mirror of
https://github.com/adambard/learnxinyminutes-docs.git
synced 2024-11-27 04:44:08 +03:00
8.9 KiB
8.9 KiB
language | contributors | filename | translators | lang | ||||||
---|---|---|---|---|---|---|---|---|---|---|
Statistical computing with Python |
|
pythonstatcomp-es.py |
|
es-es |
Este es un tutorial de como realizar tareas típicas de programación estadística usando Python. Está destinado a personas con cierta familiaridad con Python y con experiencia en programación estadística en lenguajes como R, Stata, SAS, SPSS, or MATLAB.
# 0. Cómo configurar ====
""" Configurar con IPython y pip install lo siguiente: numpy, scipy, pandas,
matplotlib, seaborn, requests.
Asegúrese de realizar este tutorial con el IPython notebook para tener fácil
acceso a las ayudas en tiempo real y la documentación respectiva.
"""
# 1. Captura de datos ====
""" Muchos prefieren Python sobre R ya que quieren interactuar mucho
con la web, bien sea haciendo webscraping o solicitando datos mediante
un API. Esto se puede hacer en R, pero en el contexto de un proyecto
que ya usa Python, existen beneficios al mantener un solo lenguaje.
"""
import requests # para llamados HTTP (webscraping, APIs)
import os
# webscraping
r = requests.get("https://github.com/adambard/learnxinyminutes-docs")
r.status_code # si es 200, el llamado ha sido exitoso
r.text # código fuente de la página
print(r.text) # formateado y embellecido
# graba el código fuente en un fichero:
os.getcwd() # verifica cual es el directorio de trabajo
f = open("learnxinyminutes.html","wb")
f.write(r.text.encode("UTF-8"))
f.close()
# descargando un csv
fp = "https://raw.githubusercontent.com/adambard/learnxinyminutes-docs/master/"
fn = "pets.csv"
r = requests.get(fp + fn)
print(r.text)
f = open(fn,"wb")
f.write(r.text.encode("UTF-8"))
f.close()
""" para saber más del módulo de peticiones, incluyendo APIs, ver
http://docs.python-requests.org/en/latest/user/quickstart/
"""
# 2. Leyendo un fichero CSV ====
""" El paquete pandas de Wes McKinney brinda objetos 'DataFrame' en Python. Si
has usado R, ya estarás familiarizado con la idea de "data.frame".
"""
import pandas as pd, numpy as np, scipy as sp
pets = pd.read_csv(fn)
pets
# nombre edad peso especies
# 0 fluffy 3 14 cat
# 1 vesuvius 6 23 fish
# 2 rex 5 34 dog
""" Usuarios de R: notar que Python, al igual que otros lenguajes de programación
normales, comienza indexando desde 0. R de forma inusual comienza desde 1.
"""
# dos formas distintas de imprimir una columna
pets.age
pets["age"]
pets.head(2) # imprime las primeras dos filas
pets.tail(1) # imprime la última fila
pets.name[1] # 'vesuvius'
pets.species[0] # 'cat'
pets["weight"][2] # 34
# en R, puedes esperar obtener 3 filas haciendo esto, pero aquí obtienes 2:
pets.age[0:2]
# 0 3
# 1 6
sum(pets.age)*2 # 28
max(pets.weight) - min(pets.weight) # 20
""" Si estás procesando grandes cantidades de cálculos de álgebra lineal, podrías
querer usar matrices, no DataFrames. Los DataFrames son ideales para combinar
columnas de diferentes tipos.
"""
# 3. Gráficas ====
import matplotlib as mpl, matplotlib.pyplot as plt
%matplotlib inline
# Para hacer virtualización de datos en Python, usa matplotlib
plt.hist(pets.age);
plt.boxplot(pets.weight);
plt.scatter(pets.age, pets.weight); plt.xlabel("age"); plt.ylabel("weight");
# seaborn está por encima de matplotlib y logra mejores gráficos
import seaborn as sns
plt.scatter(pets.age, pets.weight); plt.xlabel("age"); plt.ylabel("weight");
# también hay algunas funciones gráficas específicas de seaborn
# nota como seaborn etiqueta automáticamente el eje x en este gráfico de barras
sns.barplot(pets["age"])
# los veteranos de R pueden seguir usando ggplot
from ggplot import *
ggplot(aes(x="age",y="weight"), data=pets) + geom_point() + labs(title="pets")
# fuente: https://pypi.python.org/pypi/ggplot
# incluso hay un porteo d3.js: https://github.com/mikedewar/d3py
# 4. Limpieza simple de datos y análisis exploratorio ====
""" Tenemos ahora un ejemplo más complicado que demuestra un flujo básico para
limpieza de datos que lleva a la creación de algunos gráficos exploratorios
y la ejecución de una regresión lineal.
