🐍 Python Educativo Interactivo

Bienvenido a Python Educativo

Esta plataforma interactiva cubre todo lo necesario para aprender Python: desde fundamentos hasta temas avanzados como NumPy, Pandas, broadcasting en entornos distribuidos y GPU. Incluye quizzes, ejecución de código en vivo con Brython (para basics) y ejemplos prácticos. Progreso:

Instala Python en python.org o usa editores online como Replit.

Historia y Evolución de Python

Python fue creado por Guido van Rossum en los Países Bajos a finales de los 80s. Lanzado en 1991, su nombre viene de "Monty Python's Flying Circus".

Comunidad activa via PSF. Más info.

Contenido Básico

Fundamentos para principiantes: variables, control de flujo, funciones.

Hola Mundo

Variables y Tipos

Control de Flujo

Contenido Avanzado

POO, decoradores, generadores, manejo de excepciones.

POO

Decoradores

Tutorial Pandas

Pandas es esencial para datos tabulares. Instala con pip install pandas. Basado en docs 2.3.3 (2025).

Crear DataFrame

import pandas as pd
data = {'Nombre': ['Ana', 'Bob'], 'Edad': [25, 30]}
df = pd.DataFrame(data)
print(df)

Filtrar Datos

mayores = df[df['Edad'] > 25]
print(mayores)

Estadísticas

print(df.describe())

Explicación: DataFrames como Excel en Python. Más en Getting Started y User Guide.

Bibliotecas Clave de Python en 2025

Ejemplos de Código

NumPy Media

import numpy as np
arr = np.array([1,2,3,4,5])
print(np.mean(arr))

Pandas Filtrar

import pandas as pd
data = {'Edad': [25,30]}
df = pd.DataFrame(data)
print(df[df['Edad'] > 25])

Tutorial Paso a Paso de NumPy

NumPy para arrays numéricos. Instala: pip install numpy.

Crear Arrays

import numpy as np
arr1 = np.array([1, 2, 3])
print(arr1)

Operaciones

suma = arr1 + 10
print(suma)

Estadísticas

media = np.mean(arr1)
print(media)

Explicación

Arrays multidimensionales, vectorización para eficiencia. Ejemplo práctico: Análisis de temperaturas.

temps = np.array([22.5, 24.0, 23.1])
print(np.mean(temps))

Más en Docs NumPy.

Broadcasting en NumPy

Broadcasting opera arrays de shapes diferentes expandiendo dims de 1.

Reglas

• Compara dims desde la derecha.
• Dims iguales o 1 se expanden.

import numpy as np
a = np.array([1,2,3])
b = 2
print(a * b)  # [2 4 6]

Ejemplo 2D

c = np.ones((3,2))
d = np.array([5,10])
print(c * d)

Explicación: d se expande a (1,2) y luego a (3,2). Más en Docs.

Broadcasting Avanzado en NumPy

Aplicaciones complejas: dims superiores, np.newaxis, máscaras.

3D Broadcasting

import numpy as np
a = np.ones((3,2,1))
b = np.array([10,20])
print(a * b)

Con np.newaxis

c = np.array([1,2,3])
d = c[:, np.newaxis] + c
print(d)

Máscaras

e = np.array([[1,2,3],[4,5,6]])
mask = e > 3
f = np.where(mask, e*2, e/2)
print(f)

Explicación: np.newaxis agrega dims para expansión. Útil en ML para outer products. Pitfalls: Formas incompatibles lanzan ValueError.

Broadcasting con Dask Arrays

Dask extiende NumPy para big data, con broadcasting lazy en chunks.

Setup

import dask.array as da
import numpy as np
a = da.from_array(np.arange(6).reshape(2,3), chunks=(1,3))
b = da.from_array(np.ones(3), chunks=3)
result = a + b
print(result.compute())

da.broadcast_to

x = da.from_array(np.array([1,2,3]), chunks=3)
y = da.broadcast_to(x, shape=(4,3), chunks=(1,3))
print(y.compute())

Explicación: Lazy evaluation, chunks para paralelismo. No copia datos. Más en Dask Docs.

Broadcasting en GPU con PyTorch

PyTorch acelera broadcasting en GPU para ML.

Setup

import torch
device = 'cuda' if torch.cuda.is_available() else 'cpu'
c = torch.ones((3,2)).to(device)
d = torch.tensor([5.,10.]).to(device)
result = c * d
print(result)

3D

e = torch.ones((2,3,4)).to(device)
f = torch.tensor([100.,200.,300.]).to(device)
result2 = e * f.unsqueeze(0)
print(result2.shape)

Explicación: Similar a NumPy, pero GPU acelera. Útil en batches. Más en PyTorch Docs.

Broadcasting con CuPy

CuPy: NumPy en GPU.

Simple

import cupy as cp
c = cp.ones((3,2))
d = cp.array([5.,10.])
result = c * d
print(result.get())

Multidimensional

e = cp.ones((2,3,4))
f = cp.array([100.,200.,300.])
result2 = e * f[:, cp.newaxis]
print(result2[0].get())

Explicación: broadcast_to como NumPy. Más en CuPy Docs.

Integración Dask-CuPy

Dask con CuPy para distributed GPU.

Crear Array

import dask.array as da
import cupy as cp
cupy_arr = cp.arange(100000).reshape(100,1000)
dask_arr = da.from_array(cupy_arr, chunks=(10,100), asarray=False)
print(dask_arr.shape)

Operación

result = (dask_arr + 1).sum().compute()
print(result)

Explicación: Chunks en GPU, lazy. Para multi-GPU, usa LocalCUDACluster. Más en Dask GPU Docs.

Importancia y Aplicaciones

Python domina en 2025: IA, data science.

• Web: Django/Flask para Instagram.
• ML: PyTorch en Netflix.
• Automatización: Scripts DevOps.
• IA: xAI con Python.

Sección Interactiva

Ejemplo Avanzado: Turtle