Ir al contenido principal

Entradas

Mostrando entradas de agosto, 2025

Fortran en un vistazo

Quien lleva algo de tiempo en estos temas de la programación sabrá que existe un lenguaje de programación llamado Fortran . Un lenguaje de programación bastante poderoso para el ámbito científico y que ahora, en estos tiempos, ha ido recobrando un poco de popularidad. En este blog ya hablamos un poco de ello: https://alquimistadecodigo.blogspot.com/2024/07/fortran-un-lenguaje-de-programacion.html Pues ahora continuaremos hablando de el. Fortran al igual que C, C++, Oberon o Java es necesario especificar los tipos de datos a tratar. Olvidemos las malas costumbres de lenguajes como Javascript y Python a la hora de definir nuestras variables. No, no es lo mismo var numero = "911" que int numero = "911"; . Quienes aprendimos C como primer lenguaje lo sabemos a detalle. Pues en Javascript y/o Python se puede hacer cosas como estas (casi sin ningún reparo) var numero = "911"; numero = 911; console.log("Valor del número: ", numero); ...

Pytest: un framework para crear pruebas de tu código

Pytest es un framework que nos sirve para crear pruebas a nuestro código Python . Facilita la escritura de pruebas pequeñas y legibles, y puede escalar para soportar pruebas funcionales complejas para aplicaciones y bibliotecas. Para quien sepa la filosofía TDD entederá. La instalación no nos lleverá mucho tiempo. Abrimos una terminal y escribimos: $ pip install -U pytest Si ha funcionado, verificamos: $ pytest --version ¿Qué podemos hacer con Pytest? Básica y llanamente nos permite escribir y ejecutar pruebas automatizadas (unitarias, de integración, funcionales y en-to-end) en Python . Esto para tener una mejor calidad de código y evitar futuros errores. ¿Cómo funciona? Veamos un ejemplo. Escribamos una función para sumar dos números. Escribimos un test que falle. pruebas.py import pytest # Función que sume dos números def add (x, y): return x + y # Prueba que falle, 3 + 4 no da 5 def test_fail_add (): assert add( 3 , 4 ) == 5...

Matplotlib: una librería Python para graficar

  Matplotlib es una biblioteca completa para crear visualizaciones estáticas, animadas e interactivas en Python. ¿Qué podemos hacer con Matplotlib? Crear gráficos con calidad de publicación. Crear figuras interactivas que puedan ampliar, desplazarse y actualizarse. Personalizar el estilo visual y el diseño. Exportar a diversos formatos de archivo. Integración con JupyterLab e interfaces gráficas de usuario. Instalación y verificación: $ pip install matplotlib $ pip show matplotlib Veamos un ejemplo sencillo: grafica.py import matplotlib.pyplot as plt # Datos de ejemplo x = [ 1 , 2 , 3 , 4 , 5 ] y = [ 2 , 4 , 6 , 8 , 10 ] # Crear el gráfico plt . plot(x, y, marker = 'o' , linestyle = '-' , color = 'b' , label = 'Datos' ) # Añadir etiquetas y título plt . xlabel( 'Eje X' ) plt . ylabel( 'Eje Y' ) plt . title( 'Gráfico de Líneas Simple' ) plt . legend() # Mostrar el gráfico plt . grid(...

Scikit-learn: una biblioteca Python para aprendizaje automático

Scikit-learn es una biblioteca de Python para aprendizaje automático (machine learning) que ofrece herramientas simples y eficientes para tareas como clasificación, regresión, clustering y preprocesamiento de datos. Se usa a la par de otras librerías como SciPy , Numpy y Matplotlib . Scikit-learn provee de varios algoritmos de clasificación, regresión y análisis de grupos entre los cuales están máquinas de vectores de soporte, bosques aleatorios, Gradient boosting, K-means y DBSCAN. Sirve para: Clasificación: Identificar a qué categoría pertenece un dato (ej. spam/no spam).  Regresión: Predecir valores numéricos (ej. precios de casas).  Clustering: Agrupar datos similares sin etiquetas previas.  Preprocesamiento: Escalar, normalizar o codificar datos.  Evaluación de modelos: Métricas como precisión, recall, etc. Si no tenemos instalada la librería, la podemos instalar de esta forma: $ pip install scikit-learn Nota: Si no tenemos Scipy, N...

SciPy: una librería Python para científicos

SciPy es un paquete científico más completo, que incluye interfases a librerías científicas muy conocidas como LAPACK , BLAS u ODR entre muchas otras. Contiene módulos para optimización, álgebra lineal, integración, interpolación, funciones especiales, FFT , procesamiento de señales y de imagen, resolución de ODEs y otras tareas para la ciencia e ingeniería. Proporciona algoritmos para optimización, integración, interpolación, problemas de valores propios, ecuaciones algebraicas, ecuaciones diferenciales, estadísticas y muchas otras clases de problemas. Amplía NumPy proporcionando herramientas adicionales para el cálculo de matrices y proporciona estructuras de datos especializadas, como matrices dispersas y árboles k-dimensionales. Para instalarlo existen varias formas, nosotros usaremos pip: $ python -m pip install scipy $ pip show scipy Estos comandos lo instalarán y verificarán la instalación. Entramos al REPL de Python: $ python Importemos la lib...

Conociendo Apache Spark & PySpark

Apache Spark es un motor de análisis unificado para el procesamiento de datos a gran escala. Ofrece API de alto nivel en Scala, Java, Python y R, y un motor optimizado que admite gráficos de cálculo general para el análisis de datos. También es compatible con un amplio conjunto de herramientas de alto nivel, como Spark SQL para SQL y DataFrames, la API de Pandas en Spark para cargas de trabajo de Pandas, MLlib para aprendizaje automático, GraphX para procesamiento de gráficos y Structured Streaming para procesamiento de flujos. Lo puedes usar en Java, Python, Scala y R. Nosotros lo usaremos con Python. Descargamos Apache Spark: https://www.apache.org/dyn/closer.lua/spark/spark-4.0.0/spark-4.0.0-bin-hadoop3.tgz Lo descomprimimos en: Configuramos la variable de entorno `` SPARK_HOME ```: Nombre de la variable: SPARK_HOME  Valor de la variable: C:\Spark\spark-4.0.0-bin-hadoop3 La agregamos al Path: %SPARK_HOME%\bin Podrías agregar otra instalación: https:...

Numpy, una librería para cálculo numérico y análisis de datos

Numpy ayuda con el tratamiento de datos y el cálculo numérico. Es similar a la librería Pandas y la complementa. Es fundamental para el cálculo numérico y el manejo de arrays multidimensionales. Es ampliamente utilizada en ciencia de datos, machine learning, y computación científica. Instalación: $ pip install numpy Verificar instalación: $ pip list Podemos crear un script para verificar que se ha instalado: verify.py import numpy as np print(np.__version__) Ejecutando el script: $ py verify.py Veremos la versión instalada. ¿Qué se puede hacer con Numpy? 1. Estructuras de datos: Arrays Crear arrays multidimensionales (ndarrays) para almacenar datos numéricos. Ejemplo: np . array([ 1 , 2 , 3 ]) np . array([[ 1 , 2 ], [ 3 , 4 ]]) Soporta arrays de cualquier dimensión (1D, 2D, 3D, etc.). Operaciones vectorizadas: cálculos rápidos sin bucles explícitos. 2. Operaciones matemáticas. Aritmética: Suma, resta, multiplicación, división, etc., elem...