Una introducción a la programación en python

Cecilia Jarne

[Link]@[Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 1 / 67

Qué es Python?

Es un lenguaje de programación interpretado, que permite tipeado

dinámico y es multiplataforma.
Soporta orientación a objetos.
Programación imperativa.
Programación funcional.

Se pueden usar distintos paradigmas de programación.

Tiene una sintaxis clara.
Se puede extender su funcionalidad a través de distintas librerı́as.

[Link]
Cecilia Jarne Fundamentos de Python [Link]@[Link] 2 / 67
Motivos para aprender Python

Fácil de aprender.
Un conjunto gigante de librerı́as.
Soporte cientı́fico excelente!!
Se puede desarrollar software bastante rápido.
Posee una licencia de código abierto.
Una comunidad gigante desarrollando con la cual realmente se puede
contar.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 3 / 67

Un poquito de historia

Desarrollado desde 1989

Autor: Guido van Rossum (si lo queres seguir: @gvanrossum)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 4 / 67

Sobre el diseño

Zen de Python, por Tim Peters

Bello es mejor que feo.

Explı́cito es mejor que implı́cito.
Simple es mejor que complejo.
Complejo es mejor que complicado.
Si la implementación es difı́cil de explicar, es una mala idea.
Tomado de: [Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 5 / 67

 Uso del intérprete
Sobre la instalación de python
(Las distribuciones de Linux generalmente incluyen python)
Para llamar al intérprete:
1 python
2

Para ver la versión que tienen instalada:

1 python -V o python --version
2

Posibilidad de probar porciones de código en el modo interactivo

antes de integrarlo como parte de un programa.
1 >>> 1 + 1
2 2
3 >>> a = range(10)
4 >>> print(a)
5 [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 6 / 67

 Ideas básicas

En un lenguaje estático, el nombre de la variable está ligado a

• un tipo.
• un objeto.
En python puede tomar distintos valores en otro momento, incluso de
un tipo diferente al que tenı́a previamente.

1 x = 1
2 x = "text" # dynamic typing :)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 7 / 67

Tipos de datos

Una lista de los tipos de datos más comunes:

[Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 8 / 67

Tipos de datos

Una lista de los tipos de datos más comunes:

[Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 9 / 67

 Algunas ideas para entender que es mutable e inmutable

1 >> x = ’foo’ 1 >> def func(val):

2 >> y = x 2 >> val += [3, 2, 1]
3 >> print(x) 3
4 foo 4 >> x = [1, 2, 3]
5 >> y += ’bar’ 5 >> print(x)
6 >> print(x) 6 [1, 2, 3]
7 foo 7 >> func(x)
1 >> def func(val): 8 >> print(x)
2 >> val += ’bar’ 9 [1, 2, 3, 3, 2, 1]
3 >> x = ’foo’ 1 >> a="ejemplo"
4 >> print x 2 >> a="otro"
5 foo 3 >> a[2]="c"
6 >> func(x) 4 Traceback (most recent call last):
7 >> print(x) 5 File "<stdin>", line 1, in <module>
8 foo 6 TypeError: ’str’ object does not support item
1 >> x = [1, 2, 3] assignment
2 >> y = x
3 >> print (x)
4 [1, 2, 3]
5 >> y += [3, 2, 1]
6 >> print (x)
7 [1, 2, 3, 3, 2, 1]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 10 / 67

 Sintaxis de Python

En C o C++: se usa ; al final de 1 if(a>b)

cada linea 2 foo();
3 bar();
4 baz();

En python: El nivel de indentación es significativo! Aca la ultima linea se

ejecuta fuera del condicional.

