book

Visualización de Datos con Python y JavaScript, 2ª Edición

by Kyran Dale

September 2024

Intermediate to advanced

568 pages

14h 15m

Spanish

O'Reilly Media, Inc.

Book available

Read now

Unlock full access

Parte I: Herramientas básicasParte II: Obtención de datosParte III: Limpieza y exploración de datos con pandasParte IV: Entrega de los datosParte V: Visualizar tus datos con D3 y PlotlySegunda ediciónConvenciones utilizadas en este libroUtilizar ejemplos de códigoAprendizaje en línea O'ReillyCómo contactar con nosotrosAgradecimientosSegunda edición
A quién va dirigido este libroRequisitos mínimos para utilizar este libro¿Por qué Python y JavaScript?¿Por qué no Python en el navegador?Por qué Python para el tratamiento de datosPython mejora cada vez másLo que aprenderásLa elección de las bibliotecasPreliminaresLa cadena de herramientas Dataviz1. Raspado de datos con Scrapy2. Limpieza de datos con pandas3. Exploración de datos con pandas y Matplotlib4. Entrega tus datos con Flask5. Transformar datos en visualizaciones interactivas con Plotly y D3Bibliotecas más pequeñasUtilizar el LibroUn poco de contextoResumenLibros recomendados
El código de acompañamientoPythonAnacondaInstalar bibliotecas adicionalesEntornos virtualesJavaScriptRedes de distribución de contenidosInstalar bibliotecas localmenteBases de datosPoner en marcha MongoDBMongoDB fácil con DockerEntornos de desarrollo integradosResumen
Similitudes y diferenciasInteractuar con el códigoPythonJavaScriptTrabajos básicos en puentesDirectrices de estilo, PEP 8, y utiliza estrictamenteCamelCase Versus UnderscoreImportar módulos, incluidos los scriptsMódulos JavaScriptMantener limpios tus espacios de nombresSalida "¡Hola Mundo!"Tratamiento simple de datosConstrucción de cuerdasEspacio en blanco significativo frente a paréntesis rizadosComentarios y Doc-StringsDeclarar variables con let o varCadenas y númerosBooleanosContenedores de datos: dicts, objetos, listas, matricesFuncionesIterar: bucles for y alternativas funcionalesCondicionales: if, else, elif, switchEntrada y salida de archivosClases y prototiposDiferencias en la prácticaEncadenamiento de métodosEnumerar una listaDesempaquetado de tuplasColeccionesSubrayadoMétodos funcionales de matrices y comprensión de listasMapear, Reducir y Filtrar con las Lambdas de PythonCierres de JavaScript y el patrón de módulosUna chuletaResumen
Fácil lo haceTransmisión de datosTrabajar con archivos del sistemaFormatos de datos CSV, TSV y Fila-ColumnaJSONTratar con fechas y horasSQLCrear el motor de base de datosDefinir las tablas de la base de datosAñadir instancias con una sesiónConsultar la base de datosSQL más fácil con el Conjunto de datosMongoDBTratar con fechas, horas y datos complejosResumen
Panorama generalAplicaciones de una sola páginaEquipamientoEl mito de los IDEs, Frameworks y HerramientasUn caballo de batalla para la edición de textosNavegador con herramientas de desarrolloTerminal o símbolo del sistemaConstruir una página webServir páginas con HTTPEl DOMEl esqueleto HTMLMarcar contenidosCSSJavaScriptDatosChrome DevToolsLa pestaña ElementosLa pestaña FuentesOtras herramientasUna página básica con marcadores de posiciónPosicionar y dimensionar contenedores con FlexRellenar los marcadores de posición con contenidoGráficos vectoriales escalablesEl elemento <gCírculosAplicar estilos CSSLíneas, rectángulos y polígonosTextoCaminosEscalar y girarTrabajar con gruposEstratificación y transparenciaSVG con JavaResumen
Obtener datos web con la Biblioteca de PeticionesObtener archivos de datos con solicitudesUtilizar Python para consumir datos de una API WebConsumir una API Web RESTful con PeticionesObtener datos de países para el Nobel DatavizUtilizar bibliotecas para acceder a las API webUtilizar las hojas de cálculo de GoogleUtilizar la API de Twitter con TweepyRaspado de datosPor qué necesitamos rascarSopa hermosa y lxmlUna primera incursión de raspadoConseguir la sopaSeleccionar etiquetasCreación de patrones de selecciónAlmacenamiento en caché de las páginas webRaspando las nacionalidades de los ganadoresResumen
Configurar ScrapyEstablecer los objetivosDirigir HTML con XpathsProbar Xpaths con la Shell de ScrapySeleccionar con rutas X relativasUna primera araña de chatarraRaspando las páginas de biografías individualesEncadenar peticiones y ceder datosPáginas en cachéPeticiones de cesiónTuberías ScrapyRaspado de texto e imágenes con una tuberíaEspecificar pipelines con varias arañasResumen

