Definir y modificar varias variables simultáneamente

lm

En una misma línea se pueden definir de forma simultánea varias variables, con el mismo valor o con
u.

valores distintos como se muestra a continuación:

si

siu.lms.euroinnova.edu.es
9 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Si el número de variables no coinciden con el de valores, Python genera un mensaje de error, como
ov
se muestra a continuación:
nn
r oi
eu
s.
lm
u.
si

Antes de ver los diferentes tipos de datos, cabe destacar comentar que existe una función en python

llamada type (tipo) que nos devuelve el tipo de dato del objeto indicado.

siu.lms.euroinnova.edu.es
10 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Tipo de dato numérico ov
En python se pueden representar números enteros, reales y complejos.
nn

Enteros: Los números enteros son aquellos que no tienen decimales, tanto positivos como
oi

negativos (además del cero). En python se pueden representar mediante el tipo int (integer) o

el tipo long (largo). La única diferencia es que el tipo long permite almacenar números más
r
eu

grandes. Es aconsejable no utilizar el tipo long a menos que sea necesario, para no malgastar

memoria.
s.
lm

El tipo int de Python se implementa a bajo nivel mediante un tipo long de C, y dado que python

utiliza C por debajo, el rango de los valores que puede representar depende de la plataforma. En la
u.

mayor parte de las máquinas el long de C se almacena utilizando 32 bits, es decir, mediante el uso
si

de una variable de tipo int de Python podemos almacenar número de -231 a 231-1, o lo que es lo

mismo, de -2.147.483.648 a 2.147.483.647.

En plataformas de 64 bits, el rango es de -9.223.372.036.854.775.808 hasta

9.223.372.036.854.7754.807.

El tipo long de Python, permite almacenar números de cualquier precisión, limitado por la memoria

disponible en la máquina.

siu.lms.euroinnova.edu.es
11 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Cuando asignamos un número a una variable, esta pasará a tener tipo int, a menos que el número

sea tan grande como para requerir el uso del tipo long.

Reales: Los números reales son los que tienen decimales. En Python se expresan mediante el

tipo float, que está implementado a bajo nivel mediante una variable de tipo doublé de C, es

decir, utilizando 64 bits, por lo que en Pythin siempre se utiliza doble precisión, en concreto se

sigue el estándar IEEE 754: 1 bit para el signo, 11 para el exponente, y 52 para la mantisa.

Esto significa que los valores que podemos representar van desde ±2,2250738585072020 x

s
.e
10-308 hasta ±1,7976931348623157 x 10308.

u
ed
Debido a las limitaciones, impuesta por el hardware, en lo que respecta al esquema de

representación interna para el tipo de dato Real, desde Python 2.4 contamos también con un nuevo

a.
tipo Decimal, para el caso de que se necesite representar fracciones de forma más precisa.
ov
Para representar un número real en Pyhton, se escribe primero la parte entera, seguido de un punto
nn

y por último la parte decimal. También se puede utilizar notación científica, y añadir una e (de

exponente) para indicar un exponente en base 10.

r oi

Complejos: Los números complejos son aquellos que tienen parte imaginaria. La mayor parte
eu

de lenguajes de programación carecen de este tipo, aunque sea muy utilizado por ingenieros y

científicos en general.
s.
lm

En Python estamos ante el tipo de dato complex, también se almacena usando como flotante, debido
u.

a que estos números son una extensión de los números reales. En concreto se almacena en una

estructura de C, compuesta por dos variables de tipo double, sirviendo una de ellas para almacenar
si

la parte real y la otra para la parte imaginaria.

siu.lms.euroinnova.edu.es
12 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Operadores aritméticos ov
Se tratan de los operadores por defectos para usar con los tipos de datos numéricos definidos. Para

operaciones matemáticas más complejas podemos recurrir al módulo math.

nn

Operador Descripción Ejemplo

oi

+ Suma de elementos r = 3 + 2 # r es 5
r

- Resta de elementos r = 4 – 7 # r es -3
eu

- Negación r = -7 # r es -7
* Multiplicación r = 2 * 6 # r es 12
s.

** Exponente r = 2 ** 6 # r es 64
lm

/ División r = 3.5 / 2 # r es 1.75

// División entera r = 3.5 // 2 # r es 1.0
u.

% Módulo: El resultado es el resto de la división r = 7 % 2 # r es 1

si

Operadores a nivel de bit

Estos operadores actúan sobre las representaciones en binario de los operadores. Por ejemplo, una

operación como 3 & 2, se traduce como un and entre los números binarios 11 y 10 (la

representación binaria de los números 3 y 2).

El operador and (&), devuelve 1 si el primer bit operando es 1 y el segundo bit operando es 1. Se

devuelve 0 en caso contrario.

siu.lms.euroinnova.edu.es
13 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

El operador or (|), devuelve 1 si el primer operando es 1 o el segundo operando es 1. Para el resto de

casos devuelve 0.

El operador xor u or exclusivo (^) devuelve 1 si uno de los operandos es 1 y el otro no lo es.

El operador not (~), sirve para negar uno a uno cada bit; es decir si el operando es 0, cambia a 1 y si

es 1, cambia a 0.

Por último, los operadores de desplazamiento (<< y >>) sirven para desplazar los bits n posiciones

s
.e
hacia la izquierda o la derecha

u
Operador Descripción Ejemplo

ed
& and r = 3 & 2 # r es 2
| or r = 3 | 2 # r es 3

a.
^ xor r = 3 ^ 2 # r es 1
~ not R = ~3 # r es -4
ov
<< Desplazamiento izquierda r = 3 << 1 # r es 6
nn

>> Desplazamiento derecha r = 3 >> 1 # r es 1

Tipo de dato Cadena

oi

En python un String o Cadena es una secuencia (ordenada de izquierda a derecha) de caracteres.

r
eu

Las cadenas comienzan y terminan con comillas dobles o simples. Dentro de las comillas se pueden

añadir caracteres especiales escapándolos con ‘|’, como ‘\n’, que es el carácter de nueva línea o ‘\t’,
s.

el de tabulación.
lm

Una cadena puede estar precedida por el carácter ‘u’ o el carácter ‘r’, los cuales indican que se trata
u.

de una cadena que utiliza codificación Unicode o Raw respectivamente. Las cadenas raw se
si

distinguen de las normales en que los caracteres escapados mediante una barra invertida ‘\’ no se

sustituyen por sus contrapartidas, lo que es especialmente útil para las expresiones regulares.

Existen diferentes funciones para trabajar con las cadenas, como por ejemplo la función len(), que se

utiliza para contar los caracteres de una cadena. También podemos acceder a los caracteres de una

cadena mediante [], donde el índice de los caracteres de una cadena comienza en 0 si accedemos

desde la izquierda y en -1 si lo hacemos desde la derecha (último).

También es posible encerrar una cadena entre triple comillas (simples o dobles). De esta forma

siu.lms.euroinnova.edu.es
14 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

podremos escribir el texto en varias líneas, y al imprimir la cadena, se respetarán los saltos de línea

que introdujimos sin tener que recurrir al carácter \n, así como las comillas sin tener que escaparlas.

El módulo string

El módulo string contiene funciones útiles que manipulan cadenas. Es necesario importar el módulo

antes de poder usarlo.

s
u .e
ed
a.
ov
nn
r oi
eu

Para averiguar más sobre un objeto de la lista, podemos usar el comando type. Para ello se debe

especificar el nombre del módulo seguido por el objeto usando la notación punto.
s.
lm
u.
si

siu.lms.euroinnova.edu.es
15 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Algunas funciones para usar con cadenas

Como vimos en puntos anteriores, un String es una secuencia de caracteres, así, cada uno de ellos

tiene asociada una posición, a la que podemos acceder mediante []. Así por ejemplo si queremos

imprimir la segunda letra de una cadena, podríamos hacer lo siguiente:

s
u .e
ed
a.
ov
nn
r oi

Función len(): Sirve para medir la longitud de una cadena

eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
16 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Función lower(): Convierte la cadena de texto en minúsculas

s
u .e
ed
a.
ov
Función upper(): Convierte la cadena de texto en mayúsculas
nn
r oi
eu
s.
lm
u.
si

Función str(): Con esta función podemos hacer “casting” de variables, lo que nos permite

convertir cualquier tipo de dato en cadena.

siu.lms.euroinnova.edu.es
17 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
+ : Sirve para concatenar cadenas ov
nn
r oi
eu
s.
lm
u.
si

%: Nos permite formatear cadenas. Así por ejemplo, el ‘%s’ indica una variable de tipo String

(de ahí la ‘s’), y con el ‘% (cadena)’ estamos especificando que se trata del String ‘cadena’.

siu.lms.euroinnova.edu.es
18 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
input(): Nos permite leer datos desde teclado
ov
nn
r oi
eu
s.
lm
u.
si

Tipo de dato Booleano

Una variable de tipo booleano puede tener dos valores: True (cierto) y False (falso). Estos valores

son especialmente importantes para las expresiones condicionales y los bucles.

Entre los operadores con los que podemos trabajar con el tipo de dato bool, son los llamados

siu.lms.euroinnova.edu.es
19 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

operadores lógicos o condicionales:

Operador Descripción Ejemplo

and ¿se cumple a y b? r = True and False # r es False
or ¿se cumple a o b? r = True or False # r es True
not No a r = not True # r es False
== ¿son iguales a y b? r = 5 == 3 # r es False
!= ¿son distintos a y b? r = 5 != 3 # r es True
> ¿es a mayor que b? r = 5 > 3 # r es True

s
< ¿es a menor que b? r = 5 < 3 # r es False

.e
<= ¿es a menor o igual que b? r = 5 <= 3 # r es False

u
>= ¿es a mayor o igual que b? r = 5 >= 3 # r es True

ed
Tipo de dato Tuplas

a.
Las tuplas son un tipo de recipiente que contiene una serie de valores separados por comas entre
ov
paréntesis. Las tuplas son inmutables (es decir, no pueden cambiar su contenido una vez creadas).
nn
r oi
eu
s.
lm
u.
si

Las tuplas tienen muchos usos. Por ejemplo: pares ordenados (x,y), registros de empleados de una

base de datos, etc. Como hemos definido al principio, las tuplas, al igual que las cadenas, son

inmutables, esto es que no es posible asignar a los ítems individuales de una tupla. También es

posible crear tuplas que contengan objetos mutables como listas (de las que hablaremos más

adelante).

siu.lms.euroinnova.edu.es
20 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Un problema particular es la construcción de tuplas que contengan 0 o 1 ítem: la sintaxis presenta

algunas peculiaridades para estos casos. Las tuplas vacías se construyen mediante un par de

paréntesis vacío; una tupla con un ítem se construye poniendo una coma a continuación del valor.

s
u .e
ed
a.
ov
nn

Tipo de dato Conjunto

oi

Un conjunto, es una colección no ordenada y sin elementos repetidos. Los usos básicos de éstos

incluyen verificación de pertenencia y eliminación de entradas duplicadas.

r
eu

Soportan entre otras, las operaciones matemáticas como la unión, intersección, diferencia, y
s.

diferencia simétrica.
lm

Para crear un conjunto pueden usarse las llaves {} o la función set(). Se debe tener en cuenta que

para crear un conjunto vacío debe usarse set() y no las llaves {}, ya que esto último lo que crearía
u.

sería un tipo de dato Diccionario vacío.

si

siu.lms.euroinnova.edu.es
21 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
oi

Tipo de dato Listas

r
eu

Las listas en Pythom son variables que almacenan arrays, internamente cada posición puede ser un

tipo de dato distinto.

s.

Una lista se puede escribir como una lista de valores separados por comas y entre corchetes.
lm

A continuación se muestran algunos de los métodos de los objetos lista:

u.