1 if(a>b):
2 foo()
3 bar()
4 baz()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 11 / 67

Sintaxis de Python

Cecilia Jarne Fundamentos de Python [Link]@[Link] 12 / 67

 Sintaxis de Python

Cómo definir una función:

1 def function(x,y,z):
2 x=3*y
3 return x+y-z

Algunas funciones en Python que devuelven valores:

1 >> longitud = len(’La casa de la pradera’)

2 >> print (longitud)
3 21

Cecilia Jarne Fundamentos de Python [Link]@[Link] 13 / 67

 Sintaxis de Python ejemplo
En C la indentation es opcional:

1 int factorial(int x)
2 {
3 if (x == 0)
4 return 1;
5 else
6 return x * factorial(x - 1);
7 }

En python es obligatoria:

1 def factorial(x):
2 if x == 0:
3 return 1
4 else:
5 return x * factorial(x - 1)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 14 / 67

 Recursividad en Python

Un ejemplo simple:

1
2 def jugar(intento=1):
3 respuesta = raw_input("De que color es una naranja? ")
4 if respuesta != "naranja":
5 if intento < 3:
6 print "\nFallaste Intentalo de nuevo"
7 intento += 1
8 jugar(intento) # Llamada recursiva
9 else:
10 print "\nPerdiste"
11 else:
12 print "\nGanaste!"
13 jugar()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 15 / 67

Operadores en Python

Matemáticos:
Name Function symbol
+ Addition Adds values on either side of the operator. a + b = 30
- Subtraction Subtracts right hand operand from left hand operand. a – b = -10
* Multiplication Multiplies values on either side of the operator a * b = 200
/ Division Divides left hand operand by right hand operand b/a=2
% Modulus Divides left hand operand by right hand operand and returns remainder b% a = 0
** Exponent Performs exponential (power) calculation on operators a**b =10 to the power 20

Booleanos:
Operation Result
x or y if x is false, then y, else x
x and y if x is false, then x, else y
not x if x is false, then True, else False

Cecilia Jarne Fundamentos de Python [Link]@[Link] 16 / 67

 Strings

Se puede usar ’ o “ para la definición de los string

1 a= "Soy Cecilia"
2 b= ’Soy de Argentina’

Para imprimir en la pantalla:

print (’---All rigth!!!----’)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 17 / 67

Strings: ejemplos

Un ejemplo:

’Yo comi %d %s hoy’ %(12,’manzanas’)

Otro ejemplo: I ate [Link](12,’apples’)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 18 / 67

structures
List

1 a=[1,’apple’,1.2]

Tuple

1 a=(1,’apple’,1.2)

Dict

1 a={’name’:’Giovanni’, ’age’:42}

Set

1 a={1,’apple’,1.2}

Cecilia Jarne Fundamentos de Python [Link]@[Link] 19 / 67

Listas

Son estructuras de python super útiles

Se pueden acceder usando un ı́ndice y se puede hacer slicing

1 a[0] a[1] a[2:5] a[Link]

Para obtener el ultimo elemento de la lista:

1 a[-1]

Se pueden definir por comprensión

1 [x**2 for x in range(1,11)]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 20 / 67

Métodos útiles asociados a las listas

[Link](obj)
Appends object obj to list

[Link](obj)
Returns count of how many times obj occurs in list

[Link](seq)
Appends the contents of seq to list

[Link](obj)
Returns the lowest index in list that obj appears

[Link](index, obj)

Inserts object obj into list at offset index

Cecilia Jarne Fundamentos de Python [Link]@[Link] 21 / 67

Métodos útiles asociados a las listas

[Link](obj=list[-1])
Removes and returns last object or obj from list

[Link](obj)
Removes object obj from list

[Link]()

Reverses objects of list in place

Cecilia Jarne Fundamentos de Python [Link]@[Link] 22 / 67

Mis Motivos (y los de muchos) para usar Python

Estas librerı́as:

NumPy:
[Link]
SciPy:
[Link]
MatPlotLib:
[Link]

Son todas open source!

Cecilia Jarne Fundamentos de Python [Link]@[Link] 23 / 67

Mis Motivos (y los de muchos) para usar Python

NumPy provee funcionalidad para crear, borrar, manejar y operar en

grandes arrays de datos crudos (como los de Fortran and C/C++
arrays).
SciPy extiende NumPy con una colección de algoritmos útiles como
minimimización, transformada de Fourier, regresión y otras
herramientas.
Ambos paquetes son add-on packages (no son parte de python en si.
Continen código en Python y compilado con (fftpack, BLAS).
MatPlotLib es una librerı́a para hacer gráficos.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 24 / 67

Numpy

NumPy es un paquete fundamental para python de programación

cientı́fica. Entre otras cosas contiene:

Potentes arrays N-dimensionales.

