Jose Arnulfo Reyes H

Escribir código es algo Político.

José Arnulfo R. H.
11 días
 

Vamos a detallar…

A menudo me han preguntado por qué me importa tanto ayudar a la gente a aprender a codificar. Siempre he respondido diciendo que el código es poder, y aprender a codificar te da mucho poder. Cuanto más comprenda el código, más comprenderá el impacto que tienen las plataformas y los productos tecnológicos en la vida de las personas, ya sea a través de la implementación de funciones específicas o la falta de implementación de ciertas funciones.

Photo by Aditya Joshi on Unsplash

Importa poco si estos impactos son intencionales o no. Por ejemplo, cuando ha creado una plataforma que una parte importante de la sociedad utiliza para la comunicación. Tu código tiene un impacto directo en la sociedad.

Cuando escribe un código que ayuda a determinar quién obtiene un préstamo, influye en quién puede permitirse comprar una casa.

Está muy claro que en Panamá, Brasil, Estados Unidos, Japón y en muchos lugares del mundo, que aquellos que tienen el poder están desesperados por mantener ese poder y están dispuestos a usar la fuerza — “cualquier medio necesario” es una frase demasiado común — para aferrarse a ese poder. Y esa fuerza se usa de manera desproporcionada, en un grado alucinante, contra los negros, los indígenas y cualquier persona que pueda clasificarse como minoría.

A medida que aprendas a codificar, tenga en cuenta el poder que está ganando.

Mientras trabaja en proyectos, ya sean sus propios proyectos o aquellos que están controlados por otra persona, concéntrese en proyectos que comparten el poder. Por favor, niéguese a trabajar en proyectos que consoliden el poder, especialmente para aquellos que lo usarán contra otros.

Thanks for reading!
¡Gracias por leer!

Gracias por llegar hasta aquí. Recibo con mucho agrado tus comentarios. Si gustas puedes seguirme en mis redes sociales @arnulfo_07 o LinkedIn.

Jose Arnulfo Reyes H

Logo de Python Panamá

José Arnulfo R. H.
13 días
 

Comparto con ustedes la actualización del Logo de la comunidad panameña del lenguaje de programación Python.

Árbol de Guayacán, Mariposas, Canal de Panamá, Sol Brillante, Águila Harpía, Cielo y Mar Azul.

Síguenos en tu red social favorita: @PythonPanama

Python Panamá en Meetup https://meetu.ps/c/4nSg4/vmjqQ/a

Idea: Kiria Berdiales y Arnulfo Reyes
Diseñadora Gráfica: Graciela Sánchez

Árbol de Guayacán, Mariposas, Canal de Panamá, Sol Brillante, Águila Harpía, Cielo y Mar Azul.
Jose Arnulfo Reyes H

Entender los tipos de datos — Pandas 03

José Arnulfo R. H.
3 meses
 

Entender los tipos de datos — Pandas 03

En términos muy generales, los datos pueden clasificarse como continuos o categóricos.

Las categóricas son muy útiles para conocer información de tipo cualitativo, es decir, alguna cualidad de los datos. Las continuas nos aportan datos cuantitativos, es decir, cantidades y valores representados por números.

Pandas no clasifica ampliamente los datos como continuos o categóricos. En cambio, tiene definiciones técnicas precisas para muchos tipos de datos distintos.

Photo by Deon Black on Unsplash

La siguiente tabla contiene todos los tipos de datos de pandas, con sus cadenas equivalentes y algunas notas sobre cada tipo:

Mostremos el tipo de datos de cada columna en un DataFrame.

Utilicemos el atributo dtypes para mostrar cada columna junto con su tipo de datos:

Utilice el método dtypes.value_counts() para devolver el recuento de cada tipo de datos.

Cada columna debe ser de un tipo, por ejemplo cada valor en la columna aspect_ratio es un flotante de 64 bits y cada valor de la columna movie_facebook_likes es un número entero de 64 bits.

Datos homogéneos es otro término para referirse a columnas que tienen todas el mismo tipo.

Cuando una columna, es del tipo de datos de objeto, indica que toda la columna son cadenas.

Pandas creó su propio tipo de datos categóricos para manejar columnas de cadenas (o números) con un número fijo de valores posibles.

Essential basic functionality - pandas 1.4.1 documentation

Thanks for reading!
¡Gracias por leer!

Gracias por llegar hasta aquí. Recibo con mucho agrado tus comentarios. Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.