Método Descripción
si

list.append(x) Agrega un ítem al final de la lista. Equivale a a[len(a):] = [x]

list.extend(L) Extiende la lista agregándole todos los ítems de la lista dada. Equivale
a a[len(a):]= L
list.insert(i,x) Inserta un ítem en una posición dada. El primer argumento es el
índice del ítem delante del cual se insertará, por lo tanto a.insert(0,x)
inserta al principio de la lista, y a.insert(len(a),x) equivale a
a.append(x).
list.remove(x) Quita el primer elemento de la lista cuyo valor sea x. Dará un error si
el ítem a borrar no existe

siu.lms.euroinnova.edu.es
22 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

list.pop([i]) Quita el ítem en la posición dada de la lista, y lo devuelve. Si no se

especifica un índice, a.pop() quita y devuelve el último elemento de la
lista. (Los corchetes que encierran a i en la llamada al método
denotan que el parámetro es opcional, no se deben escribir corchetes
para indicar la posición).
list.clear() Quita todos los elementos de la lista. Es equivalente a del a[:]
list.index(x) Devuelve el índice en la lista del primer ítem cuyo valor sea x. Dará
un error si no existe tal ítem.
list.sort(key=None, Ordena los ítems de la lista
reverse=False)
list.reverse() Invierte los elementos de la lista

s
.e
List.copy() Devuelva una copia superficial de la lista. Equivale a a[:]
Estos métodos sobre el tipo de dato lista, hacen que resulte muy fácil usar una lista como una pila,

u
donde el último elemento añadido es el primer elemento retirado (último en entrar, primero en

ed
salir). Para agregar un ítem a la cima de la pila usamos append() y para retirar un ítem de la cima

a.
de la pila usamos pop() si índice explícito. ov
También es posible usar una lista como una cola, donde el primer elemento añadido es el primer

elemento que se retira (primero en entrar, primero en salir); sin embargo, las listas no son eficientes
nn

para este propósito. Agregar y sacar del final de la lista es rápido, pero insertar o sacar del comienzo
oi

de una lista es lento (porque el resto de elementos tiene que ser desplazados uno por uno). La mejor
r

opción para implementar una cola es hacer uso de collections.deque, que fue diseñado para sacar y
eu

agregar de ambos extremos de forma rápida y eficaz.

s.
lm
u.
si

siu.lms.euroinnova.edu.es
23 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
oi

Tipo de dato Diccionario

r

Este tipo de dato, define una relación uno a uno entre claves y valores. Los diccionarios a diferencia
eu

de las tuplas, que se indexan mediante un rango numérico, se indexan con claves, que pueden ser
s.

cualquier tipo inmutable; las cadenas y números siempre pueden ser claves. Las tuplas asimismo

pueden usarse como claves si solamente contienen cadenas, número o tuplas; si una tupla contiene
lm

cualquier objeto mutable directa o indirectamente, no puede usarse como clave. No pueden usarse
u.

las listas como claves, ya que estas pueden modificarse.

si

Podemos por tanto definir el tipo de dato diccionario como un conjunto no ordenado de pares

clave:valor, con el requerimiento de que las claves sean únicas (dentro de un diccionario particular).

Un par de llaves {}, creará un diccionario vacío. Colocar una lista de pares clave:valor separados

por comas entre las llaves añade esos pares iniciales al diccionario.

Las operaciones básicas sobre los diccionarios son guardar un valor con una clave y extraer ese

valor dada la clave. También es posible borrar un par clave:valor con del. Se puede sobreescribir el

valor para una determinada clave.

siu.lms.euroinnova.edu.es
24 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

El método keys() de un diccionario devuelve una lista de todas las claves en uso para un

determinado diccionario, en un orden arbitrario (si se quieren ordenadas, será necesario usar el

método sort() sobre la lista de claves). Para saber si una clave está en el diccionario utilizamos in.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
25 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

2. ¿Qué necesitas?

Como ya hemos visto en el punto anterior, Python es multiplataforma, por lo que funciona tanto en

Windows, como MacOs o Linux.

Los archivos de python tienen la extensión .py, son archivos de texto que son interpretados por el

compilador. Para poder ejecutar programas en Python, necesitamos en primer lugar el intérprete de

Python, y en segundo lugar el código que queremos ejecutar.

s
.e
Se debe tener en cuenta que Python es “case sensitive” lo que quiere decir que diferencia entre

u
mayúsculas y minúsculas.

ed
Sin retroceder a la pestaña anterior, aclara si la siguiente afirmación es

a.
verdadera o falsa: "Los archivos de python tienen la extensión .py, son archivos de
ov
texto que son interpretados por el compilador. Para poder ejecutar programas en
Python, necesitamos en primer lugar el código que queremos ejecutar y en
segundo lugar el intérprete de Python"
nn

Respuesta correcta
r oi

Respuesta incorrecta
eu
s.
lm

2.1. Instalación
u.

Para empezar a trabajar con Python en un entorno de Big Data y Business Intelligence, instalaremos
si

una distribución gratuita llamada Anaconda, que pese a estar disponible solo en inglés, incluye

multitud de utilidades que facilitarán el trabajo y es ideal para empezar en este entorno. Para

instalarla simplemente tendremos que descargar la versión de Anaconda según el sistema operativo

en el que estemos trabajando.

El proceso de instalación es automático, pero a continuación se muestran las diferentes ventanas

que nos irán apareciendo en un entorno de Windows.

siu.lms.euroinnova.edu.es
26 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn

Seleccionamos la opción de instalación sólo para nuestro usuario

r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
27 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn

Dejamos las opciones marcadas por defecto, ya que son clave para que el sistema pueda invocar a

Python cuando sea necesario:

r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
28 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Comienza el proceso de instalación

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Finalizado el proceso de instalación, pulsamos next.

siu.lms.euroinnova.edu.es
29 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Tras estos sencillos pasos ya tendremos instalado la versión de Anaconda en nuestro ordenador.

2.2. Utilidades instaladas

siu.lms.euroinnova.edu.es
30 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Spyder

s
u .e
ed
a.
ov
Spyder es un entorno de desarrollo en Python, orientado a científicos y con características similares
nn

a MATLAB:
oi

Consola con visualizador de variables.

r
eu

Visualizador de sys.path.

Visualizador de variables de entorno.

s.

Funciones de dibujo de gráficos integrados.

lm

Autocompletado.

Editor con resaltado de sintaxis.

u.

Navegador de clases/funciones.
si

Análisis de código.

Autocompletado de código.

Está disponible tanto para Windows como para Linux.

IPython

siu.lms.euroinnova.edu.es
31 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
IPython es un Shell interactivo que añade funcionalidades extra al modo interactivo incluido con

Python, como resaltado de líneas y errores mediante colores, una sintaxis adicional para el Shell,

a.
autocompletado mediante tabulador de variables, módulos y atributos; entre otras funcionalidades.
ov
Actualmente multitud de paquetes utilizan IPython como librería o como intérprete interactivo. Es
nn

multiplataforma, software libre, y debido a la gran comunidad que tiene detrás, está en constante

desarrollo y bien organizado, lo que lo hace extremadamente potente.

r oi

IPython comenzó en 2001 de la mano de Fernando Pérez, un investigador colombiano en Física de

eu

partículas. Lo importante de este programa es que nació en un ámbito científico de la mano de

s.

investigadores que demandaban un entorno más interactivo.

lm

Funciones básicas de IPython

u.

Autocompletado: El autocompletado es una característica muy útil para no que tener que
si

escribir un código y también, por ejemplo, para inspeccionar objetos rápidamente. Se activa

con la tecla Tab. Funciona tanto con opciones instaladas como con variables definidas propias.

Historial: El historial es una manera de recuperar resultados antiguos que no hemos guardado

en una variable. Como las entradas en IPython están numeradas, no hay más que hacer

referencia a la salida correspondiente: por ejemplo, si queremos recuperar el resultado

obtenido en OUT[1], utilizaremos la variable _1.

siu.lms.euroinnova.edu.es
32 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Ayuda: La ayuda de IPython nos permite leer la documentación de objetos, funciones, etc., así
ov
como el código fuente donde se definieron. Se invoca utilizando el signo de interrogación ?.
nn

Así pues, podemos llamar a la ayuda general de IPython como sigue

r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
33 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm

También podemos pedir ayuda de cualquier función o método de IPython de forma similar, por

ejemplo, si queremos obtener información de ‘%magic’ lo podemos hacer como se muestra a

u.

continuación:
si

siu.lms.euroinnova.edu.es
34 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Otra forma de llamar a la ayuda rápida de IPython sería con el comando %quickref:

s
u .e
ed
a.
ov
Guardar, editar, cargar: Con IPython también podemos guardar, editar y ejecutar archivos.

De esta forma, podemos aprovechar las ventajas del modo interactivo para llevar un registro de
nn

nuestros progresos.
oi

El comando íit lanza el editor de texto en consola por defecto.

r

La función %save recibe como argumentos el nombre del archivo que queremos y las
eu

líneas que queremos guardar en él.

s.

El comando %run nos permitirá ejecutar o cargar archivos. No debemos olvidar

ubicarnos en la carpeta que contiene dicho archivo.

lm
u.

Carpetas y consola: Podemos navegar en las carpetas con el comando ‘cd’ de la siguiente
si

forma:

siu.lms.euroinnova.edu.es
35 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Sin embargo, la política de IPython es que el lenguaje esté primero, por lo cual ‘cd’ puede asignarse
ov
como nombre de una variable lo que provocará que no podamos usar ‘cd’ como comando.
nn
r oi
eu
s.
lm
u.
si

Para solucionar el problema anterior podemos usar el comando ‘Í’:

siu.lms.euroinnova.edu.es
36 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
Otros comando: IPython cuenta con otros comandos especiales:

‘ !ping ’: Para hacer pruebas de red

nn
r oi
eu
s.
lm
u.
si

‘ %pwd ’ : Para saber en qué directorio nos encontramos actualmente

siu.lms.euroinnova.edu.es
37 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
ls: Podemos saber que archivos y carpetas hay en la carpeta actual
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
38 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Jupyter Notebook

s
u .e
ed
a.
ov
nn
r oi
eu
s.

El proyecto Jupyter Notebook, antes conocido como IPython Notebook, proporciona una aplicación
lm

Web que nos permite crear y compartir documentos que contienen código vivo, ecuaciones, textos,

visualizaciones, etc. Es decir, se trata de un entorno interactivo web de ejecución de código en el

u.

que, por ejemplo, se pueden incluir gráficas que ayuden en el análisis y explicación de los datos. Se
si

utiliza para facilitar la explicación y reproducción de estudios y análisis.

Desde la página de inicio de Jupyter Notebook, mostrada en la imagen anterior, se pueden o bien

crear cuadernos nuevos o abrir los existentes. Si hacemos clic en el botón NEW à Notebooks à

Python (default), veremos la página siguiente:

siu.lms.euroinnova.edu.es
39 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi

El área marcada con el mensaje In[]: es el área de entrada y ahí se puede escribir cualquier código
eu

Python válido, que se ejecutará cuando se presione Shift+Enter o se haga clic en el icono de Play (el
s.

triángulo que apunta a la derecha en la barra de herramientas).

lm

Con la tecla Enter normal podremos escribir varías líneas, y con Alt+Enter, pasaremos a un nuevo

bloque. El orden en que se ejecuten las líneas influye en los resultados. Se puede ejecutar todo de
u.

nuevo haciendo click en Cell à Run All. De esta forma todos los cálculos se reiniciarán, permitiendo
si

de una forma muy cómoda hacer modificaciones en los datos iniciales y ejecutar de nuevo todo el

proceso.

siu.lms.euroinnova.edu.es
40 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu

Interfaz de usuario de Jupyter Notebook

s.
lm
u.
si

Nombre del Notebook: Se puede cambiar el nombre haciendo click directamente sobre él. La

extensión del archivo será .ypynb

Menú: Es el menú de navegación en donde se tienen diferentes opciones para llevar a cabo

con el Notebook

Kernel: Es el nombre del kernel con el que trabaja el notebook actual. Se puede cambiar el

lenguaje del kernel desde la opción Kernel del Menú.

siu.lms.euroinnova.edu.es
41 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Barra de herramientas: Contiene los iconos para las acciones más comunes.

