def foo():
# Cargamos los datos
datos1 = sci.load_xl("Libro1.xlsx", "Hoja1", "D4:D10")
datos2 = sci.load_xl("Libro1.xlsx", "Hoja1", "E4:E10")
w = 0.8 / 2
x1 = [1, 2, 3, 4]
x2 = [1 + w, 2 + w, 3 + w, 4 + w]
c0_20_1 = len(sci.data_filter(datos1, lambda dic: dic["Edad"] <= 20))
c21_40_1 = len(sci.data_filter(datos1, lambda dic: dic["Edad"] > 20 and dic["Edad"] <= 40))
c41_60_1 = len(sci.data_filter(datos1, lambda dic: dic["Edad"] > 40 and dic["Edad"] <= 60))
c61_x_1 = len(sci.data_filter(datos1, lambda dic: dic["Edad"] > 60))
c0_20_2 = len(sci.data_filter(datos2, lambda dic: dic["Edad"] <= 20))
c21_40_2 = len(sci.data_filter(datos2, lambda dic: dic["Edad"] > 20 and dic["Edad"] <= 40))
c41_60_2 = len(sci.data_filter(datos2, lambda dic: dic["Edad"] > 40 and dic["Edad"] <= 60))
c61_x_2 = len(sci.data_filter(datos2, lambda dic: dic["Edad"] > 60))
y1 = [c0_20_1, c21_40_1, c41_60_1, c61_x_1]
y2 = [c0_20_2, c21_40_2, c41_60_2, c61_x_2]
fig, ax = plt.subplots()
ax.bar(x1, y1, w) #
ax.bar(x2, y2, w) #
# Regresamos la imagen como la respuesta del servidor
canvas = FigureCanvasAgg(fig)
png_output = StringIO.StringIO()
canvas.print_png(png_output)
response = make_response(png_output.getvalue())
response.headers["Content-Type"] = "image/png"
return response
def home():
datos = sci.load_xl("Libro1.xlsx", "Hoja1", "C4:F10")
labels = sci.data_map(datos[0], lambda k: k)
html = "<table>"
html += "<tr>"
for label in labels:
html += "<th>%s</th>" % label
html += "</tr>"
for dic in datos:
html += "<tr>"
for label in labels:
html += "<td>%s</td>" % (str(dic[label]))
html += "</tr>"
html += "</table>"
return html
def foo():
# Cargamos los datos
datos = sci.load_xl("Libro1.xlsx", "Hoja1", "E4:E10")
# Cargamos las categorias de Sexo
categorias = sci.cat_set_build(datos, ["Sexo"])[0]
# Calculamos los totales
total = {}
for cat in categorias:
total[cat] = len(sci.data_filter(datos,
lambda dic: dic["Sexo"] == cat))
# Calculamos los totales por categoria
sizes = [total[cat] for cat in categorias]
labels = categorias
# Dibujamos el pastel
fig, ax1 = plt.subplots()
ax1.pie(sizes, labels=labels, autopct='%1.1f%%',
shadow=True, startangle=90)
ax1.axis('equal')
# Regresamos la imagen como la respuesta del servidor
canvas = FigureCanvasAgg(fig)
png_output = StringIO.StringIO()
canvas.print_png(png_output)
response = make_response(png_output.getvalue())
response.headers["Content-Type"] = "image/png"
return response
from sci import load_xl, data_map
datos = load_xl("datos_flujo.xlsx", "Hoja1", "B2:D9")
def f(dic):
# dic (N, S, A)
if dic["S"] > 5:
return dic
filtrados = data_map(datos, f)
print filtrados
def latlon(coord):
#22°21′00″N
r = re.search("(\d+).(\d+).(\d+)..(\w)", coord)
g = int(r.group(1))
m = int(r.group(2))
s = int(r.group(3))
return g + m / 60.0 + s / 3600.0
import sci
estados = sci.load_xl("estados.xlsx", "Hoja1", "A1:E101")
for ciudad in estados:
nombre_estado = ciudad["Estado"]
nombre_ciudad = ciudad["Ciudad"]
latitud = ciudad["Latitud"]
longitud = ciudad["Longitud"]
lat = latlon(latitud)
lon = -latlon(longitud)
x, y = map(lon, lat)
plt.plot(x, y, "ko")
import re
def latlon(coord):
#22°21′00″N
r = re.search("(\d+).(\d+).(\d+)..(\w)", coord)
g = int(r.group(1))
m = int(r.group(2))
s = int(r.group(3))
return g + m / 60.0 + s / 3600.0
import sci
rutas = sci.load_xl("estados.xlsx", "Hoja2", "A1:C9")
X = []
Y = []
for ruta in rutas:
latitud = ruta["Latitud"]
longitud = ruta["Longitud"]
