Scribd
Cargar
0 vistas4 páginas

Resumen Python 2

El documento proporciona ejemplos de cómo leer y escribir archivos CSV en Python 2, incluyendo el uso de 'csv.DictReader' y 'csv.DictWriter'. También se discute la importancia de los entornos virtuales en Python para gestionar dependencias de proyectos y se menciona el uso de 'requirements.txt' para listar dichas dependencias. Además, se introduce el concepto de series y dataframes en el contexto de análisis de datos con Pandas.

Cargado por

Fernando Pizarro
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
0 vistas4 páginas

Resumen Python 2

El documento proporciona ejemplos de cómo leer y escribir archivos CSV en Python 2, incluyendo el uso de 'csv.DictReader' y 'csv.DictWriter'. También se discute la importancia de los entornos virtuales en Python para gestionar dependencias de proyectos y se menciona el uso de 'requirements.txt' para listar dichas dependencias. Además, se introduce el concepto de series y dataframes en el contexto de análisis de datos con Pandas.

Cargado por

Fernando Pizarro
Derechos de autor
© All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

Python 2

Lectura de CSV
Lectura de un archivo CSV
import csv

with open("[Link]",
"r", encoding = "utf-8") as f:
for row in [Link](f):
print(row["Lenguage"], row"["Year"])

w = solo escritura, se sobreescribe arriba si hay uno csv

Escritura
data = [[1,2,3] [4,5,6]] # o [[]]
with open("[Link]",
"a", encoding = "utf-8") as f: #"w"
w=[Link](f)
[Link](data)

newline=”” → sin filas vacias


“a” → anexar no se borra todo

Escritor de diccionarios

Python 2 1
import csv

data = [{"Lenguages":1, "Creator": 2, "Year": 3}


{"Year": 4, "Lenguages": 5, "Creator":6}] # o
[[]]

with open("[Link]",
"a", encoding = "utf-8") as f: #"w"
w=[Link](f,
fieldnames=["Lenguages", "Creator"; Year"])
[Link](data)

|||
import csv

with open("ProgrammingLenguages_2.csv",
"r", encoding = "utf-8", newline="") as f:
sample = [Link](1000)
delimiter = [Link]().sniff(sample)
print("Delimiter: ", repr([Link]))
[Link](0)
rows = [Link](f, dialect = delimiter):
for r in rows:
print(r)

Tipificaciones →

Python 2 2
SQLite 3 en Python
Atento a las excepciones en UNIQUE → no repetidos por ej rut en mini
programa 1

Analisis de datos
Primero definamos lo que es un ambiente virtual y su importancia en Python.
Usualmente sabemos que al instalar librerias que no estan nativamente en Python,
estas se instalan en el PC, por ejemplo Pandas. Esto no es tan buena idea en la
practica, ya que todos los proyectos son diferentes, con sus propias librerias y
versiones.
Para que los proyectos puedan coexistir se crean entornos virtuales, que es un
espacio aislado donde gestionamos cada dependencia. Esto nos da aislamiento
de proyectos, portabilidad y buena gestion de las dependencias.

#Abrimos la terminal

python -m venv env_proyecto1

#Se activa

env_proyecto1Scripts\activate
source #linux o max
#desactivarlo
deactivate

#dependencias
pip freeze

Los entornos no se suben a repositorios git. Siempre es buna idea crear un


archivo llamado [Link], donde se almacena el listado de todas las
dependencias.

Python 2 3
pip freeze > [Link]

pip install -r [Link]

Cada dataframe esta compuesto por series

#series
numeros = [3, 4, 5, 6, 7]
serie = [Link](numeros)
serie, type(serie)

#se crea una serie

Serie → columna de una tabla


Dataframe → tabla completa

Python 2 4

También podría gustarte