Data Manipulation Lessons added

_sources/index_en.rst

@@ -34,6 +34,7 @@ Contents:
    lectures/TWP58/toctree_en
    lectures/TWP60/toctree_en
    lectures/TWP65/toctree_en
+   lectures/TWP66/toctree_en
    quiz/Quiz1_en.rst
    quiz/Quiz2_en.rst
    quiz/Quiz3_en.rst

_sources/index_es.rst

@@ -34,6 +34,7 @@ Contenidos:
    lectures/TWP58/toctree
    lectures/TWP60/toctree
    lectures/TWP65/toctree
+   lectures/TWP66/toctree
    quiz/Quiz1.rst
    quiz/Quiz2.rst
    quiz/Quiz3.rst

_sources/lectures/TWP66/TWP66_1.rst

@@ -0,0 +1,107 @@
+====================
+Introducción a NumPy
+====================
+
+.. image:: ../img/TWP66_001.png
+    :align: center
+    :alt:
+
+Introducción
+------------
+Esta conferencia integral se centra en dominar NumPy, una de las bibliotecas más populares en Python para cálculos numéricos. Exploraremos varias funcionalidades de NumPy, entendiendo cómo crear y manipular arreglos para realizar operaciones numéricas de manera efectiva.
+
+Parte 1: Entendiendo los Conceptos Básicos de NumPy
+---------------------------------------------------
+
+.. contents::
+    :local:
+
+Visión General
+~~~~~~~~~~~~~~
+NumPy es una poderosa biblioteca para cálculos numéricos en Python. Proporciona soporte para grandes arreglos y matrices multidimensionales, junto con una colección de funciones matemáticas para operar sobre estos arreglos.
+
+Instalando NumPy
+~~~~~~~~~~~~~~~~
+Instala NumPy usando pip::
+
+    pip install numpy
+
+Importando NumPy
+~~~~~~~~~~~~~~~~
+Importa NumPy en tu script de Python::
+
+    import numpy as np
+
+Creando Arreglos
+~~~~~~~~~~~~~~~~
+**Arreglo 1D**::
+
+    import numpy as np
+
+    # Crear un arreglo 1D
+    arr = np.array([1, 2, 3, 4, 5])
+    print("Arreglo 1D:", arr)
+
+**Arreglo 2D**::
+
+    import numpy as np
+
+    # Crear un arreglo 2D
+    arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
+    print("Arreglo 2D:", arr_2d)
+
+Operaciones con Arreglos
+~~~~~~~~~~~~~~~~~~~~~~~~
+**Operaciones Básicas**::
+
+    import numpy as np
+
+    # Crear un arreglo
+    arr = np.array([1, 2, 3, 4, 5])
+
+    # Realizar operaciones básicas
+    print("Suma:", np.sum(arr))
+    print("Media:", np.mean(arr))
+
+**Operaciones Elemento a Elemento**::
+
+    import numpy as np
+
+    # Crear arreglos
+    arr1 = np.array([1, 2, 3])
+    arr2 = np.array([4, 5, 6])
+
+    # Suma elemento a elemento
+    print("Suma Elemento a Elemento:", arr1 + arr2)
+
+    # Multiplicación elemento a elemento
+    print("Multiplicación Elemento a Elemento:", arr1 * arr2)
+
+Manipulación de la Forma
+~~~~~~~~~~~~~~~~~~~~~~~~
+**Cambio de Forma de Arreglos**::
+
+    import numpy as np
+
+    # Crear un arreglo 1D
+    arr = np.array([1, 2, 3, 4, 5, 6])
+
+    # Cambiar la forma del arreglo a 2x3
+    arr_reshaped = np.reshape(arr, (2, 3))
+    print("Arreglo con Forma Cambiada:", arr_reshaped)
+
+**Aplanamiento de Arreglos**::
+
+    import numpy as np
+
+    # Crear un arreglo 2D
+    arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
+
+    # Aplanar el arreglo
+    arr_flat = arr_2d.flatten()
+    print("Arreglo Aplanado:", arr_flat)
+
+Cuestionario
+------------
+.. raw:: html
+    :file: ../_static/TWP66/TWP66_1.html