Celda para código: Es el espacio en donde se escribirá el código.

Jupyter QTConsole

s
u .e
ed
a.
ov
nn
r oi
eu
s.

La consola QT es una aplicación muy ligera que se asemeja en gran medida a un terminal, pero

ofrece una serie de mejoras en una única interfaz gráfica de usuario, tales como figuras en línea,
lm

edición de varias líneas con resaltado de sintaxis, gráficos, y mucho más.

u.

La consola QT puede usarse con cualquier kernel de Jupyter. Una de las características más
si

interesantes que ofrece la consola QT es, como ya hemos hablado, la posibilidad de incrustar figuras

en línea, éstas pueden representarse con matploit en IPython , o la biblioteca plotting elegida en el

kernel seleccionado.

siu.lms.euroinnova.edu.es
42 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
43 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

3. Librerías para el análisis de datos en Python

Una de las grandes ventajas que ofrece Python sobre otros lenguajes de programación, es lo grande

y prolifera que es la comunidad de desarrolladores que lo rodean; esta comunidad ha contribuido

con una gran variedad de librerías de primer nivel que extienden las funcionalidades del lenguaje.

Gracias a una serie de librerías que veremos a lo largo del presente punto, Python se utiliza

habitualmente para el cálculo estadístico y la visualización gráfica de los datos para extraer

s
conclusiones y tomar decisiones. Pero lo que hace interesante a Python es que no simplemente un

.e
lenguaje que permite visualizar datos, sino que también tiene una gran capacidad para automatizar

u
procesos, extraer datos o usarlo para aprendizaje automático. Con Python, podremos cambiar

ed
grandes grupos de datos a través de programación sencilla y simplificar la utilización de las APIs

a.
para capturar datos y extraer información.
ov
3.1. Cálculos matemáticos y estadísticos con Numpy y Pandas
nn

Los cálculos matemáticos y estadísticos están íntimamente relacionados con el análisis de datos y la
oi

toma de decisiones en Businees Intelligence, calcular el comportamiento de los datos y extraer

r

estadísticas de su evolución nos serán de utilidad como analistas de datos.

eu

En Python, existen varias librerías que nos pueden ayudar en estos cálculos, dos de ellas son Numpy
s.

y Pandas, cada una de las cuales está orientada a trabajar con los datos de una manera concreta a
lm

través de las funciones que implementan y que definiremos en mayor profundidad a lo largo del

presente punto.
u.
si

Numpy

Como cualquier otra librería de Python, cuenta con un sitio oficial, a través del cual se generan

actualizaciones y documentación, así como tutoriales relacionados con el uso de las funciones que

implementa este paquete.

Numpy, está pensada fundamentalmente para a computación científica, por lo que implementa

funciones para el manejo de vectores y matrices, así como de algebra linear. Otra característica

resaltable de este módulo, es que permite incorporar código fuente de otros lenguajes programación

siu.lms.euroinnova.edu.es
44 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

como C/C++ o Fortran, permitiendo un incremento en su compatibilidad e implementación.

Antes de comenzar a trabajar con las funcionalidades ofrecidas por esta librería, debemos

comprobar si ya la tenemos instalada dentro de nuestro paquete de Python en el entorno de

desarrollo que estamos utilizando, o si por el contrario debemos descargárnosla y proceder a su

instalación e integración. En Anaconda, el entorno de desarrollo con el que estamos trabajando en la

presente unidad didáctica, a partir de su versión 4.2.0 ya se incluye por defecto alrededor de 100 de

paquetes relacionados con el testeo y análisis de datos en Python, entre los que se encuentra la

s
librería Numpy, por tanto si nuestra versión se corresponde con esta o alguna posterior ya lo

.e
tendremos instalado.

u
ed
No obstante, para comprobar si tenemos Numpy integrado basta con abrir un terminal (Anaconda

Prompt) y ejecutar lo siguiente:

a.
ov
nn
r oi
eu
s.
lm
u.
si

Si tras la ejecución de la línea “import numpy as np” no nos aparece ningún error en el terminal es

porque tenemos la librería instalada, en caso contrario debemos proceder a su instalación. Por otro

lado, cuando importamos la librería para usar sus funciones dentro de nuestro código, nótese que

creamos una especie de “alias” y la renombramos como np (notación que generalmente se usa por

convenio), con la finalidad de no tener que escribir el nombre completo de la librería cada vez que

utilizamos algunas de las funciones que implementa.

Otra forma de comprobar si tenemos no solo esta librería sino cualquier otro paquete de nuestro

siu.lms.euroinnova.edu.es
45 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

interés, instalado para Python en nuestra versión de Anaconda, sería ejecutar en una consola de

comandos la línea siguiente:

conda list

Esto nos devuelve una lista con todos los paquetes y sus versiones que tenemos instalados. A

continuación, se muestra la ejecución de este comando en un terminal de Windows (cmd).

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Como se aprecia en la imagen anterior, nos aparecen por orden alfabético todos los paquetes que

tenemos instalados.

Por último, también podríamos comprobar si tenemos instalado un paquete concreto si ejecutamos

siu.lms.euroinnova.edu.es
46 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

en la consola de comandos la instrucción

conda search <nombre del paquete>

Lo que nos dará como resultado información referente al paquete que estamos buscando en el caso

de que lo tengamos instalado.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Si, por el contrario, no tenemos el paquete necesario instalado podemos desde un mismo terminal

proceder a su instalación mediante la ejecución de la línea siguiente:

conda install <nombre del paquete>

siu.lms.euroinnova.edu.es
47 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Igualmente, como se observa en la imagen anterior, cuando intentamos instalar un paquete que ya
ov
existe, se mostrará información de este paquete, así como la posibilidad de actualizarlo en el caso de

que se haya encontrado una versión más reciente.

nn

Como decíamos unas líneas más arriba, Numpy trabaja dentro del ámbito de la computación
oi

científica, en este espacio es muy común tener los datos en archivos escrito en código ASCII o en
r

formato de texto plano, para ello dentro de este módulo de Python, se incorporan varias funciones
eu

que nos permiten la lectura y escritura de estos archivos, facilitando así su manejo. Mostramos a

continuación algunas de estas funciones.

s.
lm

loadtxt: Es la función usada con más frecuencia para cargar datos en forma matricial. El único

argumento obligatorio es un nombre de archivo desde el que leer los datos. La función leerá
u.

todas las líneas (podemos indicarle que se salte las n primeras con el argumento skiprows),
si

excepto las que empiezan por # (podemos modificar esto utilizando el argumento comments).

Se presupone que los datos a partir de los que crear la matriz están separados por comas (se

puede cambiar el delimitador mediante el argumento delimiter), y devuelve un array de Numpy

de tipo float (también podemos asignar un nuevo tipo mediante el argumento dtype).

La sintaxis completa definida para esta función es:

numpy.loadtxt(fname,dtype=, comments='#', delimiter=None, converters=None, skiprows=0,

usecols=None, unpack=False, ndmin=0)

siu.lms.euroinnova.edu.es
48 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

load: Esta función nos permite cargar datos que estén en el formato comprimido utilizado por

Numpy (con extensión .npy o .npz).

La sintaxis completa definida para esta función es:

numpy.load(file, mmap_mode=None, allow_pickle=True, fix_imports=True, encoding='ASCII')

fromfile: En este caso la función nos permite leer aquellos datos que se encuentren en un

s
fichero con formato binario.

u .e
La sintaxis completa definida para esta función es:

ed
numpy.fromfile(file, dtype=float, count=-1, sep='')

a.
genfromtxt: El uso de esta función es muy similar al de loadtxt, ya que permite también la
ov
carga de datos desde un archivo de texto, pero en este caso genfromtxt nos permite la lectura

de documentos mal formateados o a los que les faltan valores en los datos.
nn

La sintaxis completa definida para esta función es:

r oi

numpy.genfromtxt(fname, dtype=<type 'float'>, comments='#', delimiter=None, skip_header=0,

eu

skip_footer=0, converters=None, missing_values=None, filling_values=None, usecols=None,

names=None, excludelist=None, deletechars=None, replace_space='_', autostrip=False,
case_sensitive=True, defaultfmt='f%i', unpack=None, usemask=False, loose=True,
s.

invalid_raise=True, max_rows=None)
lm

Al igual que Numpy nos permite la lectura de datos a partir de archivos, es lógico que tenga

implementada la opción contraria, la de escritura de nuestros datos en ficheros de texto. Para ello se
u.

implementa la función savetxt que de entre todos los argumentos de la que puede ir acompañada
si

sólo dos de ellos son obligatorios: el nombre del archivo y el array que se va a guardar. La sintaxis

completa definida para esta función es:

numpy.savetxt(fname, X, fmt='%.18e', delimiter=' ', newline='\n', header='', footer='',

comments='# ')

Creando arrays con Numpy

Para la creación de arrays a partir de Numpy podemos optar por cuatro formas distintas:

siu.lms.euroinnova.edu.es
49 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

A partir de secuencias de datos (listas o tuplas) de Python

Haciendo uso de funciones propias de Numpy

Leyendo los datos desde un fichero como ya hemos visto en el punto anterior.

Copiando otro array

La principal finalidad del módulo Numpy es la creación y modificación de arrays multidimensionales,

lo que se consigue a través de los métodos y funciones de la clase ndarray que implementa. A

s
continuación, mostramos un resumen de algunas de las funciones de esta clase.

.e
Atributo Descripción

u
ndim Devuelve el número de dimensiones del array

ed
shape Devuelve la dimensión del array, es decir, una tupla de enteros indicando el tamaño del
array en cada dimensión.

a.
size Proporciona el número total de elementos del array
dtype Es un objeto que describe el tipo de elementos del array
ov
itemsize Devuelve el tamaño en bytes del array
data El buffer contiene los elementos actuales del array.
nn

Entre las funciones para crear arrays, y dependiendo de las necesidades que demande el problema a
oi

resolver tenemos las siguientes funciones implementadas.

r

Atributo Descripción
eu

identity(n,dtype) Crea una matriz identidad, esto es, una

matriz cuadrada con unos en la diagonal,
s.

donde n es el tamaño de la matriz y dtype

el tipo de dato que contiene
lm

ones(shape,dtype) Crea un array de 1s compuesto de shape

elementos.
u.

zeros(shape,dtype) Crea un array de 0s compuesto de shape

elementos.
si

empty(shape,dtype) Crea un array de shape elementos sin

entrada.
eye(N,M,k,dtype) Crea un array bidimensional con 1s en la
diagonal k y 0s en el resto. Es similar a
identity. Los argumentos son opcionales,
siendo N el número de filas, M el número
de columnas y k el índice de la diagonal.
Cuando k=0 nos referimos a la diagonal
principal.

siu.lms.euroinnova.edu.es
50 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

arange([start,]stop[step,],dtype=None) Crea un array con un rango de valores a

partir del valor inicial start y hasta el valor
final stop, incrementando según el valor
almacenado en la variable step. Si no se
establece step, python creará un valor por
defecto.
linspace(start,stop,num,endpoint=True,retstep=False) Crea un array con valor inicial start, valor
final stop y num elementos.
meshgrid(x,y) Genera una matriz de coordenadas a
partor de dos arrays x e y.
Mostramos a continuación algunos ejemplos de uso de las funciones anteriores.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
51 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu

Creando matrices con Numpy

s.