Funciones sofisticadas.
Herramientas para integración con código C/C++ y Fortran.
Herramientas útiles de alegra lineal, transformada de fourier, y
generadores de números aleatorios.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 25 / 67

Scipy

Es un paquete que extiende la funcionalidad de Numpy con una

colección substancial de algoritmos por ejemplo de minimización, cálculo y
procesamiento de señales.
Es user-friendly
Tiene rutinas eficientes de integration and optimization. Permiten
trabajar con:

• Clustering.
• Fourier transforms.
• numerical integration, interpolations.
• data I/O, LAPACK.
• sparse matrices, linear solvers, optimization.
• signal processing.
• statistical functions.
Cecilia Jarne Fundamentos de Python [Link]@[Link] 26 / 67
Matplotlib

Es una librerı́a de python para gráficos 2D (y 3D también un poquito) que

produce imágenes de alta calidad en una gran diversidad de formatos y
entornos o plataformas interactivas.

Python scripts.
The Python y tambien IPython shell.
The jupyter notebook.
Web application servers.
Graphical user interface toolkits.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 27 / 67

 Como usarlas?
Es necesario importar las librerias:

1 import numpy
2 import scipy
3 import [Link]

Se puede hacer de distintas maneras:

1 import numpy
2 import numpy as np
3 from numpy import *

Yo uso:

1 import numpy as np
2 import scipy as sp
3 import [Link] as pp (o tambien) plt

Cecilia Jarne Fundamentos de Python [Link]@[Link] 28 / 67

Cosas sobre Numpy

Funcionalidad de NumPy :

Funciones polinómicas.
Cómputo estadı́stico.
Generadores de números aleatoreos.
Transformada de Fourier discreta.
Cambio de tamaño, forma, testeo y cálculo con arrays.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 29 / 67

Algo fundamental de Numpy: [Link]

Hay 5 mecanismos generales para crear arrays:

Conversión desde otras estructuras de Python (e.g., lists, tuples).

Directamente como Numpy array (e.g., arange, ones, zeros, etc.).
Leer los arrays del disco.
Crearlos a partir de strings o datos en buffers.
Usar las librerı́as especiales (e.g., random).

Cecilia Jarne Fundamentos de Python [Link]@[Link] 30 / 67

 Numpy: ejemplos
(>>> significa input)

1 import numpy as np
2 >>> x = [Link]([2, 3, 1, 0])
3 >>> print(x)
4 [2 3 1 0]
5
6 >>> [Link](10)
7 array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
8
9 >>> [Link](2, 10, dtype=[Link])
10 array([ 2., 3., 4., 5., 6., 7., 8., 9.])
11
12 >>> [Link](2, 3, 0.1)
13 array([ 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6, 2.7, 2.8, 2.9])
14
15 >>> [Link](1., 4., 6)
16 array([ 1. , 1.6, 2.2, 2.8, 3.4, 4. ])

Cecilia Jarne Fundamentos de Python [Link]@[Link] 31 / 67

 Cambiando la forma del array

1 >>> a = [Link]((5, 2))

2 >>> print(a)
3 [[ 0. 0.]
4 [ 0. 0.]
5 [ 0. 0.]
6 [ 0. 0.]
7 [ 0. 0.]]

reshape:

1 >>> b = [Link]((2, 5))

2 >>> print(b)
3 [[ 0. 0. 0. 0. 0.]
4 [ 0. 0. 0. 0. 0.]]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 32 / 67

 Trasponer y llenar:

Algunas rutinas de ejemplo:

1 >>> x = [Link]([1.,2.,3.,4.])
2 >>> x
3 array([ 1., 2., 3., 4.])
4 >>> x.T
5 array([ 1., 2., 3., 4.])

1 >>> a = [Link]([1, 2])

2 >>> [Link](0)
3 >>> a
4 array([0, 0])
5 >>> a = [Link](2)
6 >>> [Link](1)
7 >>> a
8 array([ 1., 1.])

