Recursos Python

Recursos libres para aprender a programar en español

View the Project on GitHub flbulgarelli/recursos-python

Integración

🛑 Hagamos un alto en el camino. ¿Qué vimos hasta acá?

¡Fueron un montón de cosas!

Como material de referencia, te dejamos algunos links para que leas y tengas a mano a partir de ahora:

1. anio

Definí la función anio que dado un string con una fecha (como por ejemplo "30/11/2014") devuelva el año, como un número. La función tiene que andar tanto con si el string original completa los dígitos con cero como si no lo hace.

Por ejemplo:

>>> anio("30/11/2014")
2014
>>> anio("05/01/0152")
152
>>> anio("5/1/152")
152

2. Estadísticas del curso

Tenemos datos de un curso como el siguiente:

curso_ejemplo = [
  {
    'legajo': '123446',
    'nombre': 'María',
    'apellido': '(...)',
    'notas' : [10, 2, 3],
    'zona': 'Quilmes'
  },
  {
    'legajo': '123450',
    'nombre': 'Carlos',
    'apellido': '(...)',
    'notas' : [5, 8, 8],
    'zona': 'CABA'
  },
  {
    'legajo': '123430',
    'nombre': 'Liz',
    'apellido': '(...)',
    'notas' : [4, 8, 2],
    'zona': 'CABA'
  },
  {
    'legajo': '123453',
    'nombre': 'Hector',
    'apellido': '(...)',
    'notas' : [9, 9, 1],
    'zona': 'Temperley'
  },
  {
    'legajo': '123110',
    'nombre': 'Ana',
    'apellido': '(...)',
    'notas' : [6, 7, 8],
    'zona': 'Quilmes'
  },
  {
    'legajo': '123371',
    'nombre': 'Ivana',
    'apellido': '(...)',
    'notas' : [7, 7, 9],
    'zona': 'Avellaneda'
  }
]

Con esta información, definí las siguientes tres funciones:

  1. nota_final(un_estudiante): devuelve la nota final de un estudiante, que se calcula como el promedio de sus notas
  2. promedio_de_notas_del_curso(un_curso): devuelve el promedio general de las notas finales del curso
  3. estudiantes_aprobados(un_curso): devuelve aquellos estudiantes cuyas notas individuales (sin importar la nota final) son todas mayores o iguales a 4.

Ejemplo:

>>> estudiantes_aprobados(curso_ejemplo)
[
 {
    'legajo': '123450',
    'nombre': 'Carlos',
    'apellido': '(...)',
    'notas' : [5, 8, 8],
    'zona': 'CABA'
  },
  {
    'legajo': '123110',
    'nombre': 'Ana',
    'apellido': '(...)',
    'notas' : [6, 7, 8],
    'zona': 'Quilmes'
  },
  {
    'legajo': '123371',
    'nombre': 'Ivana',
    'apellido': '(...)',
    'notas' : [7, 7, 9],
    'zona': 'Avellaneda'
  }
]

3. Zonas y legajos

Ahora vamos a querer más estadísticas:

  1. cantidad_de_estudiantes_por_zona(un_curso): devuelve un diccionario con la cantidad de estudiante que hay en cada zona
  2. legajos_de_estudiantes(un_curso): devuelve una lista con sólo los legajos
  3. nombre_completo_de(legajo, un_curso): busca un estudiante por legajo y devuelve su nombre completo, asumiendo que el legajo existe.
  4. legajo_registrado(legajo, un_curso): dice si existe un estudiante con el legajo dado

Ejemplos:

>>>> cantidad_de_estudiantes_por_zona(curso_ejemplo)
 {
  "Quilmes": 2,
  "CABA": 2,
  "Temperley": 1,
  "Avellaneda": 1
}
>>> legajos_de_estudiantes(curso_ejemplo)
['123446', '123450', '123430', '123453', '123110', '123371']
>>> nombre_completo_de('123446', curso_ejemplo)
"María (...)"
>>> legajo_registrado('89612', curso_ejemplo)
False # nadie tiene ese legajo

Definí las nuevas funciones.

