Dojo Estructuras de Datos Avanzados

.gitignore

@@ -158,3 +158,5 @@ cython_debug/
 #  and can be added to the global gitignore or merged into this file.  For a more nuclear
 #  option (not recommended) you can uncomment the following to ignore the entire idea folder.
 #.idea/
+.DS_Store
+Reportes/.DS_Store

.pre-commit-config.yaml

@@ -0,0 +1,10 @@
+# pre-commit run --all-files
+repos:
+-   repo: https://github.com/pre-commit/mirrors-autopep8
+    rev: ''  # Use the sha / tag you want to point at
+    hooks:
+    -   id: autopep8
+-   repo: https://github.com/pycqa/flake8
+    rev: ''  # pick a git hash / tag to point to 
+    hooks:
+    -   id: flake8

README.md

@@ -1,27 +1,27 @@
-# Dojo Estructuras de datos
-
-## Ejercicio Práctico
-
-El objetivo de este ejercicio es practicar diferentes conceptos y técnicas de programación relacionadas con la manipulación de datos CSV utilizando list comprehension, dict comprehension, set comprehension, iterators, iterables, generators y corrutinas.
-
-El archivo CSV proporcionado contiene información de estudiantes, incluyendo su nombre, apellido, ciudad, país, edad y carrera universitaria. Se deben realizar las siguientes tareas:
-
-1. Leer el archivo CSV y cargar los datos en una estructura adecuada.
-
-2. Crea un menú donde permita al usuario consultar la siguiente información generando un reporte en un archivo nuevo:
-	- Obtener todos los estudiantes que pertenezcan a una ciudad dada.
-	- Obtener todos los estudiantes que vivan en un país dado.
-	- Obtener todos los estudiantes que estén dentro del rango de edades dado.
-	- Obtener todas las ciudades de residencia de los estudiantes.
-	- Identificar la edad promedio por carrera.
-	- Indicar por carrera si el estudiante está por encima o por debajo del promedio de edad.
-	- Agrupa los estudiantes en diferentes rangos de edad (18-25, 26-35, mayores de 35).
-	- Identifica la ciudad que tienen la mayor variedad de carreras universitarias entre los estudiantes.
-
-Nota: Puedes agrega cualquier dato adicional que quieras al reporte.
-
-Es importante utilizar las herramientas adecuadas de Python, como la biblioteca `csv`, para leer y manipular los datos del archivo CSV. Además, se deben aplicar las técnicas y conceptos mencionados para practicar y demostrar comprensión de los mismos.
-
-El ejercicio tiene como objetivo reforzar el uso y la combinación de estas técnicas para manipular y analizar datos de manera eficiente y elegante.
-
-¡Diviértete practicando y explorando las diferentes técnicas y conceptos de programación relacionados con la manipulación de datos y diferentes estructuras de datos!
+# Dojo Estructuras de datos
+
+## Ejercicio Práctico
+
+El objetivo de este ejercicio es practicar diferentes conceptos y técnicas de programación relacionadas con la manipulación de datos CSV utilizando list comprehension, dict comprehension, set comprehension, iterators, iterables, generators y corrutinas.
+
+El archivo CSV proporcionado contiene información de estudiantes, incluyendo su nombre, apellido, ciudad, país, edad y carrera universitaria. Se deben realizar las siguientes tareas:
+
+1. Leer el archivo CSV y cargar los datos en una estructura adecuada.
+
+2. Crea un menú donde permita al usuario consultar la siguiente información generando un reporte en un archivo nuevo:
+	- Obtener todos los estudiantes que pertenezcan a una ciudad dada.
+	- Obtener todos los estudiantes que vivan en un país dado.
+	- Obtener todos los estudiantes que estén dentro del rango de edades dado.
+	- Obtener todas las ciudades de residencia de los estudiantes.
+	- Identificar la edad promedio por carrera.
+	- Indicar por carrera si el estudiante está por encima o por debajo del promedio de edad.
+	- Agrupa los estudiantes en diferentes rangos de edad (18-25, 26-35, mayores de 35).
+	- Identifica la ciudad que tienen la mayor variedad de carreras universitarias entre los estudiantes.
+
+Nota: Puedes agregar cualquier dato adicional que quieras al reporte.
+
+Es importante utilizar las herramientas adecuadas de Python, como la biblioteca `csv`, para leer y manipular los datos del archivo CSV. Además, se deben aplicar las técnicas y conceptos mencionados para practicar y demostrar comprensión de los mismos.
+
+El ejercicio tiene como objetivo reforzar el uso y la combinación de estas técnicas para manipular y analizar datos de manera eficiente y elegante.
+
+¡Diviértete practicando y explorando las diferentes técnicas y conceptos de programación relacionados con la manipulación de datos y diferentes estructuras de datos!

