UNIVERSIDAD AUTÓNOMA DE NUEVO LEÓN FACULTAD DE CONTADURÍA PÚBLICA Y ADMINISTRACIÓN

Análisis de datos

Evidencia 1
Lic En Administración
Semestre: 6° Grupo: FA
Maestro: OLMEDO AGUILAR JOSE MANUEL

Integrantes de equipo:
1997817 GONZALEZ VALDES JESUS GERARDO
2012821 GUEVARA SIERRA ANA LUCIA
1960644 SALDAÑA ACEVEDO CARLO DAVID
1863147 VEGA VAZQUEZ MAURICIO
1994618 VELA ARANDA VANESSA ARELY
2129120 VIERA RANGEL GABRIELA JAQUELINE
 Introducción
El análisis de datos utilizando pandas en Python es una herramienta que permite organizar,
manipular y analizar conjuntos de datos de manera eficiente. Pandas es una biblioteca
ampliamente utilizada, que facilita el manejo de grandes volúmenes de información y permite
realizar operaciones complejas de manera sencilla y estructurada.

En este caso, hemos aplicado pandas para trabajar con un DataFrame en el que generamos
18 series diferentes en el que cada una contiene información sobre 10 tipos diferentes de
objetos. A través de diversos comandos, hemos realizado operaciones que nos permiten
extraer información relevante sobre estos temas dependiendo el tema algunos ejemplos
serian como la longitud de sus nombres, su tamaño, su nivel de peligrosidad, o ordenar
alfabéticamente.

Una de las operaciones realizadas fue la organización de los temas fue por la longitud de sus
nombres. Esta operación es útil para identificar patrones en los nombres de los objetos.

En conjunto, estas operaciones realizadas con pandas no solo nos permiten organizar y
categorizar la información de manera eficiente, sino que también nos proporcionan una
visión más clara y detallada de cada tipo de tema. Este enfoque facilita el análisis de los
datos y nos permite tomar decisiones basadas en la información obtenida.
# -*- coding: utf-8 -*-
"""evidencia 1 aldat

Automatically generated by Colab.

Original file is located at

[Link]
x3U

ANA LUCIA GUEVARA SIERRA 2012821

nombres de mujeres
"""

import pandas as pd

# Crear el DataFrame
df = [Link]({'Nombres': ['MarÃ-a', 'SofÃ-a', 'Valentina',
'Isabella', 'Camila', 'Valeria', 'Martina', 'Gabriela', 'LucÃ-a',
'Daniela']})
print(df)

import pandas as pd

# Mostrar las primeras 5 filas

print([Link]())

import pandas as pd

# Agregar una columna con la longitud de los nombres

df['Longitud'] = df['Nombres'].apply(len)
print(df)

import pandas as pd

# Filtrar nombres con más de 6 caracteres

nombres_largos = df[df['Longitud'] > 6]
print(nombres_largos)

import pandas as pd
# Ordenar el DataFrame por la longitud de los nombres
df_ordenado = df.sort_values(by='Longitud', ascending=False)
# Mostrar el DataFrame ordenado
print(df_ordenado)

"""generos de musica

"""

import pandas as pd

# crear el DataFrame
df = [Link]({'Géneros': ['Rock', 'Pop', 'Jazz', 'Reggaetón',
'Clásica', 'Hip-Hop', 'Electrónica', 'Salsa', 'Blues', 'Country']})
print(df)

# Mostrar la estructura del DataFrame

print([Link]())

# Agregar una columna con la primera letra de cada género

df['Primera_Letra'] = df['Géneros'].str[0]
print(df)

# Filtrar géneros que empiezan con "C"

generos_c = df[df['Primera_Letra'] == 'C']
print(generos_c)

# Contar cuántos géneros empiezan con cada letra

conteo_letras = df['Primera_Letra'].value_counts()
print(conteo_letras)

"""tipos de dinosaurios"""

import pandas as pd

# Crear el DataFrame con nombres de dinosaurios

df = [Link]({
'Dinosaurios': ['Tyrannosaurus', 'Triceratops', 'Velociraptor',
'Stegosaurus', 'Brachiosaurus', 'Pteranodon', 'Spinosaurus',
'Ankylosaurus', 'Diplodocus', 'Parasaurolophus']
})
print(df)

# Agregar una columna con la longitud del nombre

df['Longitud_Nombre'] = df['Dinosaurios'].apply(len)
print(df)

# Agregar una columna con el tamaño (en metros, como ejemplo)

df['Tamaño_m'] = [12, 9, 2, 9, 25, 6, 15, 6, 27, 10]
print(df)

# Ordenar de mayor a menor tamaño

df_ordenado_tamaño = df.sort_values(by='Tamaño_m', ascending=False)
print(df_ordenado_tamaño)