Cecilia Jarne Fundamentos de Python [Link]@[Link] 33 / 67

 Operaciones elementales con Numpy:

1 x = [Link]([[1,2],[3,4]], dtype=np.float64)
2 y = [Link]([[5,6],[7,8]], dtype=np.float64)
3
4 # Elementwise sum; both produce the array
5
6 >>>print(x + y)
7 >>>print([Link](x, y))
8 [[ 6.0 8.0]
9 [10.0 12.0]]
10
11 # Elementwise difference; both produce the array
12
13 >>>print(x - y)
14 >>>print([Link](x, y))
15 [[-4.0 -4.0]
16 [-4.0 -4.0]]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 34 / 67

 Operaciones elementales con Numpy:

1 # Elementwise product; both produce the array

2 >>>print(x * y)
3 >>>print([Link](x, y))
4 [[ 5.0 12.0]
5 [21.0 32.0]]
6
7 # Elementwise division; both produce the array
8 >>>print(x / y)
9 >>>print([Link](x, y))
10 [[ 0.2 0.33333333]
11 [ 0.42857143 0.5 ]]
12
13 # Elementwise square root; produces the array
14 >>>print([Link](x))
15 [[ 1. 1.41421356]
16 [ 1.73205081 2. ]]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 35 / 67

 Más operaciones con arrays
1 x = [Link]([[1,2],[3,4]])
2 y = [Link]([[5,6],[7,8]])
3
4 v = [Link]([9,10])
5 w = [Link]([11, 12])
6
7 # Inner product of vectors; both produce 219
8 print([Link](w))
9 print([Link](v, w))
10
11 # Matrix / vector product; both produce the rank 1 array [29 67]
12 print([Link](v))
13 print([Link](x, v))
14
15 # Matrix / matrix product; both produce the rank 2 array
16
17 print([Link](y))
18 print([Link](x, y))

Cecilia Jarne Fundamentos de Python [Link]@[Link] 36 / 67

 Sobre creación de vectores

1 a = [Link]((2,2)) # Create an array of all zeros

2 print(a) # Prints "[[ 0. 0.]
3 # [ 0. 0.]]"
4 b = [Link]((1,2)) # Create an array of all ones
5 print(b) # Prints "[[ 1. 1.]]"
6 c = [Link]((2,2), 7) # Create a constant array
7 print(c) # Prints "[[ 7. 7.]
8 # [ 7. 7.]]"
9 d = [Link](2) # Create a 2x2 identity matrix
10 print(d) # Prints "[[ 1. 0.]
11 # [ 0. 1.]]"
12 e = [Link]((2,2)) # Create an array filled with random values
13 print(e) # Might print "[[ 0.91940167 0.08143941]
14 # [ 0.68744134 0.87236687]]"

Cecilia Jarne Fundamentos de Python [Link]@[Link] 37 / 67

Numpy Chart:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 38 / 67

Scipy Basics:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 39 / 67

Matplotlib basics and How do we prepare data in general?

Cecilia Jarne Fundamentos de Python [Link]@[Link] 40 / 67

 Como crear un dataset y salvarlo en un .txt

1 from math import *

2 import numpy as np
3 import [Link] as pp
4 #File creation
5 f_out_max = open(’[Link]’, ’w’)
6 #data generation
7 x = [Link](441)
8 Sin1 = 1*[Link](2*pi*(25/441.0)*x)
9 Sin2 = 0.25*[Link](2*pi*((25./2)/441.0)*x)
10 Sin = Sin1+Sin2
11 Vec = np.c_[x, Sin]
12 #printing
13 print (’Vec: ’, [Link])
14 #save in .txt file
15 [Link](f_out_max, Vec, fmt=’ %f’, delimiter=’\t’, header="x #f(x)")
16 f_out_max.close()
17 #plot figure
18 [Link]()
19 [Link](x*1./44100., Sin, color=’r’, label=’Sin vs x’)
20 [Link](’Time (s)’)
21 [Link]("fig_01.jpg",dpi=200)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 41 / 67

