Python 🐍

Python es uno de los lenguajes de programación más populares y versátiles en la actualidad. Su simplicidad y legibilidad hacen que sea un lenguaje ideal para principiantes, pero también es poderoso y ampliamente utilizado en la industria para desarrollar aplicaciones web, análisis de datos, inteligencia artificial y muchas otras áreas. Aprender Python es una inversión valiosa, ya que abre puertas a una variedad de oportunidades en el mundo de la tecnología y más allá.

Tabla de contenidos

Acerca de este repositorio
PEP8: Guía de Estilo para el Código Python
Funciones en Python
Listas
Slicing en Python
Operaciones Booleanas
Estructuras de Control
Definición de Funciones con def
Extracción de Datos con requests-html
Machine Learning y Tipos de Modelos
Red Neuronal Artificial
- Perceptrón en Redes Neuronales

Acerca de este repositorio

Este repositorio contiene todos los códigos escritos en Python durante el proceso de aprendizaje de este lenguaje de programación.

PEP8: Guía de Estilo para el Código Python

¿Qué es PEP8?

PEP8 es el acrónimo de Python Enhancement Proposal 8. Es una guía de estilo que describe las convenciones para escribir código legible en Python. Esta guía es una parte fundamental para mantener un código coherente y fácil de leer en la comunidad de Python.

Objetivo de PEP8

El principal objetivo de PEP8 es mejorar la legibilidad y coherencia del código Python. La consistencia en el estilo de codificación facilita que otros desarrolladores puedan leer y entender el código, independientemente de quién lo haya escrito.

Principales Aspectos de PEP8

Formato del Código

Indentación: Se utilizan 4 espacios por nivel de indentación.
Líneas: No más de 79 caracteres en cada línea de código y 72 para comentarios.
Espacios en blanco: Uso de espacios en blanco en ciertas situaciones para mejorar la legibilidad.

Nombres de Variables y Funciones

Variables: Nombres en minúsculas con palabras separadas por guiones bajos.
Funciones: Similar a las variables, en minúsculas y separadas por guiones bajos.
Constantes: En mayúsculas con palabras separadas por guiones bajos.

Importaciones

Orden: Las importaciones deben estar en bloques separados en el siguiente orden: bibliotecas estándar, bibliotecas de terceros y finalmente importaciones locales.
Evitar: Importaciones con '*'.

Importancia de PEP8

Seguir PEP8 es crucial para mantener el código Python limpio, legible y coherente. Facilita la colaboración y el mantenimiento del código, especialmente en proyectos grandes o cuando se trabaja en equipo.

Conclusión

PEP8 no es obligatorio, pero es altamente recomendado en la comunidad Python. Seguir estas directrices ayuda a mantener un alto estándar de calidad en el código y facilita la colaboración entre desarrolladores.

Funciones en Python

Resumen y ejemplos de funciones comunes en Python.

Funciones Numéricas

abs(x): Valor absoluto de x.
round(x): Redondeo de x.
max(x, y, ...): Valor máximo.
min(x, y, ...): Valor mínimo.

Funciones de Cadena

len(s): Longitud de s.
str(x): Convierte a cadena.

Funciones de Lista

len(l): Longitud de l.
sorted(l): Lista ordenada.

Funciones de Tipo

type(x): Tipo de x.

Input/Output

input(s): Entrada del usuario.
print(x): Imprimir x.

Importación de Módulos y Comandos del Sistema

import [module_name]: Importar módulo.
os.system(command): Comando del SO.

Conversión de Tipo

int(x): A entero.
float(x): A número flotante.

Otros

range(x, y, z): Secuencia de números.
help(): Ayuda integrada.

Listas en Python

Definición, ejemplos y operaciones básicas con listas.

mi_lista = [1, 2, 3, "hola"]

Slicing en Python

El slicing es una característica poderosa en Python que permite a los programadores acceder a partes de secuencias como listas, tuplas y cadenas (strings). A continuación, se describen los fundamentos del slicing y cómo puedes utilizarlo en tus proyectos.

Sintaxis Básica

La sintaxis básica del slicing es secuencia[inicio:fin:paso], donde:

inicio es el índice donde empieza el slice (inclusive).
fin es el índice donde termina el slice (exclusive).
paso es el intervalo entre elementos (opcional).

Ejemplos de Slicing

# Una lista de ejemplo
numeros = [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# Accediendo a los primeros tres elementos
primeros_tres = numeros[:3]  # [0, 1, 2]

# Obteniendo los elementos desde el índice 3 hasta el 7
sub_lista = numeros[3:8]  # [3, 4, 5, 6, 7]

# Tomando elementos con un paso de 2
paso_dos = numeros[::2]  # [0, 2, 4, 6, 8]

# Slicing con índices negativos
ultimo_tres = numeros[-3:]  # [7, 8, 9]

# Invertir la lista con slicing
invertido = numeros[::-1]  # [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]

Puntos Importantes

Si inicio o fin se omiten, Python los toma como el inicio o el fin de la secuencia, respectivamente.
Si paso es negativo, la secuencia se recorre al revés.
Slicing es seguro. Si inicio o fin están fuera de los límites, Python los maneja sin lanzar errores, devolviendo una lista vacía si no hay elementos en el rango o los elementos que puedan estar en el rango.