_sources/lectures/TWP66/TWP66_1_en.rst

@@ -0,0 +1,107 @@
+=====================
+Introduction to NumPy
+=====================
+
+.. image:: ../img/TWP66_001.png
+    :align: center
+    :alt:
+
+Introduction
+------------
+This comprehensive lecture focuses on mastering NumPy, one of the most popular libraries in Python for numerical computations. We will explore various functionalities of NumPy, understanding how to create and manipulate arrays to effectively perform numerical operations.
+
+Part 1: Understanding NumPy Basics
+----------------------------------
+
+.. contents::
+    :local:
+
+Overview
+~~~~~~~~
+NumPy is a powerful library for numerical computations in Python. It provides support for large multi-dimensional arrays and matrices, along with a collection of mathematical functions to operate on these arrays.
+
+Installing NumPy
+~~~~~~~~~~~~~~~~
+Install NumPy using pip::
+
+    pip install numpy
+
+Importing NumPy
+~~~~~~~~~~~~~~~
+Import NumPy in your Python script::
+
+    import numpy as np
+
+Creating Arrays
+~~~~~~~~~~~~~~~
+**1D Array**::
+
+    import numpy as np
+
+    # Create a 1D array
+    arr = np.array([1, 2, 3, 4, 5])
+    print("1D Array:", arr)
+
+**2D Array**::
+
+    import numpy as np
+
+    # Create a 2D array
+    arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
+    print("2D Array:", arr_2d)
+
+Array Operations
+~~~~~~~~~~~~~~~~
+**Basic Operations**::
+
+    import numpy as np
+
+    # Create an array
+    arr = np.array([1, 2, 3, 4, 5])
+
+    # Perform basic operations
+    print("Sum:", np.sum(arr))
+    print("Mean:", np.mean(arr))
+
+**Element-wise Operations**::
+
+    import numpy as np
+
+    # Create arrays
+    arr1 = np.array([1, 2, 3])
+    arr2 = np.array([4, 5, 6])
+
+    # Element-wise addition
+    print("Element-wise Addition:", arr1 + arr2)
+
+    # Element-wise multiplication
+    print("Element-wise Multiplication:", arr1 * arr2)
+
+Shape Manipulation
+~~~~~~~~~~~~~~~~~~
+**Reshaping Arrays**::
+
+    import numpy as np
+
+    # Create a 1D array
+    arr = np.array([1, 2, 3, 4, 5, 6])
+
+    # Reshape the array to 2x3
+    reshaped_arr = np.reshape(arr, (2, 3))
+    print("Reshaped Array:", reshaped_arr)
+
+**Flattening Arrays**::
+
+    import numpy as np
+
+    # Create a 2D array
+    arr_2d = np.array([[1, 2, 3], [4, 5, 6]])
+
+    # Flatten the array
+    flat_arr = arr_2d.flatten()
+    print("Flattened Array:", flat_arr)
+
+Quiz
+----
+.. raw:: html
+    :file: ../_static/TWP66/TWP66_1_en.html