# Agregar una columna con la dieta

df['Dieta'] = ['CarnÃ-voro', 'HerbÃ-voro', 'CarnÃ-voro', 'HerbÃ-voro',
'HerbÃ-voro', 'CarnÃ-voro', 'CarnÃ-voro', 'HerbÃ-voro', 'HerbÃ-voro',
'HerbÃ-voro']
print(df)

# Filtrar por carnÃ-voros

df_carnivoros = df[df['Dieta'] == 'CarnÃ-voro']
print(df_carnivoros)

# Filtrar por herbÃ-voros

df_herbivoros = df[df['Dieta'] == 'HerbÃ-voro']
print(df_herbivoros)

# Agregar una columna con el nivel de peligrosidad (1 más peligroso,

10 menos peligroso)
df['Peligrosidad'] = [1, 5, 2, 6, 8, 3, 4, 7, 9, 6]
print(df)

# Ordenar de más a menos peligroso

df_ordenado_peligro = df.sort_values(by='Peligrosidad')
print(df_ordenado_peligro)

# Agregar una columna indicando si volaban o no

df['Volador'] = [False, False, False, False, False, True, False,
False, False, False]
print(df)

# Filtrar los que volaban

df_voladores = df[df['Volador'] == True]
print(df_voladores)

# Filtrar los que no volaban

df_no_voladores = df[df['Volador'] == False]
print(df_no_voladores)

"""# Nueva sección

Carlo David Saldaña Acevedo 1960644

tipos de carros
"""

import pandas as pd

# Datos de ejemplo
data = {
'PaÃ-s': ['China', 'India', 'Estados Unidos', 'Indonesia',
'Pakistán',
'Brasil', 'Nigeria', 'Bangladesh', 'Rusia', 'México'],
'Capital': ['PekÃ-n', 'Nueva Delhi', 'Washington, D.C.',
'Yakarta', 'Islamabad',
'Brasilia', 'Abuya', 'Daca', 'Moscú', 'Ciudad de
México'],
'Población': [1400000000, 1366000000, 331000000, 273000000,
225000000,
213000000, 206000000, 166000000, 146000000,
128000000],
'Superficie': [9640000, 3287263, 9833520, 1910931, 88191,
8515767, 923768, 147570, 17098242, 1964375],
'Continente': ['Asia', 'Asia', 'América del Norte', 'Asia',
'Asia',
'América del Sur', 'Õfrica', 'Asia', 'Europa',
'América del Norte'],
'Idioma': ['Chino', 'Hindi', 'Inglés', 'Indonesio', 'Urdu',
 'Portugués', 'Inglés', 'BengalÃ-', 'Ruso',
'Español'],
'Idioma': ['Chino', 'Hindi', 'Inglés', 'Indonesio', 'Urdu',
'Portugués', 'Inglés', 'BengalÃ-', 'Ruso',
'Español'],
'Calidad de Vida': [6.3, 5.9, 7.1, 5.7, 5.6,
6.1, 5.8, 6.0, 6.5, 6.2] # Escala de 1 a 10
}

# Crear el DataFrame
df = [Link](data)

# Mostrar el DataFrame
print(df)

"""vehiculos"""

import pandas as pd

# Datos de ejemplo
data = {
'VehÃ-culo': ['Toyota Corolla', 'Honda Civic', 'Ford Focus',
'Chevrolet Cruze', 'Hyundai Elantra',
'Nissan Sentra', 'Mazda 3', 'Subaru Impreza',
'Volkswagen Jetta', 'Kia Forte'],
'Uso (mil km)': [30, 40, 25, 35, 20, 45, 30, 15, 50, 22],
'Velocidad (km/h)': [180, 190, 170, 160, 185, 175, 180, 165, 200,
170],
'Eficiencia (km/l)': [15, 14, 13, 12, 16, 14, 13, 12, 15, 14]
}

df = [Link](data)
print(df)

# VehÃ-culos más utilizados

df_mas_utilizados = df.sort_values(by='Uso (mil km)', ascending=False)
print("VehÃ-culos más utilizados:")
print(df_mas_utilizados)

# VehÃ-culos menos utilizados

df_menos_utilizados = df.sort_values(by='Uso (mil km)')
print("\nVehÃ-culos menos utilizados:")
print(df_menos_utilizados)

# VehÃ-culos más veloces

df_mas_veloces = df.sort_values(by='Velocidad (km/h)',
ascending=False)
print("VehÃ-culos más veloces:")
print(df_mas_veloces)

# VehÃ-culos menos veloces

df_menos_veloces = df.sort_values(by='Velocidad (km/h)')
print("\nVehÃ-culos menos veloces:")
# VehÃ-culos ordenados por orden alfabético
df_orden_alfabetico = df.sort_values(by='VehÃ-culo')
print("VehÃ-culos ordenados por orden alfabético:")
print(df_orden_alfabetico)