Jose Arnulfo Reyes H

Accede a los componentes de un DataFrame — Pandas 02

José Arnulfo R. H.
3 meses
 

Accede a los componentes de un DataFrame — Pandas 02

En ocasiones te gustará realizar operaciones en los componentes individuales y no en todo el DataFrame.

Se puede acceder a cada uno de los tres (3) componentes de un DataFrame (índice, columnas y datos) directamente desde un DataFrame. Cada uno de esos componentes es en sí mismo un objeto de Python con sus atributos y métodos únicos.

Photo by Chris Becker on Unsplash

Vamos a extraer el índice, las columnas y los datos del DataFrame en variables separadas y luego mostraremos las columnas y el índice y como se heredan del mismo objeto.

¿Cómo lo haremos?

Utilizaremos el DataFrame

movie = pd.read_csv('data/movie.csv')
index = movie.index
columns = movie.columns
data = movie.values

Mostrar los valores de cada componente:

  • index
  • columns
  • data

Mostrar el tipo (type) de cada componente del DataFrame (DF)

Los tipos para el índice como para las columnas están relacionados. El método integrado issubclass comprueba si RangeIndex es realmente una subclase de Index

issubclass(pd.RangeIndex, pd.Index)
True

Una forma común de referirse a los objetos es incluir el nombre del paquete seguido del nombre del tipo de objeto.

Observe cómo el atributo values DataFrame devolvió una matriz NumPy n-dimensional o ndarray. La mayoría de los pandas dependen en gran medida del ndarray.

Podrían considerarse el objeto base para los pandas sobre el que se construyen muchos otros objetos. Para ver esto, podemos mirar los valores del índice y
columnas:

Indexing and selecting data - pandas 1.4.1 documentation

Thanks for reading!
¡Gracias por leer!

Gracias por llegar hasta aquí. Recibo con mucho agrado tus comentarios. Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.

Jose Arnulfo Reyes H

Desmenuzar un DataFrame

José Arnulfo R. H.
3 meses
 

Antes de profundizar con la librería Pandas vale la pena conocer los componentes del DataFrame.

Visualmente la salida de un DataFrame de pandas (en un Jupyter Notebook) parece ser nada más que una tabla ordinaria de datos que consta de filas y columnas.

Debajo de la superficie se esconden tres componentes:

  • el índice, (index)
  • las columnas y (columns)
  • los datos. (data).

Esto se debe tener en cuenta para maximizar todo el potencial de DataFrame.

Photo by Mathew Schwartz on Unsplash

En esta sección veremos el conjunto de datos (dataset) de movie, se proporciona un diagrama etiquetado de todos los componentes principales.

¿Cómo lo haremos?

Vamos a usar la función read_csv para leer el conjunto de datos y mostraremos las primeros cinco filas con el método head:

movie = pd.read_csv('data/movie.csv')
movie.head()

Analicemos un DataFrame:

Pandas primero lee los datos del disco en la memoria y a un DataFrame usando la función read_csv. El resultado (output) de las columnas y el índice esta en negrita, lo que facilita la identificación.

Por convención, el termino etiqueta de índice (index label) y el nombre de columna (column name) se refiere a los miembros individuales del índice y las columnas, respectivamente.

Las columnas y el índice tienen un propósito particular, el de proporcionar etiquetas para las columnas y filas del DataFrame. Estas etiquetas permiten un acceso directo y fácil a diferentes subconjuntos de datos.

Un DataFrame tiene dos ejes: un eje vertical (el índice) y un eje horizontal (las columnas). Pandas toma prestada la convención de NumPy y usa los números enteros 0/1 como otra forma de referirse al eje vertical/horizontal.

Los datos de DataFrame (values) siempre están en fuente regular y son un componente completamente separado de las columnas o el índice. Pandas utiliza NaN (no un número) para representar valores faltantes (missing values).

Por ejemplo, la columna color solo tiene valores de cadena (string), esta utiliza NaN para representar un valor faltante.

Los tres puntos consecutivos en el medio de las columnas indican que hay al menos una columna que existe pero que no se muestra debido a que la cantidad de columnas excede los límites de visualización predefinidos.

Final

El método head acepta un único parámetro, n, que controla el número de filas mostradas. De manera similar, el método tail devuelve las ultimas n filas.

Documentación oficial de read_csv:

pandas.read_csv - pandas 1.4.1 documentation

Thanks for reading!
¡Gracias por leer!

Gracias por llegar hasta aquí. Recibo con mucho agrado los comentarios y las críticas constructivas.

Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.

Jose Arnulfo Reyes H

Desmenuzar un DataFrame — Pandas 01

José Arnulfo R. H.
3 meses
 

Antes de profundizar con la librería Pandas vale la pena conocer los componentes del DataFrame.