_sources/lectures/TWP66/TWP66_2.rst

@@ -0,0 +1,136 @@
+=====================
+Introducción a Pandas
+=====================
+
+.. image:: ../img/TWP66_002.png
+    :align: center
+    :alt:
+
+
+Introducción
+------------
+Esta lección se centra en Pandas, una poderosa biblioteca de Python para la manipulación y el análisis de datos. Exploraremos sus capacidades para manejar datos estructurados de manera efectiva.
+
+Comprendiendo los conceptos básicos de Pandas
+---------------------------------------------
+Pandas proporciona estructuras de datos como Series y DataFrame. Está construido sobre NumPy, lo que facilita el trabajo con datos estructurados.
+
+.. code-block:: python
+   :caption: Importando Pandas y Cargando Datos Simulados
+
+   import pandas as pd
+
+   # Datos simulados
+   data = {
+       'Name': ['John', 'Anna', 'Peter', 'Linda', 'Jack'],
+       'Age': [28, 23, 25, 24, 30],
+       'City': ['Nueva York', 'París', 'Berlín', 'Londres', 'Tokio']
+   }
+
+   # Creando un DataFrame
+   df = pd.DataFrame(data)
+
+   # Mostrando el DataFrame
+   print(df)
+
+Análisis Exploratorio de Datos (EDA) con Pandas
+-----------------------------------------------
+Verifica las dimensiones de los datos y examina su estructura:
+
+.. code-block:: python
+   :caption: Verificando Dimensiones e Información de los Datos
+
+   # Forma del DataFrame
+   print(df.shape)
+
+   # Información sobre el DataFrame
+   print(df.info())
+
+Limpieza y Transformación de Datos
+----------------------------------
+Renombrar columnas:
+
+.. code-block:: python
+   :caption: Limpiando y Transformando Datos
+
+   # Renombrar columnas
+   df.rename(columns={'Name': 'Nombre Completo', 'City': 'Ubicación'}, inplace=True)
+
+
+Manipulación y Agregación de Datos
+----------------------------------
+Selecciona, filtra, agrupa y agrega datos:
+
+.. code-block:: python
+   :caption: Manipulación y Agregación de Datos
+
+   # Seleccionando columnas
+   print(df[['Nombre', 'Edad']])
+
+   # Filtrando datos
+   datos_filtrados = df[df['Edad'] > 25]
+   print(datos_filtrados)
+
+   # Agrupando y agregando datos
+   estadisticas_por_edad = df.groupby('Edad').size()
+   print(estadisticas_por_edad)
+
+Visualización de Datos con Pandas y Matplotlib
+----------------------------------------------
+Utiliza Matplotlib para las visualizaciones:
+
+.. code-block:: python
+   :caption: Visualización de Datos
+
+   import matplotlib.pyplot as plt
+
+   # Ejemplo de gráfico
+   df['Edad'].plot(kind='hist', bins=5)
+   plt.title('Distribución de Edad')
+   plt.xlabel('Edad')
+   plt.ylabel('Frecuencia')
+   display(plt, "plot_area") # Reemplazar con plt.show() si se ejecuta localmente
+
+.. note::
+   Estamos utilizando PyScript para ejecutar NumPy y Matplotlib en el navegador. 
+   Usa `plt.show()` en lugar de `display(plt, "plot_area")` para mostrar los gráficos si ejecutas el código localmente.
+
+Ejemplo Interactivo
+--------------------
+Aquí tienes un ejemplo interactivo donde puedes filtrar el DataFrame en función de la edad y visualizar los resultados:
+
+.. activecode:: ac_l66_2_1
+   :nocodelens:
+   :language: python3
+   :python3_interpreter: pyscript
+
+   import pandas as pd
+   import matplotlib.pyplot as plt
+
+   # Datos simulados
+   data = {
+       'Name': ['John', 'Anna', 'Peter', 'Linda', 'Jack'],
+       'Age': [28, 23, 25, 24, 30],
+       'City': ['Nueva York', 'París', 'Berlín', 'Londres', 'Tokio']
+   }
+
+   # Crear DataFrame
+   df = pd.DataFrame(data)
+
+   # Filtrar DataFrame por edad
+   df_filtrado = df[df['Edad'] > 25]
+
+   # Graficando datos filtrados
+   df_filtrado.plot(kind='bar', x='Nombre', y='Edad', color='skyblue')
+   plt.title('Distribución de Edad para Personas Mayores de 25 Años')
+   plt.xlabel('Nombre')
+   plt.ylabel('Edad')
+   print("El gráfico se muestra abajo en el campo:")
+   display(plt, "plot_area") # Reemplazar con plt.show() si se ejecuta localmente
+
+.. note::
+    Asegúrate de ejecutar todos los bloques de código proporcionados para ver los resultados completos y comprender las funcionalidades demostradas.
+
+Ejercicio
+---------
+Escribe un código para calcular la edad promedio de las personas en el DataFrame.