# VehÃ-culos más eficaces

df_mas_eficaces = df.sort_values(by='Eficiencia (km/l)',
ascending=False)
print("VehÃ-culos más eficaces:")
print(df_mas_eficaces)

# VehÃ-culos menos eficaces

df_menos_eficaces = df.sort_values(by='Eficiencia (km/l)')
print("\nVehÃ-culos menos eficaces:")
print(df_menos_eficaces)

"""bebidas"""

import pandas as pd

# Crear un DataFrame de ejemplo con 10 bebidas

data = {
'Bebida': ['Café', 'Té', 'Jugo de Naranja', 'Soda', 'Cerveza',
'Vino', 'Agua Mineral', 'Limonada', 'Batido de Fresa', 'Espresso'],
'Popularidad': [8, 7, 6, 9, 5, 4, 10, 6, 7, 9], # Escala de 1 a
10
'Ventas': [150, 200, 120, 250, 100, 80, 300, 130, 110, 170], #
Unidades vendidas
'Costo': [2.5, 1.5, 3.0, 1.0, 4.5, 7.0, 1.2, 2.0, 5.0, 3.5], #
Precio en dólares
'Ingredientes': [3, 2, 4, 2, 3, 2, 1, 3, 4, 2] # Número de
ingredientes
}

df = [Link](data)
print(df)

# 1. Bebidas más populares

df_populares = df.sort_values(by='Popularidad', ascending=False)
print("Bebidas más populares:")
print(df_populares)

# 2. Bebidas más vendidas

df_vendidas = df.sort_values(by='Ventas', ascending=False)
print("\nBebidas más vendidas:")
print(df_vendidas)

# 3. Bebidas ordenadas por orden alfabético

df_alfabetico = df.sort_values(by='Bebida')
print("\nBebidas ordenadas por orden alfabético:")
print(df_alfabetico)

# 4. Bebidas más costosas

df_costosas = df.sort_values(by='Costo', ascending=False)
print("\nBebidas más costosas:")
print(df_costosas)

# 5. Bebidas con más ingredientes

df_ingredientes = df.sort_values(by='Ingredientes', ascending=False)
print("\nBebidas con más ingredientes:")
print(df_ingredientes)

"""# Nueva sección

Jesus Gerardo Gonzalez Valdés 1997817

gatos
"""

import pandas as pd

# Definimos los datos

data = {
'Nombre': ['Persa', 'BengalÃ-', 'Siames', 'Sphynx', 'Maine Coon',
'Ragdoll', 'British Shorthair', 'Abisinio', 'Scottish Fold',
'Savannah'],
'Raza': ['Persa', 'BengalÃ-', 'Siames', 'Sphynx', 'Maine Coon',
'Ragdoll', 'British Shorthair', 'Abisinio', 'Scottish Fold',
'Savannah'],
'Raza': ['Persa', 'BengalÃ-', 'Siames', 'Sphynx', 'Maine Coon',
'Ragdoll', 'British Shorthair', 'Abisinio', 'Scottish Fold',
'Savannah'],
'Raza': ['Persa', 'BengalÃ-', 'Siames', 'Sphynx', 'Maine Coon',
'Ragdoll', 'British Shorthair', 'Abisinio', 'Scottish Fold',
'Savannah'],
'Tamaño': ['Pequeño', 'Mediano', 'Pequeño', 'Pequeño',
'Grande', 'Grande', 'Mediano', 'Mediano', 'Mediano', 'Grande'],
'PaÃ-s de Origen': ['Irán', 'India', 'Tailandia', 'Canadá',
'[Link].', '[Link].', 'Reino Unido', 'EtiopÃ-a', 'Reino Unido',
'[Link].'],
'Peligroso': [False, False, False, False, False, False, False,
False, False, True]
}

# Crear DataFrame
df = [Link](data)
print(df)

# 1. Ordenamos el DataFrame de A a Z por el nombre de los gatos

df_ordenado_nombre = df.sort_values(by='Nombre')
print(df_ordenado_nombre)

# 2. Filtrar gatos por raza

df_raza = [Link]('Raza').size()
print(df_raza)

# 3. Filtrar por tamaño (grande o pequeño)

df_tamaño = [Link]('Tamaño').size()
print(df_tamaño)
# 4. Filtrar por paÃ-s de origen
df_pais = [Link]('PaÃ-s de Origen').size()
print(df_pais)

# 5. Filtrar por si son peligrosos o no

df_peligrosos = [Link]('Peligroso').size()
print(df_peligrosos)