4. Estadísticas de estudiantes, recargada

Usando pandas, Creá un DataFrame en pandas con los datos de ejercicio anterior ….

import pandas as pd

estudiantes = pd.DataFrame(curso_ejemplo)

…y realizá los siguientes análisis:

  1. Realizá un gráfico de barras donde se ve la cantidad de estudiantes por zona.
  2. Generá una tabla con cada zona del curso y su cantidad de estudiantes
  3. Generá una tabla con dos columnas: una con el legajo y otra con el nombre completo de cada estudiante
  4. Bonus: generá una tabla igual a la original pero que reemplace la columna de notas individuales de cada estudiante por otra con su nota promedio

5. Tabla de emojis 😜

Cargá este archivo en una tabla de pandas…

import pandas as pd

# notá que este archivo no es un CSV, sino un JSON, un formato
# muy diferente pero que podemos cargar de forma muy similar
emojis = pd.read_json("https://raw.githubusercontent.com/github/gemoji/ce6c4ab12ae229be2b1089cbf7e85702fdc5552f/db/emoji.json")
emojis

… y respondé lo siguiente:

  1. ¿Cuántas categorías de emojis hay?
  2. ¿Cuántas banderas hay?
  3. ¿Cuáles son todos los emojis que estén diferenciados por tono de piel?
    • Bonus: Imprimí cada uno usando print
  4. ¿Cuántos y cuáles emojis se incorporaron entre la versión 13 y 14 de IOS?

6. Banderas

Usando la tabla emojis del ejercicio anterior, definí una función bandera_de que tome el nombre de un país (en inglés) y te de su bandera.

Por ejemplo:

>>> bandera_de("Argentina")
'🇦🇷'
>>> bandera_de("Brazil")
'🇧🇷'
>>> emojificar("Mexico")
'🇲🇽'

7. Emojificar

Definí la función emojificar, que tome un texto y reemplace todas las palabras que se correspondan con el alias de un emoji por el emoji correspondiente.

Por ejemplo:

>>> emojificar("Emojificando smile")
'Emojificando 😄'
>>> emojificar("hola argentina")
'hola 🇦🇷'
>>> print(emojificar("pizza y mate"))
# el print puede ser
# necesario si el emoji no se ve bien
🍕 y 🧉

Ayuda

Hay varias formas de encarar este ejercicio. Una de ellas es recorrer la tabla de emojis iterando los índices, y luego accediendo cada fila con iloc:

for index in emojis.index:
  emoji = emojis.iloc[index]
  # y ahora emoji es una fila que podés
  # usar como emoji.skin_tones, por ejemplo

Otra más sencilla es usar itertuples() que nos permite recorrer directamente cada fila:

for emoji in emojis.itertuples():
  # y ahora emoji es una fila que podés
  # usar igual que el ejemplo anterior

Por último, también podés convertir el dataframe emojis en una lista de diccionarios usando …

# esto devuelve una lista de diccionarios
emojis.to_dict("records")

… y luego recorrerla normalmente.

Por último, ojo porque hay muchos emojis que tienen alias muy cortos y si no tenés cuidado te puede pasar ésto:

>>> emojificar("hola argentina")
'h⭕l🅰️ 🅰️rgentin🅰️'

8. Partidos de fútbol

En una aplicación tenemos estadísticas de partidos de fútbol ⚽ como las siguientes:

partidos_de_ejemplo = [
 {'anio': 2015,
  'dia': 17,
  'equipo_local': 'Belgrano',
  'equipo_visitante': 'Nueva Chicago',
  'goles_locales': 3,
  'goles_visitantes': 1,
  'mes': 2,
  'resultado': 'local'},
 {'anio': 2017,
  'dia': 22,
  'equipo_local': 'Olimpo Bahia Blanca',
  'equipo_visitante': 'Estudiantes L.P.',
  'goles_locales': 3,
  'goles_visitantes': 1,
  'mes': 5,
  'resultado': 'local'},
 {'anio': 2015,
  'dia': 31,
  'equipo_local': 'Tigre',
  'equipo_visitante': 'Defensa y Justicia',
  'goles_locales': 0,
  'goles_visitantes': 0,
  'mes': 3,
  'resultado': 'empate'},
 {'anio': 2020,
  'dia': 8,
  'equipo_local': 'Banfield',
  'equipo_visitante': 'Rosario Central',
  'goles_locales': 1,
  'goles_visitantes': 1,
  'mes': 2,
  'resultado': 'empate'},
 {'anio': 2017,
  'dia': 25,
  'equipo_local': 'Tigre',
  'equipo_visitante': 'Velez Sarsfield',
  'goles_locales': 0,
  'goles_visitantes': 3,
  'mes': 8,
  'resultado': 'visitante'}]

Como vemos, estas estadísticas tienen información de la fecha, equipos que se enfrentaron, y quien ganó (resultado) y qué goles hizo cada equipo.

Sabiendo ésto, definí una función goles_hechos_a, que reciba un equipo y un diccionario con las estadísticas de un partido, y devuelva la cantidad de goles que le hicieron al equipo dado, sin importante si fueron de visitante o local.