Visualmente la salida de un DataFrame de pandas (en un Jupyter Notebook) parece ser nada más que una tabla ordinaria de datos que consta de filas y columnas.

Debajo de la superficie se esconden tres componentes:

  • el índice, (index)
  • las columnas y (columns)
  • los datos. (data).

Esto se debe tener en cuenta para maximizar todo el potencial de DataFrame.

Photo by Mathew Schwartz on Unsplash

En esta sección veremos el conjunto de datos (dataset) de movie, se proporciona un diagrama etiquetado de todos los componentes principales.

¿Cómo lo haremos?

Vamos a usar la función read_csv para leer el conjunto de datos y mostraremos las primeros cinco filas con el método head:

movie = pd.read_csv('data/movie.csv')
movie.head()

Analicemos un DataFrame:

Pandas primero lee los datos del disco en la memoria y a un DataFrame usando la función read_csv. El resultado (output) de las columnas y el índice esta en negrita, lo que facilita la identificación.

Por convención, el termino etiqueta de índice (index label) y el nombre de columna (column name) se refiere a los miembros individuales del índice y las columnas, respectivamente.

Las columnas y el índice tienen un propósito particular, el de proporcionar etiquetas para las columnas y filas del DataFrame. Estas etiquetas permiten un acceso directo y fácil a diferentes subconjuntos de datos.

Un DataFrame tiene dos ejes: un eje vertical (el índice) y un eje horizontal (las columnas). Pandas toma prestada la convención de NumPy y usa los números enteros 0/1 como otra forma de referirse al eje vertical/horizontal.

Los datos de DataFrame (values) siempre están en fuente regular y son un componente completamente separado de las columnas o el índice. Pandas utiliza NaN (no un número) para representar valores faltantes (missing values).

Por ejemplo, la columna color solo tiene valores de cadena (string), esta utiliza NaN para representar un valor faltante.

Los tres puntos consecutivos en el medio de las columnas indican que hay al menos una columna que existe pero que no se muestra debido a que la cantidad de columnas excede los límites de visualización predefinidos.

Final

El método head acepta un único parámetro, n, que controla el número de filas mostradas. De manera similar, el método tail devuelve las ultimas n filas.

Documentación oficial de read_csv:

pandas.read_csv - pandas 1.4.1 documentation

Thanks for reading!
¡Gracias por leer!

Gracias por llegar hasta aquí. Recibo con mucho agrado los comentarios y las críticas constructivas.

Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.

Jose Arnulfo Reyes H

Data Frame

José Arnulfo R. H.
5 meses
 

Aprenderemos de Panda, pero primero.

Data Frame es una estructura de datos tabulares potencialmente heterogénea de tamaño mutable bidimensional con ejes etiquetados (filas y columnas).

DataFrame consta de tres componentes principales las filas, las columnas y los datos.

Filas, Columnas y Datos
Datos tabulares
Los datos tabulares (también conocidos como datos de la cesta o de la tabla de verdad) tienen elementos representados por marcadores diferentes, donde cada campo de marcas representa la presencia o ausencia de un elemento específico. Cada registro representa un conjunto completo de elementos asociados. Los campos de marcas pueden ser categóricos o numéricos, aunque ciertos modelos pueden tener requisitos más específicos.

DataFrame es el tipo de datos fundamental de la librería pandas, está claro que la habilidad principal que debemos tener con esta librería es la manera de crear un DataFrame a partir de datos.

Los datos de origen suelen venir en muy variadas formas. Esto lo veremos en las próximas publicaciones.

Gracias por llegar hasta aquí.

Recibo con mucho agrado los comentarios y las críticas constructivas.

Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.

Jose Arnulfo Reyes H

¿Qué paso en 2021?

José Arnulfo R. H.
5 meses
 

El 2020 fue el año en que se abrieron las compuertas, dando rienda suelta a un nuevo lugar de trabajo virtual que cambió las antiguas formas de trabajar, 2021 fue cuando todos en RR.HH. aprendieron a nadar o, de lo contrario, a ser consumidos por las turbulentas aguas.

Photo by Markus Winkler on Unsplash

La profesión continúa lidiando con las desalentadoras preguntas planteadas por la pandemia y la agitación sociopolítica en curso, ya que el cambio de paradigma de 2020 introdujo nuevas normas en el lugar de trabajo que sangraron en los últimos 365 días y continúa presentando nuevos desafíos.

Una cosa parece segura: el trabajo no volverá a ser como era antes de la pandemia. Para entender hacia dónde vamos, vale la pena reflexionar sobre lo que sucedió en el último año.