Los objetos matriz son un subtipo de array bidimensional de Numpy (ndarray), y por tanto heredan
lm

todos los atributos y métodos de ndarry. La mayor ventaja que presentan las matrices es que

implementan la multiplicación entre este tipo de elementos, que reemplaza a la multiplicación de

u.

elemento a elemento de los arrays. Un ejemplo de esta diferencia en el producto, lo podemos ver a
si

continuación:

siu.lms.euroinnova.edu.es
52 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn

Como se observa en la imagen anterior, el resultado de multiplicar una matriz definida como un

array bidimensional o como un objeto matriz es diferente, esto es debido a lo que explicábamos unas
oi

líneas más arriba, la forma en que se implementa el producto en cada una de las clases es diferente.
r

Mientras que el producto de arrays multiplica uno a uno los elementos, en matrix el producto es el
eu

definido en el álgebra lineal para matrices.

s.

A parte del producto, dentro de la clase matrix, podemos hacer uso de todas las funciones del
lm

álgebra lineal como la transposición, la diagonalización, etc. Veamos algunos ejemplos:

u.
si

siu.lms.euroinnova.edu.es
53 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn

Con el paquete linalg podemos calcular el determinante (det), resolver ecuaciones lineales (solve) y
oi

calcular autovalores y autovectores.

r
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
54 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Entre los recursos del módulo dispone de un enlace a una lista de todas las funciones del algebra

lineal implementadas en el paquete linalg.

Polinomios en Numpy

Como hemos visto hasta ahora Numpy nos permite hacer cálculos de álgebra lineal, para lo que

dispone también de una clase para trabajar con polinomios (numpy.polynomial). Entre los recursos

del módulo encontrará un enlace a todos los objetos más usuales definidos en esta clase. Mostramos

s
a continuación algunos ejemplos de uso.

u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Concepto de Broadcasting

Broaadcasting es un mecanismo muy potente que permite a numpy trabajar con arrays de diferentes

dimensiones. Así, si los objetos con los que estamos operando no tienen las mismas dimensiones,

Numpy puede adaptar algunas de ellas para completar la operación.

Para llevar a cabo este mecanismo, Numpy alinea los arrays a la derecha y empieza a comprar las

siu.lms.euroinnova.edu.es
55 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

dimensiones por el final. Si son todas compatibles realiza la operación, y si no lanza un error.

Entendemos que dos dimensiones son compatibles si se cumple una de las dos condiciones

siguientes:

Son iguales, 0.

Una de ellas es 1.

Si los objetos no tienen las mismas dimensiones, pero son compatibles, se asume que las restantes

s
.e
son 1 en el array de menor dimensión. Vamos a ver esto mejor con algunos ejemplos.

u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
56 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Ejemplos de código con Numpy

A continuación, se muestran ejemplos de código Python que utiliza Pandas. El código se ejecuta en

un nuevo cuaderno de Jupyter.

# crear un nuevo ndarray

import numpy as np

s
.e
a = np.array([1,2,3])

u
print (a)

ed
# más de una dimensión

a.
ov
import numpy as np
nn

a = np.array([[1, 2], [3, 4]])

print (a)
r oi

# parámetro dtype para forzar un tipo de datos complejo en el array

eu

import numpy as np
s.

a = np.array([1, 2, 3], dtype = complex)

lm

print (a)
u.
si

siu.lms.euroinnova.edu.es
57 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn

# crear un nuevo con arange, con valores específicos

oi

import numpy as np
r
eu

x = np.arange(5)
s.

print (x)
lm

# Crear un array de valores float

u.

import numpy as np
si

# dtype set

x = np.arange(5, dtype = float)

print (x)

# Crear un array dando inicio, final y espacio entre valores

import numpy as np

siu.lms.euroinnova.edu.es
58 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

x = np.arange(10,20,2)

print (x)

s
.e
u
ed
a.
ov
nn
r oi
eu

# Mostrar la forma del array

s.

import numpy as np
lm

a = np.array([[1,2,3],[4,5,6]])
u.

print (a.shape)
si

# Redimensionar el array

import numpy as np

a = np.array([[1,2,3],[4,5,6]])

a.shape = (3,2)

print (a)

siu.lms.euroinnova.edu.es
59 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

# Remodelar el array

import numpy as np

a = np.array([[1,2,3],[4,5,6]])

b = a.reshape(3,2)

print (b)

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.

# Iterar sobre un array

si

import numpy as np

a = np.arange(0,60,5)

a = a.reshape(3,4)

print ('Array original:')

print (a)

siu.lms.euroinnova.edu.es
60 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

print ('\n')

print ('Array modificado:')

for x in np.nditer(a):

print (x)

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm

# Modificar el orden de las iteraciones

u.

import numpy as np
si

a = np.arange(0,60,5)

a = a.reshape(3,4)

print ('Array original:')

print (a)

print ('\n')

siu.lms.euroinnova.edu.es
61 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

print ('Transposición del array:')

b = a.T

print (b)

print ('\n')

print ('Orden según el estilo C:')

s
.e
c = b.copy(order = 'C')

u
print (c)

ed
for x in np.nditer(c):

a.
print (x,)
ov
print ('\n')
nn

print ('Orden según el estilo F:')

oi

c = b.copy(order = 'F')
r
eu

print (c)
s.

for x in np.nditer(c):
lm

print (x,)
u.
si

siu.lms.euroinnova.edu.es
62 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.

Pandas
lm

Pandas es una librería que aporta a Python unas estructuras de datos fáciles de usar y muy flexibles,
u.

que permiten trabajar con la información de forma muy eficiente. Además, implementa un gran
si

número de funciones esenciales para el análisis de datos.

Como cualquier otra librería de Python, cuenta con una página oficial desde donde se puede

descargar las últimas versiones, obtener documentación o participar en su comunidad.

En concreto, esta librería relacionada con la analítica de datos, funciona especialmente bien cuando

hay que trabajar con datos heterogéneos, series temporales o con grandes volúmenes de datos, pues

se obtiene un buen rendimiento.

siu.lms.euroinnova.edu.es
63 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Estructuras de datos de utilidad implementadas en Pandas

Como se comentaba al comienzo, Pandas dispone de unas estructuras de datos muy flexibles con las

que trabajar. Vamos a comentar dos de ellas que serán de utilidad para el análisis de datos.

Series

Estamos ante la estructura de datos más simple que ofrece Pandas, se trata de arrays

unidimensionales con indexación, similar a los diccionarios, de hecho, pueden generarse a partir de

diccionarios o listas.

s
.e
Por tanto, las series nos permiten almacenar arrays o vectores con índice o etiqueta. Si no se asigna

u
una etiqueta o índice, se numerará con un índice de forma interna.

ed
Un objeto definido como una Serie, tiene dos componentes:

a.
ov
Índice

Vector de datos
nn

Internamente, ambos componentes son listas con la misma longitud, de manera que el primer
oi

elemento de la lista de índices se corresponde con el primer elemento de lista de datos y así de
r
eu

forma sucesiva. La lista de índices debe tener por lo general, valores únicos y ordenados pues se

usan para acceder a los valores de los datos del vector.

s.

De forma visual, la estructura del tipo de dato Series sería de la forma:

lm
u.
si

O lo que es lo mismo:

1 Alfonso

siu.lms.euroinnova.edu.es
64 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

2 Clara
3 María
4 Víctor
5 Germán

Dataframes

Son estructuras de datos que crean objetos similares a una tabla de bases de datos relacional. Un

objeto de la clase DataFrame se construye a partir de un objeto de tipo Series, ya que en cada

s
columna de la tabla tenemos un objeto Series que comparten un único índice (lo que sería la clave

.e
principal en una base de datos).

u
ed
Para crear un objeto DataFrame, se puede hacer a partir de listas, diccionarios, diccionarios de

listas o de Series, y podemos especificar tanto el nombre de las filas (index) como de las columnas

a.
(columns). ov
De forma visual, la estructura del tipo de dato DataFrame sería de la forma:
nn
r oi
eu
s.
lm
u.
si

O lo que es lo mismo:

A B C
1 Alfonso Granada Ingeniero

siu.lms.euroinnova.edu.es
65 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

2 Clara Madrid Matemática

3 María Alicante Consultor
4 Víctor Madrid Estadístico
5 Germán Sevilla Ingeniero

Trabajando con Pandas

De nuevo, antes de comenzar a trabajar con las funcionalidades que ofrece esta librería de Python,

debemos comprobar si la tenemos ya instalada en nuestra máquina. Si utilizamos una versión

s
reciente de Anaconda, de nuevo la librería estará instalada por defecto. Podemos comprobarlo

.e
siguiendo los mismos pasos que para la librería Numpy tanto para ver si está instalada como para

u
llevar a cabo su instalación en caso contrario.

ed
Igual que por convenio (de la comunidad de desarrolladores) para la librería Numpy siempre

a.
escribimos el alias np, para Pandas se pone pd como alias.
ov
Extracción y filtrado de datos
nn

Para seleccionar y extraer aquellos datos que nos interesan en un determinado momento, y que

están contenidos en alguna de las estructuras de datos implementadas en Pandas (Series o

oi

DataFrame), disponemos de varios métodos.

r
eu

loc : Se utiliza para seleccionar datos a partir de las etiquetas de las filas y las columnas
s.

iloc: Se utiliza para seleccionar datos a partir de la posición de los mismos dentro de la estructura
lm

de datos.

ix: Se utiliza para seleccionar datos tanto a partir de las etiquetas como de la posición de los datos.
u.
si

Cuando trabajemos con Series, los métodos anteriores nos devolverán un único valor, y en el caso de

trabajar con DataFrames puede devolverse tanto una Serie (si sólo indicamos la posición de la fila), o

un valor único (si se indican una fila y una columna).

siu.lms.euroinnova.edu.es
66 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Como hemos visto, con los métodos anteriores podemos seleccionar aquellos datos que nos interesan

gracias a la indexación, pero puede también resultar de utilidad el filtrado de los datos, es decir

seleccionar los elementos que cumplan una determinada condición. Para esto, podemos hacer uso de

los filtros booleanos, que permiten la comparación con un valor de referencia. Veamos algunos

ejemplos.

siu.lms.euroinnova.edu.es
67 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Visualización de los datos ov
Para ver y explorar los datos con Pandas, podemos usar entre otros los siguientes métodos:
nn

describe: Imprime una tabla resumen de datos estadísticos sobre los valores, como mínimo,

máximo, media, etc., por columna

r oi

head y tail: Muestran las primeras y últimas ‘x’ filas respectivamente de una tabla, en función del
eu

valor que le pasemos como argumento.

s.

sort: Permite ordenar los datos a partir de una determinada columna

lm

columns: Devuelve una lista de las columnas del DataFrame.

u.

Se deja como ejercicio que el alumno pruebe los métodos descritos mediante un ejemplo concreto de
si

DataFrame.

Datos NAN

Como hemos comprado, en alguno de los ejemplos anteriores, se nos muestra el tipo de dato NAN

para algunos valores de los objetos creados. Pandas, hace uso de numpy.nan para representar datos

faltantes, es decir, aquellos valores nulos o que aún no se han definido. Se deben tener en

consideración estos valores, ya que algunas operaciones tratan de una forma especial este valor, así

por ejemplo las operaciones aritméticas consideran que NAN = 0, mientras que count (que nos

siu.lms.euroinnova.edu.es
68 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

devuelve el número de filas para una columna) no la considera.