Reportes/Ciudad(es)_con_mayor_variedad_de_carreras.csv

@@ -0,0 +1,6 @@
+ciudad,num_carreras
+Ciudad de México,4
+Barcelona,4
+New York,4
+Lima,4
+Medellín,4

Reportes/Ciudades_de_residencia.csv

@@ -0,0 +1,8 @@
+ciudad
+Buenos Aires
+Ciudad de México
+New York
+Lima
+Barcelona
+Medellín
+Bogotá

Reportes/Edad_promedio_por_carrera.csv

@@ -0,0 +1,6 @@
+carrera,edad_promedio
+Computer Engineering,25
+Psychology,25
+Medicine,30
+Art History,26
+Education,29

Reportes/Estadisticas_de_edades_global.csv

@@ -0,0 +1,2 @@
+carrera,media_edad,mediana_edad,moda_edad,min_edad,max_edad,desviacion_estandar_muestral,desviacion_estandar_poblacional
+Todas,27,26.0,23,19,50,6.686716644750208,6.602603653105342

Reportes/Estadisticas_de_edades_por_carrera.csv

@@ -0,0 +1,6 @@
+carrera,media_edad,mediana_edad,moda_edad,min_edad,max_edad,desviacion_estandar_muestral,desviacion_estandar_poblacional
+Computer Engineering,25,23.0,22,19,39,6.2891630149465385,5.8829733128750465
+Psychology,25,25.5,25,19,31,3.882193783343198,3.6314597615834874
+Medicine,30,29.5,24,23,50,8.664376986917672,8.104782538723663
+Art History,26,25.5,27,20,38,5.656854249492381,5.291502622129181
+Education,29,26.5,23,22,42,7.814821083775915,7.310095758606723

Reportes/Estudiantes_arriba_debajo_edad_promedio.csv

@@ -0,0 +1,41 @@
+carrera,nombre,apellido,arriba_debajo_promedio
+Computer Engineering,John,Smith,Debajo
+Computer Engineering,Emma,Davis,Arriba
+Computer Engineering,Liam,Taylor,Debajo
+Computer Engineering,Sophia,White,Arriba
+Computer Engineering,Max,Young,Debajo
+Computer Engineering,Sophia,Hernandez,Arriba
+Computer Engineering,Mateo,Jackson,Debajo
+Computer Engineering,Isabella,Anderson,Debajo
+Psychology,Emily,Johnson,Promedio
+Psychology,Benjamin,Miller,Arriba
+Psychology,Ava,Thomas,Debajo
+Psychology,Alexander,Martin,Arriba
+Psychology,Emma,Scott,Promedio
+Psychology,Logan,Lewis,Arriba
+Psychology,Sofia,Clark,Arriba
+Psychology,James,Lee,Debajo
+Medicine,David,Williams,Promedio
+Medicine,Olivia,Moore,Debajo
+Medicine,James,Clark,Arriba
+Medicine,Natalie,Lopez,Arriba
+Medicine,Jacob,Walker,Debajo
+Medicine,Isabella,Hill,Debajo
+Medicine,Liam,Taylor,Debajo
+Medicine,Mia,Hall,Promedio
+Art History,Sophie,Jones,Arriba
+Art History,Noah,Wilson,Arriba
+Art History,Mia,Hall,Debajo
+Art History,Lucas,Harris,Debajo
+Art History,Ava,Hall,Debajo
+Art History,Elijah,Green,Arriba
+Art History,Olivia,Moore,Debajo
+Art History,Ethan,Miller,Arriba
+Education,Daniel,Brown,Debajo
+Education,Isabella,Anderson,Arriba
+Education,Ethan,Lee,Debajo
+Education,Chloe,Allen,Debajo
+Education,Daniel,Rodriguez,Arriba
+Education,Emily,Turner,Arriba
+Education,Noah,Wilson,Debajo
+Education,Sophia,Clark,Debajo

