def foo():
# Cargamos los datos
datos = sci.load_csv("serie.csv")
x = sci.data_map(datos, lambda dic: dic["tiempo"])
y1 = sci.data_map(datos, lambda dic: dic["sensor1"])
y2 = sci.data_map(datos, lambda dic: dic["sensor2"])
y3 = sci.data_map(datos, lambda dic: dic["sensor3"])
fig, ax = plt.subplots()
ax.plot(x, y1)
ax.plot(x, y2)
ax.plot(x, y3)
# 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
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
from sci import data_map
a = [1, 2, 3, 4, 5, 9, 18]
def f(num):
if num % 2 == 0:
return num + 1
else:
return num
b = data_map(a, f)
print b
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)
import sci a = [1, 2, 3, 5, 7, 5, 3] b = sci.data_map(a, lambda x: 10 - x) print b
import matplotlib.pyplot as plt
from sci import data_map
def f(x):
return x + w
n = 3
w = 0.8 / n
x1 = [1, 2, 3, 4, 5]
x2 = data_map(x1, f) #
x3 = data_map(x2, f) #
y1 = [10, 20, 30, 40, 50]
y2 = [50, 40, 30, 20, 10]
y3 = [10, 20, 40, 30, 50]
plt.bar(x1, y1, w) #
plt.bar(x2, y2, w) #
plt.bar(x3, y3, w) #
plt.show()
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")
lats = sci.data_map(rutas, lambda ruta: latlon(ruta["Latitud"]))
lons = sci.data_map(rutas, lambda ruta: -latlon(ruta["Longitud"]))
latlons = zip(lats, lons)
XY = sci.data_map(latlons, lambda (lat, lon): map(lon, lat))
X = sci.data_map(XY, lambda (x, y): x)
Y = sci.data_map(XY, lambda (x, y): y)
plt.plot(X, Y)
plt.plot(X, Y, "ro")
plt.show()
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):
return {
"E1": "SI" if Y[0] == 1 else "NO",
"E2": "SI" if Y[1] == 1 else "NO"
}
from sklearn.neural_network import MLPClassifier
import sci
datos = sci.load_xl("sintomas.xlsx", "Hoja1", "B3:G8")
def tsexo(paciente):
if paciente["Sexo"] == "Hombre":
return 1
return 2
def tsino(paciente):
if paciente[k] == "SI":
return 1
return 0
sexos = sci.data_map(datos, tsexo)
k = "S1"
s1 = sci.data_map(datos, tsino)
k = "S2"
s2 = sci.data_map(datos, tsino)
k = "S3"
s3 = sci.data_map(datos, tsino)
k = "E1"
e1 = sci.data_map(datos, tsino)
k = "E2"
e2 = sci.data_map(datos, tsino)
import sci
# CSV - Cargar una lista de diccionarios de un archivo csv
personas = sci.load_csv("datos_lab.csv")
#print personas
def transform(persona):
if persona["Sexo"] == "Mujer":
return persona["Ingresos"]
ingresos_mujeres = sci.data_map(personas, transform)
print ingresos_mujeres
import sci
data = [
{
"x": 10,
"y": 8
},
{
"x": 1,
"y": 2
},
{
"x": 5,
"y": 3
},
{
"x": 7,
"y": 1
},
]
data2 = sci.data_map(data, lambda dic: dic["x"] if dic["x"] > 5 else None)
print data2