"""comida para gatos"""

import pandas as pd

# Crear el DataFrame con información de 10 tipos de comida para gatos

data = {
'Tipo de Comida': ['Croquetas', 'Paté', 'Comida húmeda', 'Comida
seca', 'Comida orgánica',
'Comida sin grano', 'Comida casera', 'Snacks',
'Comida para gatos mayores',
'Comida medicada'],
'Recomendable': [True, True, True, False, True, True, True, True,
True, False],
'Origen': ['Estados Unidos', 'Francia', 'Reino Unido', 'México',
'Canadá',
'España', 'Italia', 'Alemania', 'Australia',
'Japón'],
'Tipo de Gatos': ['Adultos', 'Cachorros', 'Adultos', 'Todos',
'Adultos',
'Adultos con sensibilidad', 'Todos', 'Adultos',
'Mayores', 'Gatos con problemas de salud']
}

df = [Link](data)
print(df)

# 1. Mostrar el DataFrame inicial

print("1. DataFrame inicial:")
print(df)

# 2. Ordenar alfabéticamente por la columna 'Tipo de Comida'

df_ordenado = df.sort_values(by='Tipo de Comida')
print("\n2. DataFrame ordenado alfabéticamente por 'Tipo de
Comida':")
print(df_ordenado)

# 3. Filtrar las comidas que son recomendables

df_recomendable = df[df['Recomendable'] == True]
print("\n3. Comidas recomendables:")
print(df_recomendable)

# 4. Mostrar solo las columnas 'Tipo de Comida' y 'Origen'

df_origen = df[['Tipo de Comida', 'Origen']]
print("\n4. Columnas 'Tipo de Comida' y 'Origen':")
print(df_origen)
# 5. Agrupar por 'Tipo de Gatos' y contar cuántos tipos de comida hay
para cada grupo
df_agrupado = [Link]('Tipo de
Gatos').size().reset_index(name='Cantidad')
print("\n5. Comida agrupada por 'Tipo de Gatos':")
print(df_agrupado)

"""correas"""

import pandas as pd

# Crear el DataFrame inicial

data = {
"Correa": ["Correa A", "Correa B", "Correa C", "Correa D", "Correa
E", "Correa F", "Correa G", "Correa H", "Correa I", "Correa J"],
"Tipo": ["Retráctil", "Simple", "Arnés", "Retráctil", "Simple",
"Arnés", "Retráctil", "Simple", "Arnés", "Retráctil"],
"Buena Calidad": [True, False, True, True, False, True, False,
True, True, False],
"Origen": ["EEUU", "China", "España", "México", "Francia",
"Brasil", "Japón", "Alemania", "Italia", "Canadá"],
"Larga": [True, False, True, True, False, True, False, True, True,
False]
}

df = [Link](data)

# Mostrar el DataFrame original

print("DataFrame original:")
print(df)

# Ordenar por el nombre de la correa alfabéticamente de A a Z

df_sorted_az = df.sort_values(by="Correa")
print("\nOrdenado de la A a la Z:")
print(df_sorted_az)

# Filtrar correas de tipo 'Retráctil'

df_retractil = df[df["Tipo"] == "Retráctil"]
print("\nFiltradas por tipo 'Retráctil':")
print(df_retractil)

# Filtrar las correas que son de buena calidad

df_buena_calidad = df[df["Buena Calidad"] == True]
print("\nFiltradas por buena calidad:")
print(df_buena_calidad)

# Agrupar por origen y contar cuántas correas hay por cada origen
df_origen = [Link]("Origen").size().reset_index(name="Cantidad")
print("\nAgrupadas por origen:")
print(df_origen)

# Filtrar las correas que son largas

df_largas = df[df["Larga"] == True]
print("\nFiltradas por si son largas:")
print(df_largas)

"""# Nueva sección

Mauricio vega Vazquez 1863147

instrumentos
"""

import pandas as pd

# Crear un DataFrame con información adicional sobre cada instrumento

data = {
'Instrumento': ['Guitarra', 'Piano', 'BaterÃ-a', 'ViolÃ-n',
'Saxofón',
'Flauta', 'Trompeta', 'Bajo', 'Arpa',
'Clarinete'],
'Precio': [300, 5000, 1500, 1200, 2500, 200, 800, 400, 7000, 600],
'Dificultad': [3, 5, 4, 5, 4, 2, 3, 3, 5, 3], # 1 = más fácil,
5 = más difÃ-cil
'Popularidad': [5, 5, 4, 4, 3, 4, 3, 4, 2, 3], # 1 = menos
popular, 5 = más popular
'Tipo': ['Cuerdas', 'Cuerdas', 'Percusión', 'Cuerdas', 'Viento',
'Viento', 'Viento', 'Cuerdas', 'Cuerdas', 'Viento'],
'Tamaño': [4, 5, 4, 3, 3, 2, 3, 4, 6, 2] # 1 = más pequeño, 6
= más grande
}

df = [Link](data)
print(df)

# 1. Ordenar del más caro al más barato

df_ordenado_precio = df.sort_values(by='Precio', ascending=False)
print(df_ordenado_precio)

# 2. Ordenar del más al menos difÃ-cil de aprender

df_ordenado_dificultad = df.sort_values(by='Dificultad',
ascending=False)
print(df_ordenado_dificultad)