La matriz NumPyCrear matricesIndexación y segmentación de matricesAlgunas operaciones básicasCrear funciones de matrizCálculo de una media móvilResumen
Por qué pandas está hecho a medida para DatavizPor qué se desarrollaron los pandasCategorizar datos y medicionesEl DataFrameÍndicesFilas y columnasSeleccionar gruposCrear y guardar marcos de datosJSONCSVArchivos ExcelSQLMongoDBSeries en DataFramesResumen
Aclarar los datos suciosInspeccionar los datosÍndices y pandas Selección de datosSeleccionar varias filasLimpiar los datosEncontrar tipos mixtosSustitución de cuerdasEliminar filasEncontrar duplicadosOrdenar datosEliminar duplicadosCómo tratar los campos que faltanTratar con horas y fechasLa función completa limpiar_datosAñadir la columna born_inFusionar DataFramesGuardar los conjuntos de datos depuradosResumen
pyplot y Matplotlib orientado a objetosIniciar una sesión interactivaTrazado interactivo con el Estado Global de pyplotConfigurar MatplotlibAjustar el tamaño de la figuraPuntos, no píxelesEtiquetas y leyendasEtiquetas de Títulos y EjesGuardar tus gráficosFiguras y Matplotlib orientado a objetosEjes y subtramasTipos de tramasGráficos de barrasGráficos de dispersiónseabornFacetGridsPairGridsResumen
Empezar a explorarTrazar con pandasDisparidades de géneroDesapilar GruposTendencias históricasTendencias nacionalesPremiados per cápitaPremios por categoríaTendencias históricas en la distribución de premiosEdad y esperanza de vida de los ganadoresEdad en el momento de la concesiónEsperanza de vida de los ganadoresAumento de la esperanza de vida a lo largo del tiempoLa diáspora del NobelResumen
Servir los datosOrganizar tus archivos de FlaskServir datos con FlaskEntrega de archivos de datosDatos dinámicos con las API de FlaskUna API de datos sencilla con FlaskUtilizar la entrega estática o dinámicaResumen
Las herramientas para un trabajo RESTfulCrear la base de datosUn servidor de datos RESTful de FlaskSerializar con marshmallowAñadir nuestras rutas API RESTfulEnviar datos a la APIAmpliar la API con MethodViewsPaginación de los datos devueltosImplementación remota de la API con HerokuCORSConsumir la API utilizando JavaScriptResumen
Gráficos estáticos con MatplotlibAdaptación a los tamaños de pantallaUtilizar imágenes o activos remotosGráficos con PlotlyGráficos básicosPlotly ExpressObjetos gráficos PlotlyMapear con PlotlyAñadir controles personalizados con PlotlyDel cuaderno a la Web con PlotlyGráficos nativos JavaScript con PlotlyObtener archivos JSONPlotly dirigido por el usuario con JavaScript y HTMLResumen
¿A quién va dirigido?Elegir elementos visualesBarra de menúsPremios por añoUn mapa con una selección de países NobelUn gráfico de barras que muestra el número de ganadores por paísLista de los ganadores seleccionadosUna caja mini biográfica con fotoLa visualización completaResumen
PreliminaresComponentes básicosOrganizar tus archivosServir los datosEl esqueleto HTMLEstilo CSSEl motor JavaScriptImportar los guionesJS modular con importacionesFlujo básico de datosEl Código BásicoInicializar la visualización del Premio NobelListo para empezarActualizaciones basadas en datosFiltrar datos con CrossfilterEjecutar la aplicación de visualización del Premio NobelResumen
Enmarcar el problemaTrabajar con seleccionesAñadir elementos DOMAprovechar D3Medirse con las escalas de D3Escalas cuantitativasEscalas ordinalesLiberar la potencia de D3 con la vinculación/unión de datosActualizar el DOM con datosMontaje del diagrama de barrasEjes y etiquetasTransicionesActualizar el gráfico de barrasResumen
Construir el marcoEscalasEjesEtiquetas de categoríaAnidar los datosAñadir los Ganadores con un Data-Join AnidadoUn poco de brillo de transiciónActualizar el gráfico de barrasResumen
Mapas disponiblesFormatos de datos de mapeo de D3GeoJSONTopoJSONConvertir mapas a TopoJSOND3 Geo, Proyecciones y TrayectoriasProyeccionesCaminosgràticulesReunir los elementosActualizar el mapaIndicadores de Valor AñadidoNuestro mapa completadoCrear un Tooltip sencilloActualizar el mapaResumen
Construir la listaConstruir la BiocajaActualizar la lista de ganadoresResumen
Crear elementos HTML con D3Construir la barra de menúsConstruir el selector de categoríasAñadir el selector de géneroAñadir el selector de paísConectar el botón de opción MétricoResumen
RecapitulaParte I: Herramientas básicasParte II: Obtención de datosParte III: Limpieza y exploración de datos con pandasParte IV: Entrega de los datosParte V: Visualizar tus datos con D3 y PlotlyProgreso futuroVisualizar las redes de medios socialesVisualizaciones de aprendizaje automáticoReflexiones finales
El método enterAcceder a los datos encuadernados

