GUÍA DE PRÁCTICA

CARRERA: GESTION EN MANTENIMIENTO ELECTRICO Y CALIDAD DE ASIGNATURA: PROGAMACIÓN

ENERGIA.
DOCENTE RESPONSABLE: ING. PABLO CATOTA AUTOR: SANTIAGO TOMAS HERRERIA

TÍTULO PRÁCTICA:
N°. PRÁCTICA: 04 USO DE LIBRERIAS EN PYTHON “NUMPY”

MODALIDAD Aula Talleres Simulación X Softwar

e

TIEMPO DE DURACIÓN 180 minutos TALLER / LABORATORIO:

PERIODO
ACADEMICO: 2023- CICLO: 1 MODALIDAD: NIVEL Y PARALELO : 5TO
2023

OBJETIVO GENERAL: Proporcionar a los estudiantes una comprensión profunda de las librerías más comunes
en Python y desarrollar sus habilidades para utilizarlas de manera efectiva en la resolución de problemas y
proyectos de programación.
DESARROLLO

PREPARATORIO
Tener conocimiento sobre el uso de datos en Python y lazos de control de flujo, conocer la estructura básica de
programación.

1. Conocer los operadores de programación que se utilizan en Python.

2. Tener conocimiento de como declarar variable en Python.
3. Tener claro la estructura de los lazos de control de flujo, para realizar algoritmos.
MATERIALES
INSUMOS / MATERIALES:
MÓDULO:
• Espacio de trabajo
• Computadora
Laboratorio de computación
• Software Jupyter
• Guía practica
• No jugar ni distraerse, durante el levantamiento de información.
• Mantener el orden y la limpieza durante la realización de la
NORMAS DE SEGURIDAD
práctica.

OBJETIVOS ESPECÍFICOS.
• Conocer el uso y aplicaciones de las librerías de Numpy y Matplotlib.
• Realizar gráficas, a partir de la generación de datos aleatorios.
FUNDAMENTO TEÓRICO:

Python es un lenguaje de programación versátil y poderoso que ha ganado popularidad

debido a su facilidad de uso y su amplia gama de funcionalidades. Una de las
características más destacadas de Python es su capacidad para utilizar librerías, que son
conjuntos de funciones y herramientas predefinidas diseñadas para realizar tareas
específicas. Estas librerías permiten a los desarrolladores aprovechar el trabajo previo
realizado por otros programadores y acelerar el proceso de desarrollo de software. Desde
librerías para ciencia de datos como NumPy y Pandas, hasta librerías para desarrollo web
como Flask y Django, el ecosistema de librerías de Python es vasto y diverso, cubriendo
prácticamente todos los ámbitos de la programación.
Al importar y utilizar estas librerías, los programadores pueden acceder a una amplia gama
de funcionalidades especializadas y resolver problemas complejos de manera más
eficiente. El uso de librerías en Python no solo permite ahorrar tiempo y esfuerzo, sino que
también fomenta la colaboración y la reutilización de código, impulsando así el crecimiento
y la innovación en el campo de la programación.

Python también cuenta con la popular librería Matplotlib, que se utiliza para la visualización
de datos. Matplotlib ofrece una amplia variedad de gráficos y visualizaciones, desde
simples gráficos de líneas y dispersión hasta histogramas, gráficos de barras, gráficos de
cajas y más. Con esta librería, los programadores pueden personalizar los gráficos con
etiquetas, leyendas, colores y estilos de línea, lo que permite crear visualizaciones
atractivas y efectivas. Matplotlib es ampliamente utilizada en campos como la ciencia de
datos, la ingeniería, la investigación y otras disciplinas donde la representación gráfica de
datos es esencial.

NumPy es una librería fundamental para la computación científica en Python. Proporciona

un poderoso soporte para la manipulación y el cálculo numérico de arreglos
multidimensionales. NumPy ofrece una amplia gama de funciones y operaciones
matemáticas, lo que permite realizar cálculos complejos con gran eficiencia. Además,
ofrece herramientas para la integración de código de bajo nivel y permite una fácil
interoperabilidad con otras librerías científicas.

Figura 1. Dimensiones
de un array

Por otro lado, Matplotlib es una librería de visualización de datos que permite crear gráficos
de alta calidad y personalizables en Python. Matplotlib ofrece una amplia gama de estilos y
tipos de gráficos, desde simples gráficos de líneas hasta gráficos de barras, histogramas y
gráficos tridimensionales. Con Matplotlib, los programadores pueden visualizar y comunicar
datos de manera efectiva, lo que es esencial en campos como la ciencia de datos, la
investigación y la visualización de resultados.

Figura 1. Dimensiones de un array

En resumen, NumPy y Matplotlib son dos librerías clave en el ecosistema de Python que
brindan a los programadores las herramientas necesarias para realizar cálculos numéricos
complejos y crear visualizaciones impresionantes. Estas librerías son fundamentales en
aplicaciones científicas, de ingeniería y de análisis de datos, y han demostrado ser
herramientas indispensables para aquellos que trabajan en estos campos.