El conjunto de datos fue transcrito de Wikipedia a mano. Contiene
todos los Emperadores Romanos Sagrados y fechas claves en sus vidas
(nacimiento, muerte, coronación, etc.).
El objetivo del análisis es explorar si existe alguna relación
entre el año de nacimiento del Emperador y su tiempo de vida.
fuente de datos: https://en.wikipedia.org/wiki/Holy_Roman_Emperor
"""
# cargar algunos datos de los Emperadores Romanos Sagrados
url = "https://raw.githubusercontent.com/e99n09/R-notes/master/data/hre.csv"
r = requests.get(url)
fp = "hre.csv"
f = open(fp,"wb")
f.write(r.text.encode("UTF-8"))
f.close()
hre = pd.read_csv(fp)
hre.head()
"""
Ix Dynasty Name Birth Death Election 1
0 NaN Carolingian Charles I 2 April 742 28 January 814 NaN
1 NaN Carolingian Louis I 778 20 June 840 NaN
2 NaN Carolingian Lothair I 795 29 September 855 NaN
3 NaN Carolingian Louis II 825 12 August 875 NaN
4 NaN Carolingian Charles II 13 June 823 6 October 877 NaN
Election 2 Coronation 1 Coronation 2 Ceased to be Emperor
0 NaN 25 December 800 NaN 28 January 814
1 NaN 11 September 813 5 October 816 20 June 840
2 NaN 5 April 823 NaN 29 September 855
3 NaN Easter 850 18 May 872 12 August 875
4 NaN 29 December 875 NaN 6 October 877
Descent from whom 1 Descent how 1 Descent from whom 2 Descent how 2
0 NaN NaN NaN NaN
1 Charles I son NaN NaN
2 Louis I son NaN NaN
3 Lothair I son NaN NaN
4 Louis I son NaN NaN
"""
# limpiar las columnas de Nacimiento y Muerte
import re # módulo para expresiones regulares
rx = re.compile(r'\d+$') # coincidencia de últimos dígitos
""" Esta función aplica una expresión regular a una columna de entrada (Birth,
Death), nivela la lista resultante, la convierte en un objeto Series, y
finalmente convierte el tipo del objeto Series de string a entero. Para
más información sobre que hace cada parte del código, ver:
- https://docs.python.org/2/howto/regex.html
- http://stackoverflow.com/questions/11860476/how-to-unlist-a-python-list
- http://pandas.pydata.org/pandas-docs/stable/generated/pandas.Series.html
"""
def extractYear(v):
return(pd.Series(reduce(lambda x,y: x+y,map(rx.findall,v),[])).astype(int))
hre["BirthY"] = extractYear(hre.Birth)
hre["DeathY"] = extractYear(hre.Death)
# hacer una columna decir la edad estimada
hre["EstAge"] = hre.DeathY.astype(int) - hre.BirthY.astype(int)
# gráfica de dispersión simple, sin línea de tendencia, el color representa dinastía
sns.lmplot("BirthY", "EstAge", data=hre, hue="Dynasty", fit_reg=False);
# usa scipy para hacer regresiones lineales
from scipy import stats
(slope,intercept,rval,pval,stderr)=stats.linregress(hre.BirthY,hre.EstAge)
# código fuente: http://wiki.scipy.org/Cookbook/LinearRegression
# verifica la pendiente (slope)
slope # 0.0057672618839073328
# verifica el valor R^2 :
rval**2 # 0.020363950027333586
# verifica el valor p
pval # 0.34971812581498452
# usa seaborn para hacer un gráfico de dispersión y dibujar una regresión lineal
# de la tendencia
sns.lmplot("BirthY", "EstAge", data=hre);
""" Para más información sobre seaborn, ver
- http://web.stanford.edu/~mwaskom/software/seaborn/
- https://github.com/mwaskom/seaborn
Para más información sobre SciPy, ver
- http://wiki.scipy.org/SciPy
- http://wiki.scipy.org/Cookbook/
Para ver una versión del análisis de los Emperadores Romanos usando R, ver
- http://github.com/e99n09/R-notes/blob/master/holy_roman_emperors_dates.R
"""
Si quieres aprender más, obtén Python for Data Analysis por Wes McKinney. Es un extraordinario recurso usado como referencia para escribir este tutorial.
También puedes encontrar gran cantidad de tutoriales interactivos de IPython en temas específicos a tus intereses, como Pilon de Cam Davidson Probabilistic Programming and Bayesian Methods for Hackers.
Ver más módulos para investigar:
- análisis de texto y procesamiento natural del lenguaje: nltk, http://www.nltk.org
- análisis de redes sociales: igraph, http://igraph.org/python/