lat = latlon(latitud)
lon = -latlon(longitud)
x, y = map(lon, lat)
X.append(x)
Y.append(y)
from sci import load_xl, data_map
from datetime import datetime
clientes = load_xl("clientes.xlsx", "Hoja1", "A1:C1001")
def enero_2015(cliente):
# cliente (Nombre, Fecha, Consumo)
fecha = datetime.strptime(cliente["Fecha"], "%d-%m-%Y")
ini = datetime.strptime("1-1-2015", "%d-%m-%Y")
fin = datetime.strptime("31-1-2015", "%d-%m-%Y")
if fecha >= ini and fecha <= fin:
return cliente["Consumo"]
consumos = data_map(clientes, enero_2015)
total = sum(consumos)
promedio = total / len(consumos)
print "Total de consumo: %d Promedio: %.2f" % (total, promedio)
from sci import load_xl
enero = load_xl("ejercicio_1.xlsx", "Hoja 1", "B4:D8")
febrero = load_xl("ejercicio_1.xlsx", "Hoja 1", "B11:D15")
marzo = load_xl("ejercicio_1.xlsx", "Hoja 1", "B18:D22")
def ingresos(lista, nombre):
for persona in lista:
# persona (Nombre, Ingresos, Gastos)
if persona["Nombre"] == nombre:
return persona["Ingresos"]
def gastos(lista, nombre):
for persona in lista:
# persona (Nombre, Ingresos, Gastos)
if persona["Nombre"] == nombre:
return persona["Gastos"]
def nombres(lista):
aux = []
for persona in lista:
aux.append(persona["Nombre"])
return aux
total = []
for nombre in nombres(enero):
persona = {
"Nombre": nombre
}
import sci
datos = sci.load_xl("sintomas.xlsx", "Hoja1", "B3:G8")
def tdatoX(paciente):
sexo = 1 if paciente["Sexo"] == "Hombre" else 2
s1 = 1 if paciente["S1"] == "SI" else 0
s2 = 1 if paciente["S2"] == "SI" else 0
s3 = 1 if paciente["S3"] == "SI" else 0
return [sexo, s1, s2, s3]
def tdatoY(paciente):
e1 = 1 if paciente["E1"] == "SI" else 0
e2 = 1 if paciente["E2"] == "SI" else 0
return [e1, e2]
X = sci.data_map(datos, tdatoX)
Y = sci.data_map(datos, tdatoY)
from sklearn.neural_network import MLPClassifier
clf = MLPClassifier()
clf.fit(X, Y)
Yp = clf.predict([[1, 1, 0, 1], [0, 0, 0, 1]])
def f(Y):
from sci import load_xl, data_map, data_filter
datos = load_xl("Libro1.xlsx", "Datos", "A1:D102")
def es_hombre(dic):
if dic["Sexo"] == "Hombre":
return True
def es_mujer(dic):
if dic["Sexo"] == "Mujer":
return True
def es_otro(dic):
if dic["Sexo"] == "Indefinido":
return True
hombres = data_filter(datos, es_hombre)
mujeres = data_filter(datos, es_mujer)
otros = data_filter(datos, es_otro)
H = len(hombres)
M = len(mujeres)
O = len(otros)
import matplotlib.pyplot as plt
# Pie chart, where the slices will be ordered and plotted counter-clockwise:
labels = ['Hombre', 'Mujer', "Indefinido"]
sizes = [H, M, O]
explode = [0, 0, 0.4] # only "explode" the 2nd slice (i.e. 'Hogs')
def datos(nombre, hoja, rango):
data = sci.load_xl("%s.xlsx" % nombre, hoja, rango)
return json.dumps(data)
filename = "sintomas.xlsx"
sheet_name = "Hoja1"
cell_range = "B3:G8"
xlabels = ["Sexo", "S1", "S2", "S3"]
ylabels = ["E1", "E2"]
tests = [
[0, 0, 0, 0]
]
###############################################################
# 1. Cargar los datos de analisis desde excel
datos = sci.load_xl(filename, sheet_name, cell_range)
# 2. recuperar las matrices de analisis
X, Y = sci.data_analize(datos, xlabels, ylabels)
# 3. Detectar las categorias automaticamente
xcats = sci.cat_set_build(datos, xlabels)
ycats = sci.cat_set_build(datos, ylabels)
print "Categorias X: %s" %str(xcats)
print "Categorias Y: %s" %str(ycats)
# 4. Transformar los datos por categoria
Xp = sci.cat_transform(X, xcats)
Yp = sci.cat_transform(Y, ycats)