ACTIVIDADES DE LA PRACTICA

1. Ingresar al software Spyder y realizar las siguientes actividades:

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy. np.array(lista): Crea un array
a partir de la lista o tupla lista y devuelve una referencia a él. El número de dimensiones del
array dependerá de las listas o tuplas anidadas en lista

# Array de una dimensión

a1 = np.array([1, 2, 3])
print(a1)
# Se imprime la siguiente matriz [1 2 3]

Por otro lado, Matplotlib es una librería de visualización de datos que permite crear
gráficos de alta calidad y personalizables en Python. Matplotlib ofrece una amplia gama
de estilos y tipos de gráficos, desde simples gráficos de líneas hasta gráficos de barras,
histogramas y gráficos tridimensionales. Con Matplotlib, los programadores pueden
visualizar y comunicar datos de manera efectiva, lo que es esencial en campos como la
ciencia de datos, la investigación y la visualización de resultados.
 Figura 1. Dimensiones de un array

En resumen, NumPy y Matplotlib son dos librerías clave en el ecosistema de Python que
brindan a los programadores las herramientas necesarias para realizar cálculos numéricos
complejos y crear visualizaciones impresionantes. Estas librerías son fundamentales en
aplicaciones científicas, de ingeniería y de análisis de datos, y han demostrado ser
herramientas indispensables para aquellos que trabajan en estos campos.

ACTIVIDADES DE LA PRACTICA

1. Ingresar al software Spyder y realizar las siguientes actividades:

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy. np.array(lista): Crea un array
a partir de la lista o tupla lista y devuelve una referencia a él. El número de dimensiones del
array dependerá de las listas o tuplas anidadas en lista

# Array de una dimensión

a1 = np.array([1, 2, 3])
print(a1)
# Se imprime la siguiente matriz [1 2 3]

Una matriz no es más que un array bidimensional. Como ya se ha comentado, NumPy

provee ndarray que se comporta como un array multidimensional con lo que podríamos
crear una matriz sin mayor problema. a.ndim : Devuelve el número de dimensiones del
array a.
a.shape : Devuelve una tupla con las dimensiones del array a.
a.size : Devuelve el número de elementos del array a.
a.dtype: Devuelve el tipo de datos de los elementos del array a.

Ejemplo 1
Ejemplo 2

Generación de matrices con Valores equiespaciados:

Ejemplo 1
Ejemplo 2
3. Filtrado de elementos de un array:
Una característica muy útil de los arrays es que es muy fácil obtener otro array con los elementos
que cumplen una condición. a[condicion]: Devuelve una lista con los elementos del array a que
cumplen la condición condicion. Observar los siguientes ejemplos para un mejor entendimiento:
Ejemplo 1
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[(a % 2 == 0)])
# Se imprime la siguiente matriz [2 4 6] print(a[(a % 2 == 0) & (a
> 2)]) # Se imprime la siguiente matriz
[2 4]

Ejemplo 2 Operaciones matemáticas con arrays.

Los operadores matemáticos +, -, *, /, %, ** se utilizan para la realizar suma, resta, producto,
cociente, resto y potencia a nivel de elemento.
a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[1, 1, 1], [2, 2, 2]]) print(a + b ) # Se imprime la
siguiente matriz
[[2 3 4]
[6 7 8]]

print(a / b)
# Se imprime la siguiente matriz [[1. 2. 3. ]
[2. 2.5 3. ]]

print(a ** 2)
# Se imprime la siguiente matriz [[ 1 4 9]
[16 25 36]]

Revisar el siguiente enlace para conocer más sobre el uso de la Liberia Numpy.
https://notebook.community/jorgemauricio/INIFAP_Course/ejercicios/Numpy/5_Ejercicios
%20Numpy-Solucion

Ejercicio 1: Operaciones con Arreglos NumPy

1. Crea dos arreglos NumPy a y b con números enteros de igual longitud. Luego, realiza las
siguientes operaciones y muestra los resultados:

Suma de a y b. Resta de a y b.
Multiplicación de a por un número escalar (elige cualquier número).
División de a por un número escalar (elige cualquier número).
Asegúrate de imprimir los resultados para cada operación.

Ejercicio 2: Estadísticas con NumPy

2. Crea un arreglo NumPy datos con al menos 10 números enteros o flotantes. Luego, realiza
las siguientes operaciones y muestra los resultados:
 Calcula la suma de los datos.
Calcula el promedio de los datos.
Encuentra el valor máximo y mínimo en el arreglo.
Calcula la desviación estándar de los datos.

Calcula la desviación estándar de los datos.RUBRICA DE EVALUACIÓN:

Criterio 5
0 puntos 1 punto 2 puntos 3 puntos 4 puntos puntos

Insuficiente Excelente
comprensión del Conocimiento Conocimiento Buen conocimiento conocimiento del
Conocimiento tema. básico del tema. adecuado del tema. del tema. tema.

Aplicación

Aplica de manera Aplica de manera

No aplica los Aplica algunos Aplica la mayoría de efectiva los excepcional los
conceptos y conceptos y los conceptos y conceptos y conceptos y
principios principios principios principios principios
aprendidos. aprendidos. aprendidos. aprendidos. aprendidos.