Usos Comunes

El slicing es extremadamente útil para tareas como:

Acceder a subpartes de los datos.
Invertir secuencias.
Realizar copias de listas o partes de ellas.
Trabajar con matrices o filas y columnas en librerías como NumPy o Pandas.

Incorporar el slicing en tus proyectos de Python puede hacer tu código más eficiente y legible.

Operaciones Booleanas en Python

Ejemplos y explicaciones de operaciones booleanas.

True and False # Devuelve False

Estructuras de Control en Python

Explicación y ejemplos de estructuras de control comunes.

While

Loop que continúa mientras se cumple una condición.

contador = 0
while contador < 5:
    print(contador)
    contador += 1

If, Elif, Else

Condiciones y bloques de código condicional.

x = 1
if x > 5:
    print("x es mayor que 5")
elif x == 3:
    print("x es igual a 3")
else:
    print("x es menor que 5 y diferente de 3")

Continue

Salta a la siguiente iteración del bucle.

contador = 0
while contador < 5:
    if contador == 2:
        contador += 1
        continue
    print(contador)
    contador += 1

Break

Sale del bucle actual.

contador = 0
while contador < 5:
    if contador == 3:
        break
    print(contador)
    contador += 1

Definición de Funciones con `def`

En Python, se pueden crear funciones personalizadas utilizando la palabra clave def. Una función es un bloque de código reutilizable que realiza una acción específica. Al definir una función, puedes optar por establecer parámetros que la función usará durante su ejecución.

Sintaxis básica

def nombre_de_funcion(parametro1, parametro2, ...):
    # Código de la función
    return valor_de_retorno

Ejemplo 🌈

Aquí hay un ejemplo simple que muestra cómo definir una función para calcular el área de un rectángulo.

def area_rectangulo(base, altura):
    return base * altura

# Usando la función
base = 5
altura = 10
area = area_rectangulo(base, altura)
print(f"El área del rectángulo con base {base} y altura {altura} es {area}.")

Este código define una función llamada area_rectangulo que toma dos parámetros: base y altura. La función calcula el área multiplicando estos dos valores y luego devuelve el resultado.

Por supuesto, aquí tienes la sección añadida sobre cómo usar requests-html en Python, para incluirla en tu archivo README:

Extracción de Datos con `requests-html`

La biblioteca requests-html es una poderosa herramienta en Python para realizar solicitudes web y manipular datos de HTML/XML. Es especialmente útil para web scraping, es decir, extraer datos de sitios web de forma programática.

Instalación

Primero, necesitas instalar el paquete usando pip:

pip install requests-html

Uso Básico

Para comenzar a usar requests-html, primero debes importar la clase HTMLSession del módulo:

from requests_html import HTMLSession

Luego, crea una sesión y realiza una solicitud a la URL deseada:

session = HTMLSession()
respuesta = session.get('https://ejemplo.com')

Puedes acceder al contenido de la respuesta y realizar búsquedas de elementos HTML utilizando selectores CSS:

# Acceder al texto completo de la página
texto_de_la_pagina = respuesta.text

# Encontrar un elemento con su ID
elemento_con_id = respuesta.html.find('#id_del_elemento', first=True)

# Buscar todos los elementos de una clase específica
elementos_con_clase = respuesta.html.find('.clase_del_elemento')

Para interactuar con JavaScript en sitios web dinámicos, puedes utilizar el método .render() que ejecuta JavaScript en la página:

respuesta.html.render()

Ten en cuenta que render() requiere instalaciones adicionales como Chromium, que requests-html intentará descargar la primera vez que se ejecute.

Ejemplo Práctico

Aquí hay un ejemplo simple de cómo extraer títulos de un blog:

# Crea una sesión
session = HTMLSession()

# Realiza una solicitud GET a la página del blog
respuesta = session.get('https://blog.ejemplo.com')

# Renderiza la página para ejecutar JavaScript
respuesta.html.render()

# Busca todos los elementos que contienen los títulos de las publicaciones
titulos = respuesta.html.find('h1.titulo_del_post')

# Imprime los títulos encontrados
for titulo in titulos:
    print(titulo.text)

Este script imprime los títulos de las publicaciones de un blog ficticio, buscando en la página los h1 con la clase titulo_del_post.