¿Oficina abierta o cerrada? La necesidad (o la falta de ella) de la oficina se debatió ferozmente en 2021. Las vacunas efectivas presentaron un rayo de esperanza para los jefes corporativos que esperaban volver a meter a las abejas obreras en cubos, pero como lo mencione en uno de los post anteriores, y como estamos experimentando una vez más — Variantes altamente contagiosas han hecho retroceder esos planes.

Aunque la incertidumbre define estos tiempos turbios, en 2021, la oficina, que alguna vez fue el centro de gravedad de las empresas de todos los tamaños y sus empleados, comenzó a verse cada vez más como un apéndice costoso e innecesario. Si la oficina alguna vez puede volver a su lugar de prominencia en la vida laboral es una de las mayores preguntas abiertas de 2022.

¿Cómo están respondiendo los colaboradores en la empresa que laboras?

Jose Arnulfo Reyes H

Prueba mental

José Arnulfo R. H.
5 meses
 

Imagínate a los 95 años. Estas caminando por el campo en un día tranquilo. Mientras caminas, piensas hacia atrás en tu vida. Imaginas lo que las personas dirán de ti cuando te vayas. Al recordar todas las cosas que has hecho y logrado, descubres qué cosas importan y que solo fueron ruido innecesario.

Photo by Matthew Bennett on Unsplash

Te acuerdas de las grandes comidas con amigos y familiares. Las sonrisas, el vino, las risas… La primera vez que los niños se cayeron de la bicicleta… La vez que se graduaron de la secundaria. Recuerdas la vez que cubriste de rosas una cama para tu pareja… y lo que pasó después ;)

Mientras caminas… Recuerdas cómo trataste a las personas. Recuerdas quién apareció por usted cuando más lo necesitabas. Recuerdas haber celebrado la vida con las personas con las que compartiste el viaje.

Cuando miras hacia atrás, te das cuenta con claridad de CÓMO trataste a las personas importantes y si LO lograste.

Este simple experimento mental permite que la retrospectiva de tu yo mayor se convierta en la previsión de tu yo actual. De repente puedes ver lo que antes no podías. Esta es solo una aplicación de experimentos mentales. Aquí hay tres lecciones que puede poner en práctica:

Photo by Nils Stahl on Unsplash

Lección 1: Pensar hacia futuro. Interprete las decisiones clave en su mente antes de tomarlas y evite errores costosos. Por ejemplo, si está pensando en comprar una casa nueva pero pedir prestado, puede considerar varios futuros posibles y cómo podrían afectarlo.

Lección 2: Cambia tu perspectiva. Mira el mundo desde el punto de vista de los demás. En su próxima reunión, finja ser uno de los otros participantes. Trate de entender la conversación desde su lente. Haga esto para todos y obtendrá información valiosa.

Lección 3: Hazlo creíble. Sus suposiciones deben estar respaldadas por pruebas, un contexto creíble y ser comprobables. Como la ciencia.

Como todos los modelos mentales, los experimentos mentales a veces son incorrectos pero a menudo útiles. Más que una simple imaginación, requieren rigor y trabajo para ser efectivos.

Jose Arnulfo Reyes H

Comando Linux

José Arnulfo R. H.
6 meses
 

Uname

El comando uname sirve para imprimir información del sistema linux.

El uso más práctico es:

La opción -a nos da toda la información disponible. La salida que podemos esperar es la siguiente:

Linux kings 5.14.18–200.fc34.x86_64 #1 SMP Fri Nov 12 16:48:10 UTC 2021 x86_64 x86_64 x86_64 GNU/Linux

Las opciones del comando uname que tenemos disponibles son las siguientes:

  • -a, –all imprime toda la información, en el orden siguiente, excepto -p y -i si son desconocidos:
  • -s, -kernel-name imprime el nombre del kernel
  • -n, –nodename imprime el nombre del hostname
  • -r, –kernel-release imprime la release del kernel de sistema
  • -v, –kernel-version imprime la versión del kernel de sistema
  • -m, –machine imprime el nombre de la máquina
  • -p, –processor imprime el tipo de procesador, en caso desconocido «unknown»
  • -i, –hardware-platform imprime el nombre de la plataforma hard, en caso desconocido «unknown»
  • -o, –operating-system imprime el nombre del sistema operativo.
terminal con comandos uname

Gracias por llegar hasta aquí.

Recibo con mucho agrado los comentarios y las críticas constructivas.

Si gustas puedes seguirme en mis redes sociales en Instagram @arnulfo o LinkedIn.