 Como crear un dataset y salvarlo en un .txt

1 from math import *

2 import numpy as np
3 import [Link] as pp
4 #File creation
5 f_out_max = open(’[Link]’, ’w’)
6 #data generation
7 x = [Link](441)
8 Sin1 = 1*[Link](2*pi*(25/441.0)*x)
9 Sin2 = 0.25*[Link](2*pi*((25./2)/441.0)*x)
10 Sin = Sin1+Sin2
11 Vec = np.c_[x, Sin]
12 #printing
13 print (’Vec: ’, [Link])
14 #save in .txt file
15 [Link](f_out_max, Vec, fmt=’ %f’, delimiter=’\t’, header="x #f(x)")
16 f_out_max.close()
17 #plot figure
18 [Link]()
19 [Link](x*1./44100., Sin, color=’r’, label=’Sin vs x’)
20 [Link](’Time (s)’)
21 [Link]("fig_01.jpg",dpi=200)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 41 / 67

 Como crear un dataset y salvarlo en un .txt

1 from math import *

2 import numpy as np
3 import [Link] as pp
4 #File creation
5 f_out_max = open(’[Link]’, ’w’)
6 #data generation
7 x = [Link](441)
8 Sin1 = 1*[Link](2*pi*(25/441.0)*x)
9 Sin2 = 0.25*[Link](2*pi*((25./2)/441.0)*x)
10 Sin = Sin1+Sin2
11 Vec = np.c_[x, Sin]
12 #printing
13 print (’Vec: ’, [Link])
14 #save in .txt file
15 [Link](f_out_max, Vec, fmt=’ %f’, delimiter=’\t’, header="x #f(x)")
16 f_out_max.close()
17 #plot figure
18 [Link]()
19 [Link](x*1./44100., Sin, color=’r’, label=’Sin vs x’)
20 [Link](’Time (s)’)
21 [Link]("fig_01.jpg",dpi=200)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 41 / 67

 Como crear un dataset y salvarlo en un .txt

1 from math import *

2 import numpy as np
3 import [Link] as pp
4 #File creation
5 f_out_max = open(’[Link]’, ’w’)
6 #data generation
7 x = [Link](441)
8 Sin1 = 1*[Link](2*pi*(25/441.0)*x)
9 Sin2 = 0.25*[Link](2*pi*((25./2)/441.0)*x)
10 Sin = Sin1+Sin2
11 Vec = np.c_[x, Sin]
12 #printing
13 print (’Vec: ’, [Link])
14 #save in .txt file
15 [Link](f_out_max, Vec, fmt=’ %f’, delimiter=’\t’, header="x #f(x)")
16 f_out_max.close()
17 #plot figure
18 [Link]()
19 [Link](x*1./44100., Sin, color=’r’, label=’Sin vs x’)
20 [Link](’Time (s)’)
21 [Link]("fig_01.jpg",dpi=200)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 41 / 67

Obtenemos:

Una tabla en txt y una figura:

#x #f(x)
0.000000 0.000000
1.000000 0.392994
2.000000 0.740813
3.000000 1.003819
4.000000 1.152764
5.000000 1.172342
6.000000 1.062998
7.000000 0.840786
8.000000 0.535279
9.000000 0.185801
10.000000 -0.163538
11.000000 -0.469389
12.000000 -0.694586
13.000000 -0.812779
14.000000 -0.811673
15.000000 -0.694499
16.000000 -0.479506
17.000000 -0.197559
18.000000 0.111860 ...

Cecilia Jarne Fundamentos de Python [Link]@[Link] 42 / 67

 Como abrir .txt or cvs

Un modo super facil es usar Numpy:

1 import numpy as np
2
3 file_name_you_want = [Link](fname,delimiter=" ")
4
5 print "First column element: ",file_name_you_want[0]
6 #to get the full column:
7
8 Transpose_your_file = file_name_you_want.T
9
10 print "First column: ", Transpose_your_file[0]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 43 / 67

 Como hacer un ajuste y graficarlo:

1 import numpy as np
2 import [Link] as pp
3 from [Link] import curve_fit
4
5 def fitFunc(t, a, b, c):
6 return a*[Link](-b*t) + c
7
8 t = [Link](0,4,50)
9 temp = fitFunc(t, 2.5, 1.3, 0.5)
10 noisy = temp + 0.25*[Link](size=len(temp))
11 fitParams, fitCovariances = curve_fit(fitFunc, t, noisy)
12
13 [Link](figsize=(12, 6))
14 [Link](’Temperature (C)’, fontsize = 16)
15 [Link](’time (s)’, fontsize = 16)
16 [Link](0,4.1)
17 [Link](t, noisy, fmt = ’ro’, yerr = 0.2)
18 sigma = [fitCovariances[0,0], fitCovariances[1,1], fitCovariances[2,2] ]
19 [Link](t, fitFunc(t, fitParams[0], fitParams[1], fitParams[2]))
20 [Link](t, fitFunc(t, fitParams[0] + sigma[0], fitParams[1] - sigma[1], fitParams[2] + sigma[2]))
21 [Link](t, fitFunc(t, fitParams[0] - sigma[0], fitParams[1] + sigma[1], fitParams[2] - sigma[2]))
22 [Link](’[Link]’, bbox_inches=0, dpi=600)
23 [Link]()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 44 / 67

 Como hacer un ajuste y graficarlo:

1 import numpy as np
2 import [Link] as pp
3 from [Link] import curve_fit
4
5 def fitFunc(t, a, b, c):
6 return a*[Link](-b*t) + c
7
8 t = [Link](0,4,50)
9 temp = fitFunc(t, 2.5, 1.3, 0.5)
10 noisy = temp + 0.25*[Link](size=len(temp))
11 fitParams, fitCovariances = curve_fit(fitFunc, t, noisy)
12
13 [Link](figsize=(12, 6))
14 [Link](’Temperature (C)’, fontsize = 16)
15 [Link](’time (s)’, fontsize = 16)
16 [Link](0,4.1)
17 [Link](t, noisy, fmt = ’ro’, yerr = 0.2)
18 sigma = [fitCovariances[0,0], fitCovariances[1,1], fitCovariances[2,2] ]
19 [Link](t, fitFunc(t, fitParams[0], fitParams[1], fitParams[2]))
20 [Link](t, fitFunc(t, fitParams[0] + sigma[0], fitParams[1] - sigma[1], fitParams[2] + sigma[2]))
21 [Link](t, fitFunc(t, fitParams[0] - sigma[0], fitParams[1] + sigma[1], fitParams[2] - sigma[2]))
22 [Link](’[Link]’, bbox_inches=0, dpi=600)
23 [Link]()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 44 / 67

 Como hacer un ajuste y graficarlo:

1 import numpy as np
2 import [Link] as pp
3 from [Link] import curve_fit
4
5 def fitFunc(t, a, b, c):
6 return a*[Link](-b*t) + c
7
8 t = [Link](0,4,50)
9 temp = fitFunc(t, 2.5, 1.3, 0.5)
10 noisy = temp + 0.25*[Link](size=len(temp))
11 fitParams, fitCovariances = curve_fit(fitFunc, t, noisy)
12
13 [Link](figsize=(12, 6))
14 [Link](’Temperature (C)’, fontsize = 16)
15 [Link](’time (s)’, fontsize = 16)
16 [Link](0,4.1)
17 [Link](t, noisy, fmt = ’ro’, yerr = 0.2)
18 sigma = [fitCovariances[0,0], fitCovariances[1,1], fitCovariances[2,2] ]
19 [Link](t, fitFunc(t, fitParams[0], fitParams[1], fitParams[2]))
20 [Link](t, fitFunc(t, fitParams[0] + sigma[0], fitParams[1] - sigma[1], fitParams[2] + sigma[2]))
21 [Link](t, fitFunc(t, fitParams[0] - sigma[0], fitParams[1] + sigma[1], fitParams[2] - sigma[2]))
22 [Link](’[Link]’, bbox_inches=0, dpi=600)
23 [Link]()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 44 / 67

 Como hacer un ajuste y graficarlo:

1 import numpy as np
2 import [Link] as pp
3 from [Link] import curve_fit
4
5 def fitFunc(t, a, b, c):
6 return a*[Link](-b*t) + c
7
8 t = [Link](0,4,50)
9 temp = fitFunc(t, 2.5, 1.3, 0.5)
10 noisy = temp + 0.25*[Link](size=len(temp))
11 fitParams, fitCovariances = curve_fit(fitFunc, t, noisy)
12
13 [Link](figsize=(12, 6))
14 [Link](’Temperature (C)’, fontsize = 16)
15 [Link](’time (s)’, fontsize = 16)
16 [Link](0,4.1)
17 [Link](t, noisy, fmt = ’ro’, yerr = 0.2)
18 sigma = [fitCovariances[0,0], fitCovariances[1,1], fitCovariances[2,2] ]
19 [Link](t, fitFunc(t, fitParams[0], fitParams[1], fitParams[2]))
20 [Link](t, fitFunc(t, fitParams[0] + sigma[0], fitParams[1] - sigma[1], fitParams[2] + sigma[2]))
21 [Link](t, fitFunc(t, fitParams[0] - sigma[0], fitParams[1] + sigma[1], fitParams[2] - sigma[2]))
22 [Link](’[Link]’, bbox_inches=0, dpi=600)
23 [Link]()

Cecilia Jarne Fundamentos de Python [Link]@[Link] 44 / 67

 Como hacer el ajuste
We obtain the fit parameters:
1 [ 2.595658 1.74438726 0.69809511]

The covariance matrix:

1 [[ 0.02506636 0.01490486 -0.00068609]
2 [ 0.01490486 0.04178044 0.00641246]
3 [-0.00068609 0.00641246 0.00257799]]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 45 / 67

 Otros tipos de gráficos

1 import networkx as nx
2 import pygraphviz
3 from graphviz import *

1 import [Link] as pp
2 [Link]([vector,bins=bins)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 46 / 67

 Aplicando Transformada de fourier y un sonograma

1 import [Link] as pp
2 [Link](signal, NFFT=nfft, Fs= sample_rate, noverlap=par, cmap=’jet’
)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 47 / 67

 Ejemplo de integración numérica
1 from [Link] import odeint
2 dy/dt = func(y, t0, ...)
3 sol = odeint(func, X0, t)

Cecilia Jarne Fundamentos de Python [Link]@[Link] 48 / 67

Se pueden hacer gráficos 3d y también videos

El ejemplo anterior estudiando una Curva paramétrica:

variable extra:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 49 / 67

What else do we need todo with data?

Cecilia Jarne Fundamentos de Python [Link]@[Link] 50 / 67

What can we do with data?

We are interested in:

Data Visualization.
Data Analysis (Identify features from the data).
Data Classification.
Implementation of different algorithms as intelligent as we can get.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 51 / 67

Which are the available algorithms?

Cecilia Jarne Fundamentos de Python [Link]@[Link] 52 / 67

What about machine learning?

Cecilia Jarne Fundamentos de Python [Link]@[Link] 53 / 67

What we have?

Cecilia Jarne Fundamentos de Python [Link]@[Link] 54 / 67

We can use Scikit learn

Cecilia Jarne Fundamentos de Python [Link]@[Link] 55 / 67

Scikit-learn Basics:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 56 / 67

Scikit-learn Basics:

Hands on in the afternoon to learn some basic use of a set of functions!

Cecilia Jarne Fundamentos de Python [Link]@[Link] 57 / 67

Neural Networks:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 58 / 67

Neural Networks:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 59 / 67

How do we implement this algorithms?

From zero with math libraries and python.

Using dedicated open source frameworks:
• Tensorflow.
• Keras.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 60 / 67

Keras Basics:

Keras: A high-level neural networks API, written in Python and capable of

running on top of TensorFlow, CNTK, or Theano. It was developed with a
focus on enabling fast experimentation. Being able to go from idea to
result with the least possible delay is key to doing good research.

Cecilia Jarne Fundamentos de Python [Link]@[Link] 61 / 67

Keras Basics:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 62 / 67

Conclusiones

Les dejamos una colección infinitamente grande de herramientas y

recursos recombinables y reutilizables para poner en práctica.
El salto es mas pequeño de lo que parece.
Posibilidades de reutilizar y adaptar código a nuestras necesidades
para crear soluciones prácticas.
Una guia de estilo en:
[Link]
ejemplos de Matplotlib: [Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 63 / 67

Más librerı́as para análisis de datos:

Scikit learn:
[Link]
Pandas
[Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 64 / 67

Otras librerı́as para análisis de datos:

Cecilia Jarne Fundamentos de Python [Link]@[Link] 65 / 67

Algo más

Invitación: [Link]

Cecilia Jarne Fundamentos de Python [Link]@[Link] 66 / 67