Content preview from Visualización de Datos con Python y JavaScript, 2ª Edición

Capítulo 7. Introducción a NumPy

Este trabajo se ha traducido utilizando IA. Agradecemos tus opiniones y comentarios: translation-feedback@oreilly.com

Este capítulo pretende presentar la biblioteca Numeric Python (NumPy) a quienes no estén familiarizados con ella. NumPy es la pieza clave de pandas, la potente biblioteca de análisis de datos que utilizaremos en los próximos capítulos para limpiar y explorar nuestro conjunto de datos de los Premios Nobel, recientemente extraído (véase el Capítulo 6). Una comprensión básica de los elementos y principios básicos de NumPy es importante si quieres sacar el máximo partido de pandas. Por lo tanto, el énfasis de este capítulo es proporcionar una base para la próxima introducción a pandas.

NumPy es un módulo de Python que permite acceder a una manipulación de matrices multidimensionales muy rápida, implementada mediante bibliotecas de bajo nivel escritas en C y Fortran.¹ El rendimiento nativo de Python con grandes cantidades de datos es relativamente lento, pero NumPy te permite realizar operaciones paralelas en grandes matrices a la vez, lo que lo hace muy rápido. Dado que NumPy es el principal bloque de construcción de la mayoría de las bibliotecas de procesamiento de datos de Python, pandas incluido, es difícil discutir su estatus como eje del mundo del procesamiento de datos de Python.

Además de pandas, el enorme ecosistema de NumPy incluye Science Python (SciPy), que complementa a NumPy con módulos de ciencia e ingeniería; scikit-learn, ...