Reportes/Estudiantes_por_ciudad_(Bogotá).csv

@@ -0,0 +1,7 @@
+nombre,apellido,ciudad,pais,edad,carrera
+Sophie,Jones,Bogotá,Colombia,28,Art History
+Ava,Thomas,Bogotá,Colombia,19,Psychology
+Lucas,Harris,Bogotá,Colombia,24,Art History
+Logan,Lewis,Bogotá,Colombia,26,Psychology
+Liam,Taylor,Bogotá,Colombia,29,Medicine
+Ethan,Miller,Bogotá,Colombia,38,Art History

Reportes/Estudiantes_por_ciudad_(Ciudad de México).csv

@@ -0,0 +1,7 @@
+nombre,apellido,ciudad,pais,edad,carrera
+John,Smith,Ciudad de México,México,22,Computer Engineering
+Olivia,Moore,Ciudad de México,México,24,Medicine
+Sophia,White,Ciudad de México,México,26,Computer Engineering
+Jacob,Walker,Ciudad de México,México,23,Medicine
+Elijah,Green,Ciudad de México,México,27,Art History
+Noah,Wilson,Ciudad de México,México,26,Education

Reportes/Estudiantes_por_país_(México).csv

@@ -0,0 +1,7 @@
+nombre,apellido,ciudad,pais,edad,carrera
+John,Smith,Ciudad de México,México,22,Computer Engineering
+Olivia,Moore,Ciudad de México,México,24,Medicine
+Sophia,White,Ciudad de México,México,26,Computer Engineering
+Jacob,Walker,Ciudad de México,México,23,Medicine
+Elijah,Green,Ciudad de México,México,27,Art History
+Noah,Wilson,Ciudad de México,México,26,Education

Reportes/Estudiantes_por_rango_de_edad(27-40).csv

@@ -0,0 +1,16 @@
+nombre,apellido,ciudad,pais,edad,carrera
+David,Williams,Medellín,Colombia,30,Medicine
+Sophie,Jones,Bogotá,Colombia,28,Art History
+Emma,Davis,Buenos Aires,Argentina,39,Computer Engineering
+Noah,Wilson,New York,United States,27,Art History
+Isabella,Anderson,Medellín,Colombia,31,Education
+Alexander,Martin,New York,United States,29,Psychology
+Natalie,Lopez,Medellín,Colombia,32,Medicine
+Chloe,Allen,Lima,Peru,27,Education
+Daniel,Rodriguez,Medellín,Colombia,40,Education
+Sophia,Hernandez,Lima,Peru,28,Computer Engineering
+Elijah,Green,Ciudad de México,México,27,Art History
+Sofia,Clark,Lima,Peru,31,Psychology
+Liam,Taylor,Bogotá,Colombia,29,Medicine
+Mia,Hall,Lima,Peru,30,Medicine
+Ethan,Miller,Bogotá,Colombia,38,Art History

