Scribd
Cargar
9 vistas

Sesion 06 - Power BI Con Python (Python)

_

Cargado por

erick canchari vilchez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
9 vistas

Sesion 06 - Power BI Con Python (Python)

_

Cargado por

erick canchari vilchez
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PPTX, PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 23

2024

Power BI con Python


Aplicado a Minería
Jose Fukasawa
Agenda
• Conceptos
• Tipos de datos,
• Numéricos
• Secuenciales
• Otros
• Funciones
• Loops
• Funciones Lambda
• Dataframes
• Librerías
• Numpy
• Pandas
• Matpotlib
Conceptos
Conceptos
Tipos de datos
Conceptos
Tipos de datos
Conceptos
Tipos de datos - Núméricos

Tipo Clase Descripción Ejemplo


Enteros/Integers int Números enteros, positivos o negativos a=5
print(type(a))
Decimales/Floats float Números decimales, positivos o negativos a = 5.0
print(type(a))
Números Complejos/ complex Número real + número imaginario a = 5 + 5j
Complex Numbers print(type(a))
Conceptos
Tipos de datos - Secuenciales

Tipo Clase Descripción Ejemplo


Textos/Strings str Un array de caracteres (ordenado) String1 = 'String 1'
String2 = "String 2"
String3 = '''String 3'''
Lists/Listas list Un array de ítems/objetos (ordenado) List1 = [ 123 , 'ABC' , 5.0 , ['X' , 'Y' , 'Z' ] ]

Tuples tuple Un array de ítems/objetos no modificable Tuple1 = ( 123 , 'ABC' , 5.0 , ('X' , 'Y' , 'Z' ) )
Conceptos
Tipos de datos - Otros

Tipo Clase Descripción Ejemplo


Boolean bool Verdadero o Falso Boolean1 = True
Boolean2 = False
Sets set Un conjunto de ítems iterable y sin duplicados (no Set1 = set( [ 123 , 'ABC’ , 5.0 ] )
ordenado) Set2 = { 123 , 'ABC' , 5.0 }
Diccionario dict Un conjunto de llaves y valores (no ordenado) Dict1 = { "a“ : 1 , "b“ : 2 }
Conceptos
Funciones
Función básica def my_function():
print("Hola desde una funcion")

Llamado de la función  my_function()

Función con argumento def my_function(nombre):


print(nombre + " es aburrido")

my_function("Jose")

Función con argumentos def my_function(nombre, apellido):


print(nombre + " " + apellido +" es muy
aburrido")

my_function ("Jose", "Fukasawa")


Conceptos
Funciones
Función con cantidad de def my_function(*nombres):
argumentos indefinidos print(nombres[0] + " es el primer nombre")

my_function ("Jose", "Pepe")

Función con argumentos por def my_function(nombre1, nombre2):


keyword print(nombre2 + " ya no es aburrido")

my_function( nombre2 = "Jose" ,nombre1 = "Pepe")

Función con argumentos por def my_function(nombre= "Jose"):


defecto print(nombre + " hace las mejores fiestas")

my_function ()
Conceptos
Funciones
Función que retorna un valor def my_function(x):
return x * 2

print(my_function(4))
nuevo_valor = my_function(11)
print(nuevo_valor)
Conceptos
Loops – For & While

fruits = ["apple", "banana", "cherry"]

for x in fruits:
print(x)

i = 1
while i < 6:
print(i)
i += 1
Conceptos
Funciones Lambda

lambda argumentos : expresión

Reglas:
- Puede aceptar cualquier cantidad de argumentos
- Retorna únicamente un valor

Ejemplo:
x = lambda a : a + 10
print(x(5))
Conceptos
Dataframes
import pandas as pd

data = {
"calories": [420, 380, 390],
"duration": [50, 40, 45]
}

df = pd.DataFrame(data)

print(df)

import pandas as pd

df = pd.read_csv('data.csv')

print(df)
Conceptos
Dataframes

print(df.loc[0])

print(df.loc[[0, 1]])

print(df.loc[“col1"])
Librerías
Librerías
Numpy

Numpy es una librería de Python usada para trabajar con arrays.

Los arrays de Numpy son considerablemente más rápidos que las listas nativas de
Python. Esto, además de una lista extensa de posibilidades, hacen de esta librería una
de las usadas por defecto en el análisis de datos.

import numpy as np

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

print(arr)

print(type(arr))
Librerías
Pandas

Pandas es una librería de Python usada para trabajar con dataframes, importar
archivos planos, explorar, limpiar y manipular datos.

Los dataframes de Pandas son los objetos más usados para el análisis de datos, ya que
son un simil a las tablas de doble entrada (filas y columnas).

Además de tener la capacidad de leer archivos planos y solidificar la etapa de limpieza


de datos, la utilidad de las fórmulas de esta librería la hacen sumamente atractiva
para entender los datos a un nivel de tabla.
Librerías
Pandas
import pandas as pd

df = pd.read_csv('data.csv')

print(df.head(10))

print(df.tail())

print(df.info())

df = pd.read_csv('data.csv')

new_df = df.dropna()

print(new_df.to_string())
Librerías
Pandas
df.loc[7, 'col1'] = 45

for x in df.index:
if df.loc[x, “col1"] > 120:
df.loc[x, “col1"] = 120

for x in df.index:
if df.loc[x, “col1"] > 120:
df.drop(x, inplace = True)

df.drop_duplicates(inplace = True)
Librerías
Matplotlib

Pandas es una librería de Python usada para visualizar datos.

Los gráficos de esta librería (junto con Seaborn) son los usados por defecto para el
análisis de datos.
import matplotlib.pyplot as plt
import numpy as np

xpoints = np.array([1, 2, 6, 8])


ypoints = np.array([3, 8, 1, 10])

plt.plot(xpoints, ypoints)
plt.show()
Librerías
Matplotlib
import matplotlib.pyplot as plt
import numpy as np

x = np.array([5,7,8,7,2,17,2,9,4,11,12,9,6])
y = np.array([99,86,87,88,111,86,103,87,94,78,77,85,86])
colors = np.array([0, 10, 20, 30, 40, 45, 50, 55, 60, 70, 80, 90, 100])

plt.scatter(x, y, c=colors, cmap='viridis')

plt.colorbar()

plt.show()
Síguenos en nuestras comunidades

También podría gustarte