BOOTCAMP DATA ANALYTICS

Python
Módulo 3

DOCENTE: ARNALDO ALVARADO

Reglas
Se requiere puntualidad para un mejor desarrollo del curso.

Para una mayor concentración mantener silenciado el micrófono durante la

sesión.

Las preguntas se realizarán a través del chat y en caso de que lo requieran

podrán activar el micrófono.

Realizar las actividades y/o tareas encomendadas en los plazos determinados.

Identificarse en la sala Zoom con el primer nombre y primer apellido.

Contenido – Módulo 3

• Manipulación de tiempo y fechas en Python:validar y aplicar formatos

• Librería Numpy: conociendo los Arrays
• Arrays unidimensionales: vectores
• Arrays bidimensionales: matrices
• Operaciones matemáticas y algebraicas con Arrays
• Manipulación de vectores y matrices
• Aplicación: Resolviendo un sistema de ecuaciones
• Introducción a la optimización lineal con la libreríaPuLP
Introducción a NumPy
Introducción a NumPy
Arrays con NumPy
Array es una matriz n-dimensional
En Python la estructura de datos por defecto son las listas. Sin embargo, laslistas no
soportan operaciones matemáticas avanzadas, no esta optimizado para hacerlo.
Arrays con NumPy
Manipulación de las dimensiones de un Array
Arrays con NumPy
Operaciones matemáticas con NumPy
Indexing and Slicing
Indexing and Slicing
Algunas funciones especiales
Generación de números aleatorios
Determinante e inversa de una matriz
Aplicación: Resolviendo un sistema de ecuaciones
Uso de la librería PuLP para optimización
"Pulp" (Python Optimization Modeling Library) es una biblioteca de optimización de código abierto
para Python que permite modelar, resolver y analizar problemas de optimización matemática. Pulp
proporciona una interfaz de programación de alto nivel para formular y resolver una amplia variedad de
problemas de optimización, como programación lineal, programación entera, programación lineal
entera mixta, y más.

PuLP permite indicar el tipo de problema que hay que optimizar

mediante palabras reservadas de la propia librería, maximización
(LpMaximize) o minimización (LPMinimize), que deberán usarse
cuando comenzamos a definirlo. Además, incluye soporte base para
todos y cada uno de los elementos básicos de un problema de
optimización:

✓ Variables (LpVariable)
✓ Función objetivo
✓ Restricciones o constraints
 Ejemplo de uso de PuLP
El siguiente ejemplo muestra cómo, tras modelar un problema de optimización de programación
lineal de minimización, procedemos a su resolución mediante el uso de la librería PuLP. El código
Python utilizado es el siguiente:

En primer lugar, en la línea 2, cargamos la librería PuLP. Seguidamente inicializamos el problema de

programación lineal (línea 5), indicando que se trata de un problema de minimización
(LpMinimize).
 Ejemplo de uso de PuLP

Después se definen las variables x (línea 9) e y (línea 11), y así mismo establecemos como función
objetivo x + 4 * y en la línea 14. Adicionalmente, añadimos la restricción típica de este tipo de
problemas (normalmente existe más de una), en este caso x + y no ha de ser superior a 5, en la
línea 17.
 Ejemplo de uso de PuLP

Una vez planteado el problema, procedemos a iniciar la búsqueda de las posibles soluciones (línea
19). Después se imprimen los resultados de las variables (líneas 22 y 23) y el valor objetivo (línea 26).
El ejemplo propuesto tomará como valores para resolver el problema planteado: x = 0.0, y = –1.0,
objetivo = –4.0, como era de esperar.