Reportes/Estudiantes_por_rango_de_edad.csv

@@ -0,0 +1,41 @@
+rango_edad,nombre,apellido,ciudad,pais,edad
+18-25,John,Smith,Ciudad de México,México,22
+18-25,Emily,Johnson,New York,United States,25
+18-25,Daniel,Brown,Lima,Peru,23
+18-25,Olivia,Moore,Ciudad de México,México,24
+18-25,Liam,Taylor,Lima,Peru,21
+18-25,Ava,Thomas,Bogotá,Colombia,19
+18-25,Mia,Hall,New York,United States,20
+18-25,Ethan,Lee,Lima,Peru,23
+18-25,Lucas,Harris,Bogotá,Colombia,24
+18-25,Max,Young,Buenos Aires,Argentina,22
+18-25,Emma,Scott,Barcelona,Spain,25
+18-25,Jacob,Walker,Ciudad de México,México,23
+18-25,Ava,Hall,New York,United States,21
+18-25,Isabella,Hill,Barcelona,Spain,24
+18-25,Mateo,Jackson,Medellín,Colombia,19
+18-25,Olivia,Moore,Barcelona,Spain,23
+18-25,Isabella,Anderson,New York,United States,24
+18-25,James,Lee,Medellín,Colombia,21
+18-25,Sophia,Clark,Barcelona,Spain,22
+26-35,David,Williams,Medellín,Colombia,30
+26-35,Sophie,Jones,Bogotá,Colombia,28
+26-35,Benjamin,Miller,Barcelona,Spain,26
+26-35,Noah,Wilson,New York,United States,27
+26-35,Isabella,Anderson,Medellín,Colombia,31
+26-35,Sophia,White,Ciudad de México,México,26
+26-35,Alexander,Martin,New York,United States,29
+26-35,Natalie,Lopez,Medellín,Colombia,32
+26-35,Chloe,Allen,Lima,Peru,27
+26-35,Sophia,Hernandez,Lima,Peru,28
+26-35,Logan,Lewis,Bogotá,Colombia,26
+26-35,Elijah,Green,Ciudad de México,México,27
+26-35,Sofia,Clark,Lima,Peru,31
+26-35,Liam,Taylor,Bogotá,Colombia,29
+26-35,Noah,Wilson,Ciudad de México,México,26
+26-35,Mia,Hall,Lima,Peru,30
+>35,Emma,Davis,Buenos Aires,Argentina,39
+>35,James,Clark,Barcelona,Spain,50
+>35,Daniel,Rodriguez,Medellín,Colombia,40
+>35,Emily,Turner,New York,United States,42
+>35,Ethan,Miller,Bogotá,Colombia,38

async_iterador_estadisticas_edades.py

@@ -0,0 +1,97 @@
+""" Iterador asíncrono que regresa la media, mediana, moda, max, min,
+    desviación estándar muestral y poblacional de las edades por carrera
+    leyendo un diccionario con el nombre de cada carrera como llave
+    y una lista con las edades por carrera como valor """
+
+import asyncio
+
+
+class AsyncIteradorEstadisticasEdades:
+    """Definición de la clase Async Iterador Estadisticas Edades"""
+
+    def __init__(self, diccionario):
+        self._dic = diccionario
+        self._indice = 0
+
+    def __aiter__(self):
+        return self
+
+    def media(self, iterable):
+        acumulador = 0
+        for lista in iterable:
+            for edad in lista:
+                acumulador += int(edad)
+        return round(acumulador/len(lista))
+
+    def mediana(self, iterable):
+        for lista in iterable:
+            lista.sort()
+            mitad = len(lista) // 2
+            mediana = (lista[mitad] + lista[~mitad]) / 2
+        return mediana
+
+    def moda(self, iterable):
+        for lista in iterable:
+            return max(set(lista), key=lista.count)
+
+    def min(self, iterable):
+        for lista in iterable:
+            return min(lista)
+
+    def max(self, iterable):
+        for lista in iterable:
+            return max(lista)
+
+    def desviacion_estandar_muestral(self, iterable):
+        for lista in iterable:
+            return (sum((x-(sum(lista) / len(lista)))**2 for x in lista) /
+                    (len(lista)-1))**0.5
+
+    def desviacion_estandar_poblacional(self, iterable):
+        for lista in iterable:
+            return (sum((x-(sum(lista) / len(lista)))**2 for x in lista) /
+                    (len(lista)))**0.5
+
+    async def __anext__(self):
+        if self._indice < len(self._dic):
+            await asyncio.sleep(0, media := self.media(self._dic[valor]
+                                for indice, valor
+                                in enumerate(self._dic)
+                                if indice == self._indice))
+            await asyncio.sleep(0, mediana := self.mediana(self._dic[valor]
+                                for indice, valor
+                                in enumerate(self._dic)
+                                if indice == self._indice))
+            await asyncio.sleep(0, moda := self.moda(self._dic[valor]
+                                for indice, valor
+                                in enumerate(self._dic)
+                                if indice == self._indice))
+            await asyncio.sleep(0, min_edad := self.min(self._dic[valor]
+                                for indice, valor
+                                in enumerate(self._dic)
+                                if indice == self._indice))
+            await asyncio.sleep(0, max_edad := self.max(self._dic[valor]
+                                for indice, valor
+                                in enumerate(self._dic)
+                                if indice == self._indice))
+            await asyncio.sleep(0, desviacion_estandar_muestral :=
+                                self.desviacion_estandar_muestral(
+                                    self._dic[valor]
+                                    for indice, valor
+                                    in enumerate(self._dic)
+                                    if indice == self._indice))
+            await asyncio.sleep(0, desviacion_estandar_poblacional :=
+                                self.desviacion_estandar_poblacional(
+                                    self._dic[valor]
+                                    for indice, valor
+                                    in enumerate(self._dic)
+                                    if indice == self._indice))
+            for indice, valor in enumerate(self._dic.keys()):
+                if indice == self._indice:
+                    carrera = valor
+            self._indice += 1
+            return (carrera, media, mediana, moda, min_edad, max_edad,
+                    desviacion_estandar_muestral,
+                    desviacion_estandar_poblacional)
+        else:
+            raise StopAsyncIteration

