Curso Python: paquetes
0 recomendaciones136 vistas
El documento describe las características principales de los paquetes y librerías en Python, incluyendo Numpy. Numpy es una librería popular para computación científica que permite trabajar con matrices de forma optimizada, integrar código C/C++/Fortran, y convertir listas de Python a tipos inferidos. Otras librerías comunes incluyen Pandas, Scipy, Matplotlib, Scikit-Learn, TensorFlow y Keras.
Curso Python: paquetes
- 2. Paquetes ⚫ Vamos a ver en qué consiste un paquete: un directorio que contiene varios ficheros con nuestro código, se considera un paquete, siempre y cuando uno de esos ficheros se llame _init_.py. ⚫ Podemos cargar un fichero (llamado modulo) que esté dentro de nuestro paquete, si escribimos: import package.module.
- 3. Context managers ⚫ Como ya sabemos guardar nuestro código en paquetes, podemos especificar que el bloque de código se ejecuta bajo la supervisión de un context manager, usamos la palabra clave reservada with ⚫ El ejemplo clásico es leer o escribir en un fichero:
- 4. Veamos ahora las librerías, una de las principales es: Numpy ⚫ NumPy es la librería de computación científica más popular en Python. Entre sus principales características, citamos: ⚫ Optimización para trabajar con matrices, como Matlab ⚫ Posibilidad de integrar código existente en C/C++ o Fortran
- 5. Diferencia de Numpy con las listas de Python ⚫ Mientras que en una lista normal de Python, todos los elementos conservan su tipo; NumPy ha convertido todos al tipo inferido más probable: string:
- 6. Algunas funciones de Numpy ⚫ Una de las más usadas es la creación de un array mediante un rango: ⚫ O la de números aleatorios:
- 7. Numpy se utiliza también en álgebra lineal ⚫ Mediante dot podemos hacer multiplicación de matrices ⚫ Otro ejemplo es calcular la inversa:
- 8. Numpy y analogía con Matlab ⚫ Se pueden almacenar datasets en arrays de Numpy, igual que hacemos con Matlab.
- 9. Graficando los resultados ⚫ Usaremos Numpy y Matplotlib para conseguirlo:
- 10. Vectorizando funciones ⚫ Vectorizando nuestros algoritmos podemos llegar a conseguir grandes mejoras de rendimiento:
- 11. Librerías más utilizadas ⚫ Hemos visto Numpy, pero Python tiene muchas más librerías, entre las que cabe destacar: ⚫ Pandas ⚫ Scipy ⚫ MatPlotLib ⚫ Scikit-Learn ⚫ TensorFlow ⚫ Keras, etc…