Existen definidas algunas funciones para trabajar con este tipo de datos, que nos permiten entre

cosas, modificar su valor u omitirlos.

dropna: Omite todas las filas que tienen nan.

isnull: Devuelve una tabla con valores true o false en función si el valor es nan o no para un

determinado campo.

s
.e
fillna(val): Cambia los valores de nan por el contenido de val.

u
Lectura/escritura de archivos

ed
Pandas dispone de un conjunto muy completo de funciones de lectura y escritura de datos desde

a.
archivos. Soporta formatos como CVS, XLS y bases de datos como MySQL.
ov
Para esto Panda implementa la función read (para lectura de archivos) y to (para escritura).
nn

Ejemplos de código con Pandas

oi

# Crear una serie a partir de un ndarray

r
eu

import pandas as pd
s.

import numpy as np
lm

data = np.array(['a','b','c','d'])
u.

s = pd.Series(data)
si

print (s)

# Añadir índices a la serie a partir de un ndarray

import pandas as pd

import numpy as np

data = np.array(['a','b','c','d'])

siu.lms.euroinnova.edu.es
69 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s = pd.Series(data,index=[100,101,102,103])

print (a)

# Acceder a la serie por posición

import pandas as pd

s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])

s
.e
# Recuperamos el primer elemento

u
print (s[0])

ed
# Acceder a la serie por índice o etiqueta

a.
import pandas as pd
ov
s = pd.Series([1,2,3,4,5],index = ['a','b','c','d','e'])
nn

# Recuperamos el elemento etiquetado con a

oi

print (s['a'])
r
eu

Nota: También es posible recuperar varios elementos a la vez, por ejemplo:

s.

print (s[['a','c','d']])
lm
u.
si

siu.lms.euroinnova.edu.es
70 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu
s.

# Crear un DataFrame vacío

lm

import pandas as pd
u.

df = pd.DataFrame()
si

print (df)

# Crear un DataFrame a partir de una lista

data = [1,2,3,4,5]

df = pd.DataFrame(data)

print (df)

siu.lms.euroinnova.edu.es
71 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

# Crear un DataFrame a partir de una lista de dos dimensiones

import pandas as pd

data = [['Alex',10],['Bob',12],['Clarke',13]]

df = pd.DataFrame(data,columns=['Name','Age'])

print (df)

s
.e
# Crear un DataFrame indexado a partir de un array

u
import pandas as pd

ed
data = {'Name':['Tom', 'Jack', 'Steve', 'Ricky'],'Age':[28,34,29,42]}

a.
df = pd.DataFrame(data, index=['rank1','rank2','rank3','rank4'])
ov
print (df)
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
72 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu
s.

# Seleccionar una columna de un DataFrame

lm

import pandas as pd
u.

d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),

si

'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

df = pd.DataFrame(d)

print (df ['one'])

# Seleccionar una fila del dfpor etiqueta

import pandas as pd

siu.lms.euroinnova.edu.es
73 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),

'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

df = pd.DataFrame(d)

print (df.loc['b'])

# Seleccionar una fila del df por posición

s
.e
import pandas as pd

u
d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),

ed
'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

a.
df = pd.DataFrame(d)
ov
print (df.iloc[2])
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
74 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu

# Borrar columnas de un DataFrame

s.

import pandas as pd
lm

d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),

u.

'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd']),

si

'three' : pd.Series([10,20,30], index=['a','b','c'])}

df = pd.DataFrame(d)

print ("DataFrame original:")

print (df)

# using del function

siu.lms.euroinnova.edu.es
75 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

print ("Borrar la primera columna utilizando la función DEL:")

del df['one']

print (df)

# using pop function

print ("Borrar otra columna utilizando la función POP")

s
.e
df.pop('two')

u
print (df)

ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

# Seleccionar varias filas de un df

import pandas as pd

siu.lms.euroinnova.edu.es
76 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

d = {'one' : pd.Series([1, 2, 3], index=['a', 'b', 'c']),

'two' : pd.Series([1, 2, 3, 4], index=['a', 'b', 'c', 'd'])}

df = pd.DataFrame(d)

print (df[2:4])

# Unir filas

s
.e
import pandas as pd

u
df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])

ed
df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])

a.
df = df.append(df2)
ov
print (df)
nn

# Eliminar filas de un df
oi

import pandas as pd
r
eu

df = pd.DataFrame([[1, 2], [3, 4]], columns = ['a','b'])

s.

df2 = pd.DataFrame([[5, 6], [7, 8]], columns = ['a','b'])

lm

df = df.append(df2)
u.

# Drop rows with label 0

si

df = df.drop(0)

print (df)

siu.lms.euroinnova.edu.es
77 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.

3.2. Algoritmos de aprendizaje automático con scitik-learn

lm

Antes de explicar la librería scikit-learn de Python, recordaremos qué es el aprendizaje automático y

u.

qué importancia tiene en las técnicas de análisis y minería de datos.

si

El aprendizaje automático (Machine Learning) es una rama de la inteligencia artificial que

desarrolla técnicas mediante la implementación de una serie de algoritmos, que permiten aprender a

los ordenadores. Es decir, mediante algoritmos matemáticos, se generalizan comportamientos con el

fin de encontrar y reconocer patrones a partir de una información facilitada como ejemplo.

Estos algoritmos de aprendizaje automático (que van desde redes bayesanas, redes neuronales

artificiales, árboles de decisión, etc.), nos van a permitir por tanto ser capaces de “predecir” el

comportamiento futuro de nuestros datos a partir de lo que ha ocurrido en el pasado y de ahí su

siu.lms.euroinnova.edu.es
78 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

importancia como herramienta de minería de datos.

Scikit-learn

Podemos decir que es una de las principales librerías que existen para trabajar con Machine

Learning, entre sus ventajas podemos resaltar que se pueden extraer datos de varios repositorios y

además cuenta con ciertas bases de datos de muestra que ayudan con la práctica en el uso de los

algoritmos de aprendizaje automático.

s
Estamos ante una librería que se centra en el modelado de los datos y no en su manipulación, ya que

.e
para esto contamos con Numpy y Pandas. Por otro lado, tiene implementados tanto algoritmo de

u
aprendizaje supervisado como no supervisado, por lo que podemos utilizarla para clasificaciones,

ed
extracción de características, regresiones, agrupaciones, reducción de dimensiones, selección de

modelos o preprocesamiento.

a.
ov
Para comprobar si disponemos de esta librería en nuestro entorno de programación e instalarla en

caso de que no sea así, seguiremos los mismos pasos descritos líneas más arriba para la instalación
nn

de paquetes en Python.
oi

Métodos implementados en scikit-learn

r

Como cualquier otra librería de Python, tiene una gran comunidad detrás que se encarga de
eu

implementar nuevas funcionalidades, así como actualizar las que ya tiene, por lo que en el momento
s.

de trabajar con scikit-learn lo mejor es revisar antes su sitio oficial y comprobar qué algoritmos tiene
lm

implementados.
u.

Actualmente podemos dividir los algoritmos implementados, dentro de 6 módulos:

si

Clasificación

Regresión

Clustering

Selección automática de modelos

Preprocesamiento

Reducción de la dimensionalidad

siu.lms.euroinnova.edu.es
79 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Ejemplos de código con scikit-learn

# Cargar la base de datos Iris

from sklearn.datasets import load_iris

iris = load_iris()

X = iris.data

s
y = iris.target

u .e
feature_names = iris.feature_names

ed
target_names = iris.target_names

a.
print("Feature names:", feature_names)
ov
print("Target names:", target_names)
nn

print("\nFirst 10 rows of X:\n", X[:10])

r oi
eu
s.
lm
u.
si

# Dividir el conjunto de datos en un conjunto de entrenamiento para entrenar el modelo

siu.lms.euroinnova.edu.es
80 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

# y un conjunto de pruebas (test) para probar el modelo

#Después de puede evaluar la exactitud del modelo

#70% de datos para entrenamiento y 30% de datos para prueba

from sklearn.datasets import load_iris

iris = load_iris()

s
.e
X = iris.data

u
y = iris.target

ed
from sklearn.model_selection import train_test_split

a.
X_train, X_test, y_train, y_test = train_test_split(
ov
X, y, test_size = 0.3, random_state = 1)
nn

# Mostrar estructura de los datos

oi

print(X_train.shape)
r
eu

print(X_test.shape)
s.

print(y_train.shape)
lm

print(y_test.shape)
u.
si

siu.lms.euroinnova.edu.es
81 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn

# Entrenar el modelo utilizando el clasificador KNN (K vecinos más cercanos)

from sklearn.datasets import load_iris

r oi

iris = load_iris()
eu

X = iris.data
s.

y = iris.target
lm

from sklearn.model_selection import train_test_split

u.
si

X_train, X_test, y_train, y_test = train_test_split(

X, y, test_size = 0.4, random_state=1)

from sklearn.neighbors import KNeighborsClassifier

from sklearn import metrics

classifier_knn = KNeighborsClassifier(n_neighbors = 3)

siu.lms.euroinnova.edu.es
82 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

classifier_knn.fit(X_train, y_train)

y_pred = classifier_knn.predict(X_test)

# Finding accuracy by comparing actual response values(y_test)with predicted response

value(y_pred)

print("Accuracy:", metrics.accuracy_score(y_test, y_pred))

s
# Providing sample data and the model will make prediction out of that data

.e
sample = [[5, 5, 3, 2], [2, 4, 3, 5]]

u
ed
preds = classifier_knn.predict(sample)

a.
pred_species = [iris.target_names[p] for p in preds]ov
print("Predicciones:", pred_species)
nn
r oi
eu
s.
lm
u.
si

3.3. Visualización y representación de datos con Matplotlib

siu.lms.euroinnova.edu.es
83 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Python dispone de una gran cantidad de módulos para la representación y visualización de los datos,

pero será objeto de estudio el módulo Matplotlib (que permite la creación de gráficos en 2D y 3D)

pues tiene implementada la librería pyplot muy semejante a Matlab, y que nos permitirá una muy

buena visualización de los datos.

Matplotlib, se integra a la perfección con los módulos descritos hasta el momento para el análisis de

datos, puesto que está implementada y orientada a la generación de gráficos a partir de datos

contenidos en listas o arrays.

s
.e
Una vez instalado el módulo (de nuevo siguiendo los pasos descritos en puntos anteriores), para

u
poder usar sus funcionalidades debemos importarlo. Como alias utilizaremos en este caso plt.

ed
Tipos de gráficos con pyplot

a.
Dentro de pyplot disponemos de diferentes tipos de gráficos, aunque los más usuales son:
ov
Gráfico (clásico) de datos 2D: Usamos la función plot
nn

Histogramas: Usamos la función hist

Campos de vectores: Usamos la función quiver.

oi

Gráficos circulares o de “torta”: Usamos la función pie

r
eu

Gráficos de barras: Usamos la función bar.

s.

Cuando trabajamos con pyplot se puede hacer de dos formas, en modo interactivo, de manera que
lm

cada vez que modificamos el código relacionado con el gráfico éste se actualiza, o en modo no

interactivo para lo que tendremos que llamar a la función show() o draw() para mostrar el gráfico
u.

modificado. Para conmutar de un modo a otro, podemos usar ion() e ioff(), que permiten activar y
si

desactivar respectivamente el modo interactivo. Para comprobar si está activo el modo interactivo

usamos la función isinteractive(), que devuelve true o false.

siu.lms.euroinnova.edu.es
84 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
Como se aprecia en la imagen anterior, al tener el modo interactivo desactivado (por defecto), hasta

que llamamos a la función show() no se nos muestra el gráfico, el cual nos aparece en una ventana
ov
externa que nos permitirá entre cosas guardar el gráfico como imagen para usarlo después en
nn

nuestros informes. A continuación, mostramos un ejemplo con el modo interactivo activado.

r oi
eu
s.
lm
u.
si

Como vemos en la imagen anterior, al activar el modo interactivo no es necesario llamar a ninguna

función adicional para mostrar el gráfico, además de que la consola nos permite seguir

introduciendo código sin necesidad de cerrar la ventana del gráfico, lo que facilita la visualización

de los cambios en el gráfico en tiempo real conforme introducimos o modificamos el código.

siu.lms.euroinnova.edu.es
85 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Sobreesribiendo gráficos

Una función muy llamativa de pyplot, es que nos permite dibujar varias gráficas en un mismo

gráfico. Por defecto la opción de sobreescribir en mismo gráfico viene activada al iniciar sesión, pero

podemos de nuevo cambiar esta opción, para lo que tenemos las funciones hold() e ishold(). Si

ishold() es false, solo se conservará la última gráfica dibujada, es decir el último plot() que se

llamara desde el código.

s
u .e
ed
a.
ov
nn
r oi
eu

En la imagen anterior, podemos observar que ishold() nos devuelve true, por lo que ambas gráficas

(la que ya teníamos y la nueva) aparecerán el mismo gráfico.

s.