Por ejemplo:

>>> goles_hechos_a("Tigre", {
 'equipo_local': 'Rosario Central',
 'equipo_visitante': 'Tigre',
 'goles_locales': 2,
 'goles_visitantes': 1,
 ...
})
2 # porque Tigre era visitante y hubo un sólo gol local
>>> goles_hechos_a("River Plate", {
  'equipo_local': 'River Plate',
  'equipo_visitante': 'Quilmes',
  'goles_locales': 2,
  'goles_visitantes': 3,
  ...
})
3 # porque River era local y hubo dos goles visitantes

Nota: asumí que la función será siempre invocada con uno de los dos equipos participantes.

9. Tajaí

Definí una función participo que diga si un equipo partició en un partido.

>>> participo("Nueva Chicago", partidos_de_ejemplo[0])
True # Porque fue un partido Belgrano vs Nueva Chicago
>>> participo("Olimpo Bahia Blanca", partidos_de_ejemplo[1])
True # Porque fue vs Olimpo Bahia Blanca vs Estudiantes L.P.
>>> participo("River Plate", partidos_de_ejemplo[1])
False

10. El clásico del domingo

Los domingos necesitamos armar los titulares que se ven durante el partido y al finalizar. Por ejemplo:

>>> titular_durante(partidos_de_ejemplo[3])
"El minuto a minuto del Banfield - Rosario Central"
>>> titular_final(partidos_de_ejemplo[4])
"Tigre 0 - 0 Defensa y Justicia: toda la información"

Definí las funciones titular_durante y titular_final

11. ¡6 a 1!

Definí una función mayor_goleada_recibida que responda cuál fue la mayor goleada recibida, independientemente de si fue recibida de local o visitante. Probablemente te convenga reutilizar algunas de las funciones anteriores

12. Siamo Fuori

Definí una función perdio, que diga si un equipo perdió en un partido. Nota: si el equipo empató o no partició, diremos que no perdió.

13. Saliendo a la cancha

¡Llegó la hora de usar datos reales!

Cargá desde https://www.football-data.co.uk/new/ARG.csv una tabla de pandas y mirá qué contiene.

14. No todo es información

Dado que no vamos a usar todas las columnas, vamos a quedarnos sólamente con las siquientes:

Recortá el dataframe para que contenga sólo las columnas mencionadas

15. Es la misma columna, pero el nombre es nuevo

El problema es que las columnas tienen nombres difíciles de recordar, y no se parece mucho a lo que veníamos trabajando.

Renombrar las columnas para que sus nombres coincidan con lo que representan, en español. Inspirate en las estadísticas de ejemplo que usamos en los ejercicios anteriores.

16. Cambiando el resultado

Ah, pero los valores de la columna resultado tampoco coinciden con los que veníamos trabajando.

Convertí los códigos de la columna resultado de la siguiente forma:

  • H ➡️ local
  • A ➡️ visitante
  • D ➡️ empate

Ayuda

Podés transformar los valores de una columna usando un_datagrame.una_columna.map(diccionario), donde las claves del diccionario son los valores originales, y los valores, los valores nuevos.

17. Todo a su tiempo

Momento, ¿y de cuándo son estos datos? ¿Desde qué año hay registros?

Transformá la columna de fecha en datetime para que podamos maniuplarla adecuadamente, agregá una columna anio y finalmente respondé la pregunta.

Ayuda

Te va a convenir usar la función pd.to_datetime.

18. De visitante

¿Cuál es el promedio de goles visitante y local de cada año?

Hacé una tabla que contenga una fila por cada liga con sus resultados y un gráfico de barras donde se presente esta información

19. Tantas estadísticas me dieron hambre

¿Cuál es la proporción de victorias de local, visitante y empates?

Calculá estas estadísticamente numéricamente y con ellas hacé un gráfico de torta 🥧.

20. ¡Hay equipo(s)!

  1. ¿Qué cantidad de equipos participaron?
  2. ¿Cuál es el promedio de goles que le hicieron a cada equipo siendo local? Hacé una tabla con una fila por cada partido que responda esta pregunta
  3. ¿Y cuál es la mayor cantidad de goles que le hicieron a un equipo siendo visitante? Hacé una tabla que responda ésto por cada equipo.
  4. Bonus: representalo también como un gráfico de barras horizontal, ordenado de mayor a menor

21. Para cerrar

Ahora que tenemos los datos reales, ¿podríamos usar nuestras primeras funciones con ellos?

Actualizá la variable partidos_de_ejemplo para que tenga una lista de diccionarios iguales a los originales, pero esta vez generados tomando 20 partidos al azar de la tabla.

Ayuda

Recordá que contás con un_dataframe.sample y que podés transformar una tabla en una lista de registros usando to_dict("records")