# 3. Ordenar del más popular al menos popular

df_ordenado_popularidad = df.sort_values(by='Popularidad',
ascending=False)
print(df_ordenado_popularidad)

# 4. Ordenar primero por tipo de instrumento (Viento -> Cuerdas)

df_ordenado_tipo = df.sort_values(by='Tipo')
print(df_ordenado_tipo)

# 5. Ordenar del más grande al más pequeño

df_ordenado_tamaño = df.sort_values(by='Tamaño', ascending=False)
print(df_ordenado_tamaño)

"""comida"""
import pandas as pd

# Crear un DataFrame con información adicional sobre cada comida

data = {
'Comida': ['Pizza', 'Hamburguesa', 'Ensalada', 'Sushi', 'Pasta',
'Tacos', 'Pollo Frito', 'Sopa', 'Pan', 'Helado'],
'Consumo': [5, 4, 4, 3, 4, 3, 3, 2, 5, 3], # 1 = menos consumida,
5 = más consumida
'Popularidad': [5, 5, 4, 4, 4, 4, 3, 3, 4, 5], # 1 = menos
popular, 5 = más popular
'Calidad': [4, 3, 5, 5, 4, 4, 2, 3, 3, 4], # 1 = peor, 5 = mejor
'Precio': [3, 2, 4, 5, 3, 2, 2, 3, 1, 2], # 1 = más barata, 5 =
más cara
'Saludable': [2, 1, 5, 4, 3, 3, 1, 4, 3, 2] # 1 = menos
saludable, 5 = más saludable
}

df = [Link](data)

# Mostrar el DataFrame
print(df)

# 1. Ordenar de la comida más consumida a la menos consumida

df_ordenado_consumo = df.sort_values(by='Consumo', ascending=False)
print(df_ordenado_consumo)

# 2. Ordenar de la más popular a la menos popular

df_ordenado_popularidad = df.sort_values(by='Popularidad',
ascending=False)
print(df_ordenado_popularidad)

# 3. Ordenar de la mejor comida a la peor

df_ordenado_calidad = df.sort_values(by='Calidad', ascending=False)
print(df_ordenado_calidad)

# 4. Ordenar de la más cara a la más barata

df_ordenado_precio = df.sort_values(by='Precio', ascending=False)
print(df_ordenado_precio)

# 5. Ordenar de la más saludable a la menos saludable

df_ordenado_saludable = df.sort_values(by='Saludable',
ascending=False)
print(df_ordenado_saludable)

"""deportes"""

import pandas as pd

# Crear un DataFrame con información adicional sobre cada deporte

data = {
'Deporte': ['Fútbol', 'Baloncesto', 'Tenis', 'Boxeo',
'Natación',
 'Ciclismo', 'EsquÃ-', 'Escalada', 'Atletismo',
'Golf'],
'Antigüedad': [1863, 1891, 1873, 1867, 1837, 1817, 1861, 1960,
776, 1744], # Año de origen aproximado
'Popularidad': [5, 4, 4, 3, 4, 3, 2, 2, 4, 3], # 1 = menos
popular, 5 = más popular
'Riesgo': [3, 2, 2, 5, 1, 4, 5, 5, 2, 1], # 1 = menos riesgoso, 5
= más riesgoso
'EconomÃ-a': [4, 4, 3, 2, 3, 3, 2, 2, 3, 3], # 1 = más
económico, 5 = menos económico
'Practicado': [5, 4, 4, 3, 5, 4, 2, 2, 5, 3] # 1 = menos
practicado, 5 = más practicado
}

df = [Link](data)
print(df)

# 1. Ordenar del deporte más antiguo al más nuevo

df_ordenado_antiguedad = df.sort_values(by='Antigüedad')
print(df_ordenado_antiguedad)

# 2. Ordenar del más popular al menos popular

df_ordenado_popularidad = df.sort_values(by='Popularidad',
ascending=False)
print(df_ordenado_popularidad)

# 3. Ordenar del menos riesgoso al más riesgoso

df_ordenado_riesgo = df.sort_values(by='Riesgo')
print(df_ordenado_riesgo)

# 4. Ordenar del deporte con más economÃ-a (más económico) al de

menos
df_ordenado_economia = df.sort_values(by='EconomÃ-a')
print(df_ordenado_economia)

# 5. Ordenar del más practicado al menos practicado

df_ordenado_practicado = df.sort_values(by='Practicado',
ascending=False)
print(df_ordenado_practicado)