Figuras, texto y leyenda

lm

A la representación gráfica que se nos abre en una nueva ventana cuando trabajamos con las
u.

opciones gráficas de pyplot, se le llama figura. Por defecto, el nombre será “Figure#’, ya que las
si

figuras están numerados a partir del 1.

Con la función figure, podemos modificar algunas características de la ventana de gráfico, como el

nombre, tamaño, resolución, etc. Los argumentos que admite la función son:

Argumento Descripción
num = None Numeración de la figura, si num=None las figuras se numeran
automáticamente
figsize = (w,h) W,h tuplas en pulgadas. Define el tamaño de la figura
dpi = x Establece la resolución de la imagen en puntos por pulgada

siu.lms.euroinnova.edu.es
86 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

facecolor = ‘color’ Color del fondo para la figura

edegecolor = ‘color’ Color del borde alrededor del fondo de la figura
frameon = ‘True’ or ‘False Permite establecer si dibujar la figura en marcos o no
Todos estos argumentos vienen con unos valores por defecto, que podremos especificar en el archivo

de recursos para no tener que modificarlos constantemente, ya que lo que cambiaremos con

frecuencia es la numeración de las figuras, su nombre, etc.

Pyplot, permite también agregar texto dentro de una figura, para por ejemplo dar nombre a los ejes,

s
un título al gráfico, etc. Para ello se implementan entre otras, las siguientes funciones:

u .e
title(“Nombre del gráfico”): Nos permite dar un título al gráfico representado

ed
xlabel(“Nombre al eje x”): Nos permite dar un título al eje x del gráfico

ylabel(Nombre al eje y”): Nos permite dar un título al eje y del gráfico

a.
ov
Igualmente, podemos incluir la leyenda del gráfico mediante la función legend(). Para usar esta

función, se debe tener en cuenta que previamente hemos debido definir el argumento “label” de la
nn

función de dibujo (por ejemplo en plot()) para establecer el literal de la leyenda a mostrar. Así
oi

mismo, la función legend(), tiene un argumento (loc) que nos permite posicionar la leyenda en

diferentes puntos entorno al gráfico, cuando asignamos algunos de los siguientes valores o una
r
eu

combinación de ellos: upper, lower, centre, left y right.

s.
lm
u.
si

En el ejemplo mostrado en la imagen anterior, hemos dibujado un gráfico al que después hemos

siu.lms.euroinnova.edu.es
87 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

dado título y etiquetado sus ejes.

Ahora vamos a crear dos ventanas independientes en las que mostrar gráficos, en cada una de ellas

definiremos una serie de características para las gráficas que contenga, e incluiremos la leyenda.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
88 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Subgráficos en una misma figura

siu.lms.euroinnova.edu.es
89 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Si en lugar de superponer gráficos en una misma figura, queremos crear gráficos independientes

pero que se nos muestren en la misma ventana, podemos hacer uso del comando subplot(). Esta

función nos permite dividir el área de dibujo por filas y columnas de manera que luego podemos

dibujar en cada espacio definido previamente un gráfico individual. Veamos un ejemplo

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
90 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Cambiar estilos de líneas de un gráfico

Podemos establecer diferentes estilos, marcadores y colores para las líneas de un gráfico mediante

los siguientes argumentos de la función plot:

Argumento Valores que puede tomar

linestyle • -, Línea solida
• --, Línea discontinua
• :, Línea punteada
• -., Línea punteada discontinua
• None, ninguna línea

s
marker • +, cruz

.e
• ., punto
• o, círculo

u
• *, estrella

ed
• p, pentágonos
• s, cuadrados
• x, tachados

a.
• D, diamantes
• h, hexáganos
• ^, triángulo
ov
color • b, azul
• g, verde
nn

• r, rojo
• c, cyan
• m, magenta
oi

• y, amarillo
• k, negro
r

• w, blanco
eu

Mostramos un ejemplo a continuación:

s.
lm
u.
si

siu.lms.euroinnova.edu.es
91 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
Por último, mostramos a continuación otra serie de métodos de utilidad para trabajar con gráficos:
nn
oi

plt.cla() : Borra toda la información relacionada con los ejes de un gráfico

plt.clf() : Borra por completo un gráfico

r
eu

plt.close() : Termina el gráfico cerrando su ventana

savefig(“archivo.png”) : Permite guardar el gráfico en formato .png

s.

savefig(“archivo.pdf”) : Permite guardar el gráfico en formato .pdf

lm

Para guardar los gráficos también podemos usar la pestaña de guardar de la ventana que se nos
u.

abre cuando trabajamos con IPython.

si

Como hemos visto, el paquete matplotlib y en concreto la librería pyplot, tiene multitud de opciones

para dibujar gráficos que nos permiten visualizar el resultado del análisis de datos. En este punto

hemos hecho una pequeña introducción a este paquete del que se puede obtener más

documentación y ejemplos de uso de su sitio oficial.

Ejemplos de código con Matplotlib

# Mostrar una gráfica con Matplotlib

siu.lms.euroinnova.edu.es
92 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

from matplotlib import pyplot as plt

import numpy as np

import math #needed for definition of pi

x = np.arange(0, math.pi*2, 0.05)

y = np.sin(x)

s
.e
plt.plot(x,y)

u
plt.xlabel("angle")

ed
plt.ylabel("sine")

a.
plt.title('sine wave')
ov
plt.show()
nn
r oi
eu
s.
lm
u.
si

# Gráfica con formato

siu.lms.euroinnova.edu.es
93 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

from pylab import *

x = linspace(-3, 3, 30)

y = x**2

plot(x, y, 'r.')

show()

s
.e
# Gráficas con varios formatos

u
from pylab import *

ed
plot(x, sin(x))

a.
plot(x, cos(x), 'r-')
ov
plot(x, -sin(x), 'g--')
nn

show()
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
94 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
r oi
eu

# Incluir varios subplots

s.

import matplotlib.pyplot as plt

lm

fig,a = plt.subplots(2,2)
u.

import numpy as np
si

x = np.arange(1,5)

a[0][0].plot(x,x*x)

a[0][0].set_title('cuadrado')

a[0][1].plot(x,np.sqrt(x))

a[0][1].set_title('raíz cuadrada')

siu.lms.euroinnova.edu.es
95 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

a[1][0].plot(x,np.exp(x))

a[1][0].set_title('exp')

a[1][1].plot(x,np.log10(x))

a[1][1].set_title('log')

plt.show()

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.

# Modificar cuadrícula
si

import matplotlib.pyplot as plt

import numpy as np

fig, axes = plt.subplots(1,3, figsize = (12,4))

x = np.arange(1,11)

axes[0].plot(x, x**3, 'g',lw=2)

siu.lms.euroinnova.edu.es
96 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

axes[0].grid(True)

axes[0].set_title('grid por defecto')

axes[1].plot(x, np.exp(x), 'r')

axes[1].grid(color='b', ls = '-.', lw = 0.25)

axes[1].set_title('grid customizada')

s
.e
axes[2].plot(x,x)

u
axes[2].set_title('sin grid')

ed
fig.tight_layout()

a.
plt.show()
ov
nn
r oi
eu
s.
lm
u.
si

# Formatear ejes

siu.lms.euroinnova.edu.es
97 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

import matplotlib.pyplot as plt

import numpy as np

fig, axes = plt.subplots(1, 2, figsize=(10,4))

x = np.arange(1,5)

axes[0].plot( x, np.exp(x))

s
.e
axes[0].plot(x,x**2)

u
axes[0].set_title("Escala normal")

ed
axes[1].plot (x, np.exp(x))

a.
axes[1].plot(x, x**2)
ov
axes[1].set_yscale("log")
nn

axes[1].set_title("Escala logarítmica (y)")

oi

axes[0].set_xlabel("x axis")
r
eu

axes[0].set_ylabel("y axis")
s.

axes[0].xaxis.labelpad = 10
lm

axes[1].set_xlabel("x axis")
u.

axes[1].set_ylabel("y axis")
si

plt.show()

siu.lms.euroinnova.edu.es
98 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn
oi

# Gráfico de barras
r
eu

import matplotlib.pyplot as plt

s.

fig = plt.figure()
lm

ax = fig.add_axes([0,0,1,1])
u.

langs = ['C', 'C++', 'Java', 'Python', 'PHP']

si

students = [23,17,35,29,12]

ax.bar(langs,students)

plt.show()

siu.lms.euroinnova.edu.es
99 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn

# Histograma
oi

from matplotlib import pyplot as plt

r

import numpy as np
eu

fig,ax = plt.subplots(1,1)
s.
lm

a = np.array([22,87,5,43,56,73,55,54,11,20,51,5,79,31,27])
u.

ax.hist(a, bins = [0,25,50,75,100])

si

ax.set_title("histogram of result")

ax.set_xticks([0,25,50,75,100])

ax.set_xlabel('marks')

ax.set_ylabel('no. of students')

plt.show()

siu.lms.euroinnova.edu.es
100 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn

# Gráfico de pie
oi

from matplotlib import pyplot as plt

r

import numpy as np
eu

fig = plt.figure()
s.
lm

ax = fig.add_axes([0,0,1,1])
u.

ax.axis('equal')
si

langs = ['C', 'C++', 'Java', 'Python', 'PHP']

students = [23,17,35,29,12]

ax.pie(students, labels = langs,autopct='%1.2f%%')

plt.show()

siu.lms.euroinnova.edu.es
101 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
u
ed
a.
ov
nn

# Surface plot
oi

from mpl_toolkits import mplot3d

r
eu

import numpy as np

import matplotlib.pyplot as plt

s.
lm

x = np.outer(np.linspace(-2, 2, 30), np.ones(30))

u.

y = x.copy().T # transpose
si

z = np.cos(x ** 2 + y ** 2)

fig = plt.figure()

ax = plt.axes(projection='3d')

ax.plot_surface(x, y, z,cmap='viridis', edgecolor='none')

ax.set_title('Surface plot')

siu.lms.euroinnova.edu.es
102 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

plt.show()

s
.e
u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
103 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

4. MongoDB, Hadoop y Python: Dream Team del Big Data

Antes de comenzar a explicar la integración de Python con MongoDB y Hadoop, haremos un

pequeño repaso de estas dos herramientas de software libre utilizadas en el análisis de datos.

¿Qué es MongoDB? MongoDB es una base de datos NoSQL de software libre, escalable y de alto

rendimiento desarrollada en C++ y multiplataforma. Según el teorema de CAP, MongoDB es una

base de datos NoSQL CP, es decir contiene una visión consistente de los datos frente a la

s
disponibilidad de las particiones. Estamos ante una de las bases de datos de tipo NoSQL más

.e
populares. Es importante destacar que es una base de datos orientada a documentos, es decir

u
almádena la información en documentos BSON, formato binario de JSON, lo que aporta dinamismo y

ed
flexibilidad. MongoDB almacena cada registro en un documento.

a.
Entre sus características más importantes destacamos: ov
Almacenamiento orientado a documentos BSON, un formato binario de documentos JSON.
nn

Replicación maestro-esclavo y alta disponibilidad

Soporte de índices
oi

Consultas, también basadas en documentos.

r
eu

APIs y drivers para muchos lenguajes de programación.

