Alquimista de código

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 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 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 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 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...

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 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...