"""# Nueva sección

Vela Aranda Vanessa Arely 1994618

reptiles
"""

import pandas as pd

# Crear un DataFrame con los reptiles y sus caracterÃ-sticas

data = {
'Nombre': ['Iguana', 'Cocodrilo', 'Dragón barbudo', 'Gecko
leopardo', 'Tortuga de Galápagos',
'Camaleón', 'Serpiente de cascabel', 'Boa
constrictora', 'Monstruo de Gila', 'Krait'],
 'Tamaño_cm': [150, 500, 60, 25, 120, 40, 90, 150, 35, 80],
'Peligrosidad': [2, 5, 3, 2, 1, 3, 4, 4, 2, 5],
'Común': [5, 2, 3, 4, 1, 4, 3, 3, 3, 2],
'Vuelo': ['No', 'No', 'No', 'No', 'No', 'No', 'No', 'No', 'No',
'No']
}

df = [Link](data)
print(df)

# Orden alfabético
df_sorted_alpha = df.sort_values(by='Nombre')
print("Orden alfabético:")
print(df_sorted_alpha)

# Del más grande al más pequeño

df_sorted_size = df.sort_values(by='Tamaño_cm', ascending=False)
print("\nDel más grande al más pequeño:")
print(df_sorted_size)

# Del más al menos peligroso

df_sorted_danger = df.sort_values(by='Peligrosidad', ascending=False)
print("\nDel más al menos peligroso:")
print(df_sorted_danger)

# Del más común al más raro

df_sorted_common = df.sort_values(by='Común')
print("\nDel más común al más raro:")
print(df_sorted_common)

# Si volaban o no
df_sorted_flying = df.sort_values(by='Vuelo')
print("\nSi volaban o no:")
print(df_sorted_flying)

"""insectos"""

# Crear un DataFrame con los insectos y sus caracterÃ-sticas

data_insectos = {
'Nombre': ['Abeja', 'Mosquito', 'Mariposa', 'Escarabajo',
'Chinche',
'Cucaracha', 'Hormiga', 'Libélula', 'Mantis
religiosa', 'Termita'],
'Tamaño_mm': [12, 7, 50, 20, 15, 25, 5, 80, 80, 10],
'Peligrosidad': [2, 4, 1, 2, 3, 3, 2, 1, 2, 3],
'Común': [1, 1, 2, 3, 4, 3, 1, 2, 3, 4],
'Vuelo': ['SÃ-', 'SÃ-', 'SÃ-', 'No', 'No', 'No', 'No', 'SÃ-',
'SÃ-', 'No']
}

df_insectos = [Link](data_insectos)
print(df)

# Orden alfabético
df_sorted_alpha_insectos = df_insectos.sort_values(by='Nombre')
print("Orden alfabético:")
print(df_sorted_alpha_insectos)

# Del más grande al más pequeño

df_sorted_size_insectos = df_insectos.sort_values(by='Tamaño_mm',
ascending=False)
print("\nDel más grande al más pequeño:")
print(df_sorted_size_insectos)

# Del más al menos peligroso

df_sorted_danger_insectos = df_insectos.sort_values(by='Peligrosidad',
ascending=False)
print("\nDel más al menos peligroso:")
print(df_sorted_danger_insectos)

# Del más común al más raro

df_sorted_common_insectos = df_insectos.sort_values(by='Común')
print("\nDel más común al más raro:")
print(df_sorted_common_insectos)

# Si volaban o no
df_sorted_flying_insectos = df_insectos.sort_values(by='Vuelo')
print("\nSi volaban o no:")
print(df_sorted_flying_insectos)

"""mascotas"""

import pandas as pd

# Crear un DataFrame con los tipos de mascotas y sus caracterÃ-sticas

data_mascotas = {
'Nombre': ['Perro', 'Gato', 'Pájaro', 'Conejo', 'Hámster',
'Tortuga', 'Pez', 'Cobaya', 'Serpiente', 'Rata'],
'Tamaño_cm': [60, 30, 20, 30, 15, 30, 15, 25, 100, 25],
'Peligrosidad': [2, 1, 2, 1, 1, 1, 1, 1, 3, 2],
'Común': [1, 1, 2, 3, 3, 4, 4, 3, 2, 3],
'Vuelo': ['No', 'No', 'SÃ-', 'No', 'No', 'No', 'No', 'No', 'No',
'No']
}

df_mascotas = [Link](data_mascotas)
print(df_mascotas)

# Orden alfabético
df_sorted_alpha_mascotas = df_mascotas.sort_values(by='Nombre')
print("Orden alfabético:")
print(df_sorted_alpha_mascotas)

# Del más grande al más pequeño

df_sorted_size_mascotas = df_mascotas.sort_values(by='Tamaño_cm',
ascending=False)
print("\nDel más grande al más pequeño:")
print(df_sorted_size_mascotas)
# Del más al menos peligroso
df_sorted_danger_mascotas = df_mascotas.sort_values(by='Peligrosidad',
ascending=False)
print("\nDel más al menos peligroso:")
print(df_sorted_danger_mascotas)