data.csv

@@ -1,39 +1,39 @@
 nombre,apellido,ciudad,pais,edad,carrera
-John,Smith,Ciudad de Mexico,Mexico,22,Computer Engineering
+John,Smith,Ciudad de México,México,22,Computer Engineering
 Emily,Johnson,New York,United States,25,Psychology
 David,Williams,Medellín,Colombia,30,Medicine
 Sophie,Jones,Bogotá,Colombia,28,Art History
 Daniel,Brown,Lima,Peru,23,Education
 Emma,Davis,Buenos Aires,Argentina,39,Computer Engineering
 Benjamin,Miller,Barcelona,Spain,26,Psychology
-Olivia,Moore,Ciudad de Mexico,Mexico,24,Medicine
+Olivia,Moore,Ciudad de México,México,24,Medicine
 Noah,Wilson,New York,United States,27,Art History
 Isabella,Anderson,Medellín,Colombia,31,Education
 Liam,Taylor,Lima,Peru,21,Computer Engineering
 Ava,Thomas,Bogotá,Colombia,19,Psychology
 James,Clark,Barcelona,Spain,50,Medicine
 Mia,Hall,New York,United States,20,Art History
 Ethan,Lee,Lima,Peru,23,Education
-Sophia,White,Ciudad de Mexico,Mexico,26,Computer Engineering
+Sophia,White,Ciudad de México,México,26,Computer Engineering
 Alexander,Martin,New York,United States,29,Psychology
 Natalie,Lopez,Medellín,Colombia,32,Medicine
 Lucas,Harris,Bogotá,Colombia,24,Art History
 Chloe,Allen,Lima,Peru,27,Education
 Max,Young,Buenos Aires,Argentina,22,Computer Engineering
 Emma,Scott,Barcelona,Spain,25,Psychology
-Jacob,Walker,Ciudad de Mexico,Mexico,23,Medicine
+Jacob,Walker,Ciudad de México,México,23,Medicine
 Ava,Hall,New York,United States,21,Art History
 Daniel,Rodriguez,Medellín,Colombia,40,Education
 Sophia,Hernandez,Lima,Peru,28,Computer Engineering
 Logan,Lewis,Bogotá,Colombia,26,Psychology
 Isabella,Hill,Barcelona,Spain,24,Medicine
-Elijah,Green,Ciudad de Mexico,Mexico,27,Art History
+Elijah,Green,Ciudad de México,México,27,Art History
 Emily,Turner,New York,United States,42,Education
 Mateo,Jackson,Medellín,Colombia,19,Computer Engineering
 Sofia,Clark,Lima,Peru,31,Psychology
 Liam,Taylor,Bogotá,Colombia,29,Medicine
 Olivia,Moore,Barcelona,Spain,23,Art History
-Noah,Wilson,Ciudad de Mexico,Mexico,26,Education
+Noah,Wilson,Ciudad de México,México,26,Education
 Isabella,Anderson,New York,United States,24,Computer Engineering
 James,Lee,Medellín,Colombia,21,Psychology
 Mia,Hall,Lima,Peru,30,Medicine