Escalabilidad horizontal.
s.

GridFS, que permite almacenar ficheros de cualquier tamaño sin necesidad de complicar el
lm

entorno.

No hay transacciones por lo que es más rápida y escalable.

u.
si

¿Qué es Hadoop? Podríamos comenzar comentando que Hadoop nace en el momento en que

Google necesita urgentemente una solución con la que pueda continuar procesando datos al ritmo

que el mercado le demanda, ya que Google en sus inicios creció de forma exponencial. Google

decide buscar entonces una solución basada en un sistema de archivos distribuidos a lo que más

tarde se le conocerá como Hadoop, que se basa en un gran número de pequeños ordenadores, cada

uno de los cuales se encarga de procesar una parte de la información.

Lo novedoso y la excelencia del sistema, es que a pesar de que cada uno de ellos funciona de forma

siu.lms.euroinnova.edu.es
104 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

independiente y autónoma, todos actúan en conjunto como si fueran un solo ordenador de

dimensiones increíbles. En 2006, Google publica todos los detalles acerca de su nuevo

descubrimiento, compartiendo su conocimiento y experiencia con todos los usuarios. Esto despierta

el interés de la comunidad Open Source, que viendo las nuevas oportunidades que surgirán explotan

sus posibilidades desarrollando una implementación a la que denominan Hadoop.

Apache Hadoop es por lo tanto un framework de software libre que permite escribir y ejecutar

aplicaciones en sistemas distribuidos para procesar grandes cantidades de datos. Está diseñado para

s
escalar de servidores individuales a miles de máquinas, cada una con el procesamiento y el

.e
almacenamiento local. En lugar de confiar en el hardware para ofrecer alta disponibilidad, el

u
framework en sí está diseñado para detectar y controlar los errores en la capa de aplicación,

ed
facilitando un servicio de alta disponibilidad en la capa superior, haciendo transparente al usuario la

a.
posible caída de un nodo. ov
Python y MongoDB
nn

Como hemos visto MongoDB permite trabajar con una gran cantidad de lenguajes de programación

diferentes para llevar a cabo la explotación de la base de datos. En el caso de estudio que estamos
oi

llevando a cabo, Python ofrece un paquete específico que proporciona un soporte para MongoDB
r
eu

llamado PyMongo, que nos permite interactuar con la base de datos, y que está soportado por

10gen, la empresa creadora de MongoDB.

s.

Configuración de MongoDB con Python

lm

Como cualquier paquete de Python, previamente debemos instalarlo y configurar el controlador para
u.

poder trabajar con MongoDB. PyMongo nos permitirá entre otras cosas conectarnos a una base de
si

datos NoSQL, así como llevar a cabo consultas sobre la misma.

Una vez instalado y configurado el entorno de MongoDB, debemos instalar el paquete pymongo.

Para llevar a cabo la instalación podemos acceder al sitio oficial de pymongo para anaconda y desde

allí descargarnos el instalador en función del sistema operativo en el que estemos trabajando, o bien

instalarlo directamente desde el prompt de anaconda.

Desde una terminal de Anaconda Prompt lanzamos el siguiente comando:

siu.lms.euroinnova.edu.es
105 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

conda install –c anaconda pymongo

s
u .e
ed
a.
ov
nn
r oi
eu
s.

En la imagen anterior, se muestra la instalación desde la consola de comandos de Anaconda de

lm

pymongo.
u.
si

siu.lms.euroinnova.edu.es
106 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
Tras llevar a cabo unas verificaciones, se muestra información de los paquetes que se van a

proceder a descargar para poder llevar a cabo la instalación de pymongo, debemos contestar y (YES)
nn

para que continúe la instalación.

oi

Para comprobar que la instalación y configuración se ha realizado de forma correcta, desde el

r
eu

intérprete de comandos de Python importamos el módulo de MongoDB. Para ello ejecutamos en la

consola de iPython (o de Python):

s.

import pymongo
lm

Si tras la ejecución del comando anterior no nos aparece ningún error es la que la instalación se ha
u.

realizado correctamente. Comprobamos si podemos obtener conexión para después poder

si

conectarnos a una base de datos. Para ello, debemos ejecutar en primer lugar el servidor de

MongoDB como ya vimos, para que se permitan conexiones a la base de datos a través del puerto

27017. A continuación, desde IPython ejecutamos lo siguiente:

Cliente = pymongo.MongoClient( ‘ localhost ’ , 27017)

MongoClient es el cliente de bases de datos que se implementa en pymongo, y a través del que

podremos establecer conexión con la base de datos, así como consultar los datos. Si llamamos a

MongoClient sin argumentos se abre la conexión por defecto en localhost y el puerto 27017 como

siu.lms.euroinnova.edu.es
107 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

con la sentencia anterior.

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.

Como se aprecia en la imagen anterior, en la parte resaltada en rojo, se puede comprobar que se ha
si

abierto una conexión con MongoDB tras la ejecución de las sentencias anteriores en Python. Es

decir, con lo anterior, ya tenemos un objeto con los datos de mongo. Se debe tener en cuenta que la

clase MongoClient está disponible desde la versión 3.0 de pymongo.

Trabajando con pymongo

Como ya vimos, MongoDB emplea el formato JSON para almacenar los datos, en Python usaremos el

tipo de dato diccionario para emular el formato JSON. Una vez que tengamos nuestro documento,

creamos una colección y añadimos dicho documento a la misma, comprobando a continuación que el

siu.lms.euroinnova.edu.es
108 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

documento se ha insertado de manera correcta. En resumen, cuando trabajamos con pymongo cada

tabla de nuestra base de datos será una colección, y como el paquete de MongoDB para Python,

desconoce las clases y objetos Python no podemos pasarle objetos Python a las funciones que nos

permitirán hacer queries. Por esta razón hacemos uso de los “diccionarios” de Python, ya que son

estructuras de datos que se adaptan a la estructura <calve,valor> de los documentos en formatos

JSON.

Una vez que estamos conectados a MongoDB, podemos ver la lista de bases de datos disponibles y

s
seleccionar una sobre la que trabajar utilizando la sintaxis de atributos o de diccionario.

u .e
ed
a.
ov
nn
r oi
eu
s.
lm

Como podemos ver en la imagen anterior, cuando llamamos a database_names() nos aparece una

lista con todas las bases de datos creadas en MongoDB. En el ejemplo anterior tenemos dos bases de
u.

datos ‘Prestamos’ y ‘local’ esta última es la creada por defecto por MongoDB. El método
si

database_names() está deprecado, se recomienda utilizar list_database_names() en su lugar.

Algunas de las funciones que nos permiten trabajar con una base de datos en MongoDB desde el

módulo pymongo las resumimos a continuación:

Función Descripción
conex.nombredb Nos permite conectarnos a una base de datos concreta que de
no existir se creará.
Ejempl: db = conex.Prestamos

siu.lms.euroinnova.edu.es
109 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

db.coleccionnueva Obtenemos una nueva colección de nuestra base de datos sobre

la que trabajar.
Ejemplo: collection = db.libros
db.collection_names() Vemos las colecciones que tenemos creadas
insert_one ({clave:valor, Insert_one e insert_many lo usaremos para insertar nuevos
clave:valor…}) documentos en la colección. Insert_one nos permite insertar un
insert_many({clave:valor, único documento mientras que con insert_many podremos
clave:valor, …},{clave:valor, insertar varios.
clave:valor…}) Ejemplo: collection.insert_one({‘name’:’Pepe’,
‘appelido’:’Garcia’}]
update() Actualizamos documentos.

s
Ejemplo: collection.update()

.e
find() Realizamos búsqueda de documentos, lo que nos permitirá crear
consultas sobre la base de datos

u
Ejemplo: collection.find({“name”:”Pepe”})

ed
remove() Borramos documentos
Ejemplo: collection.remove({“name”:”Pepe”})

a.
count() Nos permite contar todos los documentos de una colección:
Ejemplo collection.count()
ov
drop() Borramos todos los documentos de una colección
Ejemplo: collection.drop()
nn

drop_database(‘nameDB’) Borramos la base de datos con nombre = ‘name’.

Ejemplo: conex.drop_database(‘Prestamos’)
oi

Resumiendo, para trabajar con una base de datos en MongoDB desde pymongo, se debe conocer

cómo están estructuradas las bases de datos NoSQL para saber que función utilizar con qué
r
eu

elementos. En líneas generales cuando se habla de colección se hace referencia a una tabla de la

base de datos y cuando hablamos de documentos estamos referenciando a los elementos de una
s.

tabla de la base de datos.

lm

Veamos a continuación algunos ejemplos prácticos con lo que entender mejor estos conceptos, pero
u.

como siempre para conocer en profundidad todas las funcionalidades que conseguimos con pymongo
si

debemos consultar su sitio oficial. Para los ejemplos trabajaremos con el documento biblioteca.py

que se encuentra entre los recursos del módulo, que permite crear una base de datos de gestión de

préstamos en una biblioteca universitaria.

siu.lms.euroinnova.edu.es
110 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Como podemos observar tras crear la base de datos Prestamos y comprobar si esta ha sido creada

s
.e
en MongoDB, nos encontramos con que únicamente tenemos la base de datos ‘local’ y no hay rastro

de la que acabamos de crear, esto es debido a que hasta que no creemos alguna de las “colecciones”

u
ed
(tablas) de la base de datos e insertemos “documentos” (filas) en las mismas, ésta no nos aparecerá.

a.
ov
nn
r oi
eu
s.
lm
u.
si

Como se aprecia, con find() podemos ejecutar consultas sobre la base de datos en base a las

siu.lms.euroinnova.edu.es
111 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

propiedades que definamos.

Finalmente, vamos a conectar con la base de datos de ítems creada en la unidad anterior.

Comenzamos importando pymongo:

> import pymongo

Creamos un cliente de MongoDB

s
.e
> from pymongo import MongoClient

u
> client = MongoClient()

ed
También podemos hacer lo siguiente:

a.
> client = pymongo.MongoClient()
ov
Mostramos las bases de datos del cliente:
nn

> client.list_database_names()
r oi
eu
s.
lm
u.
si

De la lista mostrada, elegimos trabajar con la base de datos DBPruebas

siu.lms.euroinnova.edu.es
112 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

> db=client.DBPruebas

Mostramos las colecciones dentro de la base de datos DBPruebas

> db.list_collection_names()

De las dos colecciones, elegimos la de ítems

> items=db.items

s
u .e
ed
a.
ov
Mediante el método pprint(), mostramos el primer elemento de la colección:
nn

> import pprint

oi

> pprint.pprint(items.find_one())
r
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
113 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Python y Hadoop

Como hemos vistos, son muy diversas las tecnologías que hoy en día podemos integrar dentro de Big

Data, pero si hubiera que destacar una de ellas por encima de las demás, sin duda habría que

apuntar al desarrollo del modelo de programación MapReduce. Antes de ver cómo podemos

implementar este concepto en Python para Hadoop, recordemos brevemente en qué consiste.