# Del más común al más raro

df_sorted_common_mascotas = df_mascotas.sort_values(by='Común')
print("\nDel más común al más raro:")
print(df_sorted_common_mascotas)

# Si volaban o no
df_sorted_flying_mascotas = df_mascotas.sort_values(by='Vuelo')
print("\nSi volaban o no:")
print(df_sorted_flying_mascotas)

"""# Nueva sección

Viera Rangel Gabriela Jaqueline 2129120

perros
"""

import pandas as pd

# Crear un DataFrame con datos ficticios

data = {
'Raza': ['Border Collie', 'Golden Retriever', 'Bulldog', 'Poodle',
'Beagle',
'Rottweiler', 'Dachshund', 'Shih Tzu', 'Siberian Husky',
'Chihuahua'],
'Facilidad de Entrenamiento': [1, 2, 5, 3, 4, 6, 8, 7, 9, 10], #
1 es el más fácil, 10 es el más difÃ-cil
'Longitud de Pelaje': [3, 4, 2, 5, 3, 2, 4, 5, 6, 2], # 2 es el
más corto, 6 es el más largo
'Prestigio': [5, 3, 7, 2, 6, 8, 10, 9, 4, 1], # 1 es el más
prestigioso, 10 es el menos prestigioso
'Propensión a Problemas de Salud': [3, 5, 7, 4, 6, 2, 8, 9, 1,
10], # 1 es el más propenso, 10 es el menos propenso
'PaÃ-s de Origen': ['Reino Unido', '[Link].', 'Reino Unido',
'Francia', 'Reino Unido',
'Alemania', 'Alemania', 'China', 'Rusia',
'México']
}

df = [Link](data)
print(df)

#Ordenar por PaÃ-s de Origen (del paÃ-s más lejano al más cercano,
usando un criterio simple de distancia relativa): # Definir una
función para mapear paÃ-ses a distancias hipotéticas
def map_country_to_distance(country):
distances = {
'México': 1,
 'Reino Unido': 2,
'Francia': 3,
'Alemania': 4,
'[Link].': 5,
'China': 6,
'Rusia': 7
}
return [Link](country, 0)

# Agregar una columna de distancias al DataFrame

df['Distancia'] = df['PaÃ-s de Origen'].apply(map_country_to_distance)

# Ordenar por Distancia

df_sorted_distancia = df.sort_values(by='Distancia')
print(df_sorted_distancia)

"""serie 2 Tipos de flores"""

import pandas as pd

# Crear un DataFrame con datos ficticios

data = {
'Flor': ['Rosa', 'Tulipán', 'OrquÃ-dea', 'Lirio', 'Girasol',
'Margarita', 'Crisantemo', 'Violeta', 'Lirio de agua',
'Jacinto'],
'Tiempo de Floración': [7, 5, 6, 8, 4, 5, 6, 4, 8, 7], # En
dÃ-as, 4 es el más rápido, 8 es el más lento
'Época de Floración': ['Primavera', 'Primavera', 'Verano',
'Verano', 'Otoño',
'Primavera', 'Otoño', 'Primavera',
'Verano', 'Primavera'],
'Tipo de Polinización': ['Mariposas', 'Viento', 'EspecÃ-fico',
'General', 'Insectos',
'General', 'EspecÃ-fico', 'General',
'Insectos', 'Viento'],
'Fragancia': [8, 6, 9, 7, 5, 6, 5, 4, 7, 6], # 1 es el menos
fragante, 10 es el más fragante
'Frecuencia del Color': [5, 7, 4, 6, 8, 6, 5, 8, 4, 7] # 1 es el
menos común, 10 es el más común
}

df = [Link](data)
print(df)

"""Serie 3 Productos de maquillaje"""

import pandas as pd

# Crear un DataFrame con datos ficticios

data = {
'Producto': ['Base', 'Esmalte de uñas', 'Sombra', 'Rubor',
'Delineador',
'Lápiz labial', 'Corrector', 'Brocha', 'Primers',
'Gloss'],
 'Complejidad de Aplicación': [5, 3, 4, 3, 4, 2, 4, 3, 3, 2], # 1
es el más simple, 5 es el más complicado
'Ingrediente Principal': ['Retinol', 'Glicerina', 'Õcido
hialurónico', 'Vitaminas', 'Aceites',
'Extractos naturales', 'Õcido
salicÃ-lico', 'Polvo mineral', 'Extracto de té verde', 'Colorantes'],
'Durabilidad': [8, 4, 7, 6, 5, 6, 7, 5, 8, 4], # 1 es la menor
durabilidad, 10 es la mayor durabilidad
'Tipo de Empaque': ['Innovador', 'Tradicional', 'Innovador',
'Tradicional', 'Innovador',
'Tradicional', 'Innovador', 'Tradicional',
'Innovador', 'Tradicional'],
'Preferencia por Mujeres Mayores': [3, 5, 4, 6, 5, 6, 4, 5, 7, 8]
# 1 es más preferido por mujeres jóvenes, 10 es más preferido por
mujeres mayores
}