Machine Learning y Tipos de Modelos

Al trabajar con Machine Learning (ML) y Python, elegimos diferentes tipos de modelos basándonos en la naturaleza de nuestro problema. Para predecir si un dispositivo es reparable, aplicaríamos modelos de clasificación ya que buscamos una respuesta binaria: reparable o no reparable. Aquí hay una breve descripción de tres tipos comunes de modelos:

Regresión Lineal: A pesar de que no se aplica directamente a problemas de clasificación, es importante mencionarla. Se utiliza para predecir valores continuos, pero no categorías. Aun así, es la base sobre la que se construyen otros modelos como la regresión logística.
Regresión Logística: Es un modelo de clasificación que estima la probabilidad de que una instancia pertenezca a una clase. Aunque su nombre sugiere una relación con la regresión lineal, se utiliza para clasificación binaria y es efectiva cuando la relación entre la variable dependiente y las independientes es logística o sigmoidea.
Árboles de Decisión: Son modelos versátiles que se pueden utilizar tanto para clasificación como para regresión. Son particularmente útiles cuando las relaciones entre los predictores no son lineales y hay interacciones complejas. Los árboles de decisión dividen el conjunto de datos en subconjuntos basados en el valor de las características, lo que hace que el modelo sea fácil de interpretar.

La elección entre estos modelos depende de varios factores como la linealidad de los datos, la necesidad de interpretabilidad y la complejidad del problema. La regresión logística es a menudo una primera línea de ataque para problemas de clasificación debido a su simplicidad y eficiencia. Por otro lado, los árboles de decisión son más flexibles y fáciles de interpretar, lo que puede ser invaluable en ciertas aplicaciones empresariales.

La programación en ML es intrínsecamente diferente de la programación convencional. En lugar de codificar reglas específicas y lógica de programación, entrenamos a los modelos con datos para que aprendan patrones. Este enfoque requiere una comprensión profunda de los datos y estadísticas, ya que la calidad de los datos y la selección del modelo afectan directamente el rendimiento y la precisión. Además, los modelos de ML raramente alcanzan una precisión del 100% debido a la presencia de ruido en los datos, la posibilidad de sobreajuste y la naturaleza a menudo probabilística de las predicciones.

Red Neuronal Artificial

Una red neuronal artificial (RNA) es un sistema de procesamiento de información que se inspira en la forma en que las redes neuronales biológicas del cerebro humano procesan la información. Una RNA está compuesta de un número de perceptrones (neuronas artificiales) organizados en capas: capa de entrada, una o más capas ocultas y una capa de salida.

Estructura de una Red Neuronal

Capa de Entrada: Recibe las señales de entrada (características o datos brutos) y las pasa a la siguiente capa.
Capas Ocultas: Realizan la mayoría de los cálculos necesarios y están compuestas por perceptrones como los descritos anteriormente. Cada capa extrae características de nivel más alto que la anterior.
Capa de Salida: Produce la salida final del modelo, que puede ser un valor continuo (en el caso de la regresión) o una clase (en el caso de la clasificación).

Funcionamiento

Propagación hacia adelante: Las entradas se introducen en la red y se procesan capa por capa, a través de los pesos y funciones de activación, hasta generar una salida.
Retropropagación y Aprendizaje: Utiliza algoritmos como el de descenso del gradiente para ajustar los pesos de la red en función del error de la salida obtenida comparada con la salida deseada.
Iteración: El proceso de propagación y retropropagación se repite muchas veces, y en cada iteración, la RNA ajusta sus pesos internos con el objetivo de minimizar el error de sus predicciones.

Las redes neuronales son capaces de aprender y modelar relaciones no lineales complejas entre los datos de entrada y salida, lo que las hace muy efectivas para tareas como reconocimiento de voz, imagen y patrones, traducción de idiomas y muchas otras aplicaciones de inteligencia artificial.

Perceptrón en Redes Neuronales

El perceptrón es un tipo de neurona artificial y es el bloque constructivo básico de una red neuronal. Se compone de varias partes:

Entradas (X1, X2, X3): Son los datos de entrada que recibe la neurona. En una red neuronal, estas podrían ser características o señales de entrada.
Pesos (W): Cada entrada está asociada con un peso que modifica la señal de entrada. Los pesos son ajustables y se optimizan durante el entrenamiento de la red.
Sesgo: Es un término adicional en la neurona que permite ajustar la salida además de los pesos. Funciona como un umbral que determina cuán fácil es que la neurona se active.
Suma ponderada: Las entradas multiplicadas por sus pesos se suman junto con el sesgo. Esto se puede representar como suma ponderada = (X1 * W1) + (X2 * W2) + (X3 * W3) + sesgo.
Función de Activación: La suma ponderada se pasa a través de una función de activación, que determina la salida de la neurona. Las funciones de activación comunes incluyen la sigmoide, tanh y ReLU.
Salida: Es el resultado final de la neurona después de aplicar la función de activación. Esta salida puede ser utilizada directamente o ser la entrada a otra neurona en una red de múltiples capas.

El perceptrón es un modelo lineal, lo que significa que toma una decisión de clasificación basada en una combinación lineal de los pesos y entradas. Los perceptrones pueden manejar problemas de clasificación binaria y son la base sobre la cual se construyen redes neuronales más complejas.

Python ❤️

Files

README.md

Latest commit

History