MapReduce

Con la idea de eliminar la complejidad y añadir simplicidad a un modelo de computación en paralelo

s
.e
para poder distribuir el procesamiento de los datos y los cálculos entre diferentes máquinas, con el

u
fin de reducir el tiempo de estas operaciones, surge el modelo MapReduce. Este modelo, además es

ed
lo suficientemente genérico como para ser aplicado a varios problemas.

a.
A grandes rasgos, tan solo hay que detallar dos funciones en este modelo, la función map: que

transforma los datos iniciales en pares claves-valor, y la función reduce: que reagrupa los pares
ov
clave-valor resultantes de map para producir el resultado final. De esta forma, los datos en el clúster
nn

de Hadoop son divididos en pequeñas piezas llamadas bloques y distribuidas a través del clúster con

HDFS y posteriormente las funciones map y reduce pueden ser ejecutadas en pequeños
oi

subconjuntos que proporciona la escalabilidad necesaria para el procesamiento de grandes

r

volúmenes de datos.
eu

¿Cómo implementamos esta idea en Python? El ecosistema Apache Hadoop está primariamente
s.

implementado en/para Java, es decir, que el modelo MapReduce se espera que esté escrito en Java.
lm

No obstante, con idea de hacer Hadoop un sistema más portable a la comunidad científica, se

permite escribir el código map/reduce en otros lenguajes de programación, como Python, c/c++,
u.

Perl o Ruby usando Hadoop streaming.

si

Hadoop streaming es una utilidad que viene en la distribución de Hadoop y que permite crear y

ejecutar trabajos Map/Reduce con cualquier archivo ejecutable o script con el mapeador y/o el

reductor, canalizando los datos a los scripts. Para Python, tanto el mapeador como el reductor son

secuencias de comandos (en Python) que leen desde la entrada estándar (stdin) y emiten los

resultados por la salida estándar (stdout). Entendemos, por tanto, en este ámbito a Hadoop

Streaming como la forma canónica de suministrar cualquier ejecutable como un mapeador o

reductor desde scripts en Python. Una de las desventajas de usar Streaming directamente es que

siu.lms.euroinnova.edu.es
114 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

mientras las entradas en el reductor se agrupan por clave, éstas continúan siendo iteradas línea por

línea, y los delimitadores claves deben ser detectados por el usuario.

Por tanto, para trabajar con Hadoop Streaming desde Python, únicamente necesitamos hacer uso de

sys.stdin para leer desde la entrada y sys.stdout para imprimir por la salida estándar los datos,

teniendo en cuenta que Straming tiene algunas convenciones (configurables) que permiten entender

los datos devueltos, lo más importante que se debe tener en cuenta es que por defecto se supone

que los pares clave-valor están separados por un tabulador \t.

s
.e
Implementaremos para nuestros trabajos de MapReduce dos scripts en Python, uno que contenga el

u
código para el mapeador y otro con el código para el reductor, que posteriormente pasaremos como

ed
parámetros al comando de Hadoop encargado de ejecutar el trabajo.

a.
Retomamos un ejemplo de MapReduce de temas anteriores, que implementaremos en Python,
ov
haciendo uso de la utilidad Hadoop Streaming, para entender mejor estos conceptos.

Hay que implementar un contador de palabras, tomando como muestra el siguiente texto:
nn

“En un lugar de la Mancha, de cuyo nombre no quiero acordarme, no ha mucho tiempo que vivía un
oi

hidalgo de los de lanza en astillero, adarga antigua, rocín flaco y galgo corredor”
r
eu

Para llevar a cabo el ejercicio, asumiremos que cada una de las líneas se envía a una tarea de Mapeo

distinta. Por lo tanto, el flujo de datos quedaría de la siguiente forma:

s.
lm
u.
si

siu.lms.euroinnova.edu.es
115 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
u .e
ed
a.
ov
nn
r oi
eu
s.
lm
u.

El código para mapeo sería el siguiente (el archivo lo tiene disponible entre los recursos con el
si

nombre de mapper.py)

siu.lms.euroinnova.edu.es
116 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

s
.e
El código para reducir sería el siguiente (el archivo lo tiene disponible entre los recursos con el

u
nombre de reducer.py)

ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Antes de ejecutar Hadoop, debemos asegurarnos de que los scripts que hemos realizado para

mapear y reducir, funcionan correctamente, para ello haremos una pequeña prueba desde la línea

de comandos con el texto del quijote (que tenemos almacenado en .txt). Debemos por tanto abrir el

Anaconda Prompt y ejecutar la siguiente línea desde el directorio en el que tengamos los archivos:

siu.lms.euroinnova.edu.es
117 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

python mapper.py < quijote.txt | sort | python reducer.py

donde:

python mapper.py à Ejecuta el mapper

< quijote.txt à Redirecciona la entrada estándar al archivo quijote.txt, es decir usaremos el

contenido de quijote.txt como entrada

| à indica que la salida de la orden anterior es entrada de la orden siguiente

s
sort à ordena por oden alfabético la salida de mapper

.e
python reducer.py à Ejecuta el reducer tomando como entrada la salida ordenada de mapper

u
ed
a.
ov
nn
r oi
eu
s.
lm
u.
si

Una vez que hemos comprobado que nuestros scripts en Python funcionan como se esperaba,

podemos llevar a cabo MapReduce desde Hadoop Streaming, para ello debemos ejecutar el archivo

jar Hadoop Streaming. Este archivo hadoop-streaming-X.Y.Z.jar (donde X,Y,Z corresponde al número

de versión) viene con la distribución estándar de Apache Hadoop y debe estar en

$HADOOP_HOME/contrib/streaming donde $HADOOP_HOME es el directorio base de la instalación

de Hadoop. Debemos por lo tanto escribir el siguiente comando:

siu.lms.euroinnova.edu.es
118 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

hadoop \

jar/$HADOOP_HOME/contrib/streaming/Hadoop-streaming-X.Y.Z.jar \

-mapper “python $PWD/mapper.py” \

-reducer “python $PWD/reducer.py” \

-input “contador/quijote.txt” \

-output “contador/salida \

-file mapper.py \

s
.e
-file reducer.py

u
Nótese en el comando anterior que mapper.py y reducer.py deben especificarse en dos ocasiones, la

ed
primera vez para indicar los ejecutables (-mapper y –reducer), mientras que la segunda vez se le

indica a Hadoop que distribuya los ejecutables por todos los nodos en el cluster.

a.
ov
Se debe haber cargado previamente el texto de entrada quijote.txt dentro de HDFS de Hadoop, para

ello podemos realizar lo siguiente:

nn

hadoop dfs – mkdir contador

oi

hadoop dfs – copyFromLocal ./quijote.txt contador/quijote.txt

r

Terminada la ejecución, la salida la tendremos en contador/salida

eu

Algunos Frameworks de Python para trabajar con Hadoop Streaming

s.

Existen diferentes herramientas implementadas en Python que nos permiten hacer MapReduce
lm

desde Hadoop Streaming. Estos módulos, simplifican el proceso de envío de trabajos sobre los que
u.

mapear/reducir.
si

mrjob

Es un framework open-source de Python, que envuelve Hadoop Streaming y desarrollado por Yelp.

Puesto que Yelp opera totalmente dentro de Amazon Web Services, la integración de mrjob con EMR

es bastante sencilla. Trabaja en una interfaz de MapReduce abstracta, permite manejar objetos

Python de carácter complejo, está disponible para flujos de trabajo MapReduce de pasos múltiples y

dispone de una gran solidez documental y de desarrollo.

Mrjob solo es necesario tenerla instalada en el nodo cliente donde se presenta el trabajo.

siu.lms.euroinnova.edu.es
119 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

hadoopy

Estamos ante otro contenedor de Python para Hadoop Streaming escrito en Cython. Cabe destacar

en este caso su facilidad para la depuración, ya que se pueden escribir mensajes directamente a

stdout/stderr sin interrumpir el proceso de streaming.

Su interfaz es similar a la API de Hadoop (con patrones de diseño utilizables entre interfaces

Python/Java) y permite ser utilizado en clústers de Hadoop sin Python o acceso de administrador.

s
.e
Una característica interesante es que permite lectura/escritura de archivos TypeBytes directamente

a HDFS desde Python (con readtb y writetb ) y funciona en los clústers sin ningún tipo de

u
instalación extra.

ed
Desde hadoopy, hay dos maneras de lanzar trabajos:

a.
ov
launch: Requiere que Python/hadoopy se instale en cada nodo del clúster, pero no genera

sobrecarga pese a ello

nn

launch_frozen: No es necesario que Python esté instalado en los nodos, pero conlleve una
oi

penalización en la ejecución de unos 15 segundos, el tiempo necesario para que PyInstaller

funcione, tiempo que puede ser mitigado con la optimización y trucos de almacenamiento en
r
eu

caché.
s.

Por tanto, los trabajos en hadoopy se deben lanzar desde dentro de un programa en Python, es decir
lm

no hay ninguna utilidad de línea de comandos incorporada.

u.
si

siu.lms.euroinnova.edu.es
120 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Recuerda

El análisis de datos se ha convertido actualmente en un proceso importante dentro de las

empresas, las cuales requieren identificar variables vitales de sus consumidores para poder

ofrecer mejores servicios a estos.

Los lenguajes interpretados como Python, suelen ofrecer una herramienta de ejecución

interactiva. Con ella es posible dar órdenes directamente al intérprete y obtener una respuesta

s
inmediata para cada una de ellas. Es decir, no es necesario escribir un programa completo para

.e
empezar a obtener resultados de ejecución, no obstante cuando tenemos mucho código es

u
preferible guardarlo en un archivo con extensión .py que posteriormente podemos ejecutar

ed
desde nuestro intérprete.

Los archivos de python tienen la extensión .py, son archivos de texto que son interpretados por

a.
el compilador. Para poder ejecutar programas en Python, necesitamos en primer lugar el
ov
intérprete de Python, y en segundo lugar el código que queremos ejecutar.

IPython es un Shell interactivo que añade funcionalidades extra al modo interactivo incluido
nn

con Python, como resaltado de líneas y errores mediante colores, una sintaxis adicional para el
oi

Shell, autocompletado mediante tabulador de variables, módulos y atributos; entre otras

r

funcionalidades.
eu

Los cálculos matemáticos y estadísticos están íntimamente relacionados con el análisis de

datos y la toma de decisiones en Businees Intelligence, calcular el comportamiento de los datos

s.

y extraer estadísticas de su evolución nos serán de utilidad como analistas de datos.

lm
u.
si

siu.lms.euroinnova.edu.es
121 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

Autoevaluación

1. ¿Qué devuelve el método keys() sobre un diccionario en Python?

Devuelve la posición de la clave que se pasa por argumento

Devuelve el dato correspondiente a la clave pasada por argumento

s
u .e
Devuelve una lista con todas las claves, en un orden arbitrario, del diccionario

ed
a.
2. ¿Qué significa que Python es un lenguaje interpretado?
ov
Abstrae el problema de manejo de memoria u otros detalles de bajo nivel
nn
oi

No existen compilaciones separadas y pasos de ejecución. Solo es necesario ejecutar

el código fuente.
r
eu

Puede ser modificado por la comunidad en el caso de necesitar nuevas funciones o

s.

mejorar las existentes.

lm

3. Indica si la siguiente afirmación es verdadera o falsa: “ Python es un lenguaje

u.

de programación interpretado multiparadigma, que soporta programación

orientada a objetos, programación imperativa y en menor medida programación
si

funcional”

Verdadero.

Falso.

4. ¿Qué nos devuelve la ejecución de la siguiente instrucción en Python conda

siu.lms.euroinnova.edu.es
122 / 123
[AFO0289D6] Diplomado en Análisis de Datos
[MOD0248BW] Análisis de Datos
[UDI150Y2C] Python y el análisis de datos

list

Una lista con todos los paquetes y sus versiones que tenemos instalados.

Información referente a la versión de Anaconda que estamos utilizando.

Información referente a los paquetes que no tenemos aún instalados pero si

s
disponibles para su descarga

u .e
5. ¿Qué tipo de gráfico podemos crear con la función quiver de pyplot?

ed
a.
Gráfico de datos 2D ov
Gráfico de campos de vectores
nn
oi

Gráfico circular o de “torta”

r
eu
s.
lm
u.
si

siu.lms.euroinnova.edu.es
123 / 123