df = [Link](data)
print(df)
CONCLUSIONES

Vela Aranda Vanessa Arely 1994618

Las series de datos y los comandos de pandas ofrecen una poderosa herramienta
para la manipulación y análisis de datos en Python. Con pandas, es posible
ordenar, filtrar y clasificar fácilmente los datos, permitiendo realizar tareas como
organizar elementos alfabéticamente, comparar tamaños, evaluar peligrosidad,
determinar la frecuencia de ocurrencia, y distinguir características específicas
como la capacidad de volar. Estos comandos no solo simplifican el proceso de
análisis, sino que también proporcionan una estructura clara para extraer
información relevante de grandes conjuntos de datos de manera eficiente y
efectiva.

Viera Rangel Gabriela Jaqueline 2129120

En esta actividad, trabajamos en equipo para crear tres series de datos por cada
integrante del grupo. Cada uno de nosotros eligió temas diferentes, generando
DataFrames con pandas y aplicando comandos de ordenamiento y análisis. Entre
los temas que abordamos se encontraban tipos de dinosaurios, tipos de flores,
tipos de vehículos, etc.
A través de esta tarea, he aprendido a utilizar pandas para manipular y ordenar
datos de manera eficiente. Aplicamos diferentes criterios para organizar nuestros
DataFrames, como el orden por tamaño, precio, frecuencia, uso, popularidad,
entre otros. Este proceso me ha ayudado a comprender mejor cómo pandas
puede ser una herramienta útil para el análisis de datos y la toma de decisiones.
Lo que más me sorprendió fue la adaptabilidad de pandas para gestionar una
amplia variedad de datos. Logramos trabajar con diversas clases de información y
aplicar reglas específicas según cada caso, también colaborar en equipo nos
brindó la oportunidad de intercambiar ideas y métodos distintos, lo que enriqueció
el proceso de aprendizaje.
En resumen, esta actividad representó una gran oportunidad para mejorar
nuestras habilidades en el manejo de datos y en el uso de herramientas de
análisis.
Mauricio vega Vazquez 1863147
Los códigos que hemos discutido son herramientas poderosas que simplifican la
organización y el análisis de datos utilizando pandas en Python. Al usarlos, puedes
ordenar, clasificar y comparar información de manera rápida y eficiente, lo que
resulta especialmente útil en proyectos de análisis de datos o en cualquier
situación donde necesites manejar grandes volúmenes de información.
Por ejemplo, si estás trabajando con listas de instrumentos musicales, deportes o
tipos de comida, estos códigos te permiten estructurar la información según
diferentes criterios, como precio, popularidad, dificultad, riesgo o salud. Esto no
solo te ahorra tiempo, sino que también asegura que los datos se presenten de
una manera clara y comprensible.
Además, saber cómo compartir estos códigos de manera efectiva es crucial
cuando colaboras con otros. Ya sea copiando directamente, enviando archivos, o
utilizando plataformas como GitHub Gist o Pastebin, la clave es asegurarte de que
la otra persona pueda usar y entender el código sin dificultad. Esto mejora la
comunicación y la colaboración, permitiendo que todos los miembros del equipo
estén alineados y puedan contribuir de manera efectiva.
En resumen, los códigos que hemos visto no solo son herramientas prácticas para
el análisis de datos, sino que también son fundamentales para facilitar el trabajo
en equipo y la colaboración, asegurando que todos tengan acceso a información
organizada y fácil de interpretar.

Jesus Gerardo Gonzalez Valdés 1997817

Como conclusión las series en pandas son una estructura de datos poderosa y
flexible que permite manejar y analizar datos unidimensionales de manera
eficiente. Al tener un índice asociado a cada valor, ofrecen una forma conveniente
de acceder y manipular datos, facilitando tareas comunes de análisis como
filtrado, agrupación y operaciones matemáticas. Su capacidad para manejar
diferentes tipos de datos y su integración con otras funcionalidades de pandas las
hacen una herramienta esencial para el análisis de datos en Python.
Carlo David Saldaña Acevedo 1960644
Ana Lucia Guevara Sierra 2012821
Los data frames en python especialmente cuando se utilizan con bibliotecas como
pandas son estructuras de datos bidimensionales que permiten almacenar y
manipular datos de manera eficiente. Ofrecen una forma intuitiva de trabajar con
datos tabulares similar a las hojas de cálculo pero con las ventajas del lenguaje de
programación. los comandos en python para manipular los data frames permite
realizar una amplia gama como la selección filtrado agrupamientos y
transformación de datos
En resumen los datos frames y los comandos usados en python son herramientas
poderosas para la manipulación de datos que simplifican tareas complejas y son
esenciales para la ciencia de datos y análisis