No demuestra Muestra un
habilidades de análisis crítico Realiza un análisis Realiza un análisis Realiza un análisis
Análisis crítico análisis crítico. básico. crítico adecuado. crítico sólido. crítico exhaustivo.

REFERENCIAS:
- Varó, A. M., Sevilla, P. G., & Luengo, I. G. (2016). Introducción a la programación
con Python 3. D - Universitat Jaume I. Servei de Comunicació i Publicacions.
https://elibro.net/es/lc/ister/titulos/51760
- Bibliografía
- Python, C. (s/f). Aprenda a Pensar Como un Programador. Argentinaenpython.com.
Recuperado el 10 de
mayo de 2023, de
https://argentinaenpython.com/quiero-aprender-python/aprenda-a-pensar-como-
unprogramador-con-python.pdf
 RESPONSABILIDADES
APELLIDO CARGO
TIP SY FIRM
O NOMBRE A
S

ELABORAD PABLO CATOTA DOCENTE

O

COORDINAD
REVISADO GABRIELA VERA OR DE
CARRERA

COORDINAD
APROBAD ELIZABETH
OR
O ORDOÑEZ
ACADÉMICA

Introducción al Uso de la Biblioteca NumPy en Python:

NumPy, abreviatura de "Numerical Python", es una potente biblioteca en el ecosistema de Python

diseñada para manipulación eficiente de datos numéricos y cálculos científicos. Desde su introducción,
NumPy se ha convertido en una piedra angular para el desarrollo en áreas como ciencia de datos,
aprendizaje automático, simulación y análisis matemático.

En el corazón de NumPy se encuentra el objeto array, que permite la representación de datos en forma de
matrices multidimensionales. Estos arreglos no solo son eficientes en términos de rendimiento, sino que
también facilitan la realización de operaciones matemáticas y manipulaciones de datos de manera
vectorizada.

DESARROLLO

1. Ingresar al software Spyder y realizar las siguientes actividades:

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy. np.array(lista): Crea un array a partir de la lista
o tupla lista y devuelve una referencia a él. El número de dimensiones del array dependerá de las listas o tuplas anidadas en lista
# Array de una dimensión
a1 = np.array([1, 2, 3])
print(a1)
# Se imprime la siguiente matriz [1 2 3]
Una matriz no es más que un array bidimensional. Como ya se ha comentado, NumPy provee ndarray que se comporta como un
array multidimensional con lo que podríamos crear una matriz sin mayor problema. a.ndim : Devuelve el número de dimensiones
del array a.
a.shape : Devuelve una tupla con las dimensiones del array a.
a.size : Devuelve el número de elementos del array a.
a.dtype: Devuelve el tipo de datos de los elementos del array a. Ejemplo 1

Ejemplo 2
 EJEMPLOS REALIZADOS

2 Generación de matrices con Valores equiespaciados:

Ejemplo 1
 EJEMPLOS REALIZADOS

Ejemplo 2

EJEMPLOS REALIZADOS
3.-. Filtrado de elementos de un array:
Una característica muy útil de los arrays es que es muy fácil obtener otro array con los elementos que cumplen una
condición. a[condicion]: Devuelve una lista con los elementos del array a que cumplen la condición condicion.
Observar los siguientes ejemplos para un mejor entendimiento:
Ejemplo 1
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[(a % 2 == 0)])
# Se imprime la siguiente matriz
[2 4 6] print(a[(a % 2 == 0) & (a
> 2)]) # Se imprime la siguiente
matriz
[2 4]

Ejemplo 2 Operaciones matemáticas con arrays.

Los operadores matemáticos +, -, *, /, %, ** se utilizan para la realizar suma, resta, producto, cociente, resto
y potencia a nivel de elemento. a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[1, 1, 1], [2, 2, 2]]) print(a + b
) # Se imprime la siguiente matriz
[[2 3 4]
[6 7 8]]

print(a / b)
# Se imprime la siguiente matriz
[[1. 2. 3. ]
[2. 2.5 3. ]]

print(a ** 2)
# Se imprime la siguiente matriz
[[ 1 4 9]
[16 25 36]]

EJEMPLOS REALIZADOS
Ejercicio 1: Operaciones con Arreglos NumPy

1. Crea dos arreglos NumPy a y b con números enteros de igual longitud. Luego, realiza las siguientes
operaciones y muestra los resultados:

Suma de a y b. Resta de a y b.
Multiplicación de a por un número escalar (elige cualquier número).
División de a por un número escalar (elige cualquier número).
Asegúrate de imprimir los resultados para cada operación.
EJEMPLOS REALIZADOS
Ejercicio 2: Estadísticas con NumPy

1. Crea un arreglo NumPy datos con al menos 10 números enteros o flotantes. Luego, realiza las siguientes operaciones
y muestra los resultados:

Calcula la suma de los datos. Calcula el

promedio de los datos.
Encuentra el valor máximo y mínimo en el arreglo.
Calcula la desviación estándar de los datos.

EJEMPLOS REALIZADOS
|