Diferencias

Muestra las diferencias entre dos versiones de la página.

@@ Línea 1: / Línea 1: @@
+====== 2. Python ======
+Para poder programar con Python vamos a usars el siguiente software:
+  * [[https://code.visualstudio.com/|Visual Studio Code]]: El IDE
+  * [[https://docs.conda.io/en/latest/miniconda.html|Miniconda]]: Permite trabajar con los Jupyter Notebooks
+  * Extensiones de VS Code
+  * Diversas librerías de Python
+Mas información:
+  * [[https://towardsdatascience.com/understanding-python-imports-init-py-and-pythonpath-once-and-for-all-4c5249ab6355|Understanding Python imports, __init__.py and pythonpath — once and for all]]
+  * [[https://mouli070.medium.com/10-python-one-liner-tricks-to-save-your-precious-time-db1198b2c612|10 Python One Liner Tricks to Save Your Precious Time]]
+  * [[https://betterprogramming.pub/10-python-tricks-that-will-wow-you-de450921d96a|10 Python Tricks That Will Wow You]]
+  * [[https://github.com/jupyterlab/jupyterlab_app|JupyterLab App]]:A desktop application for JupyterLab, based on Electron.
+  * [[https://whiteboxml.com/blog/the-definitive-guide-to-python-virtual-environments-with-conda|The definitive guide to Python virtual environments with conda]]
+{{ :clase:iabd:pia:1eval:python_environment.png?direct |}}
+===== Instalación =====
+Pasemos ahora a indicar todo lo que hay que instalar para poder trabajar en Python y los Jupyter notebooks.
+==== Instalar Visual Studio Code ====
+Ejecutar los siguiente comandos en las consola de Linux para instalar VS Code
+<sxh base>
+sudo rpm --import https://packages.microsoft.com/keys/microsoft.asc
+cd /etc/yum.repos.d/
+sudo sh -c 'echo -e "[code]\nname=Visual Studio Code\nbaseurl=https://packages.microsoft.com/yumrepos/vscode\nenabled=1\ngpgcheck=1\ngpgkey=https://packages.microsoft.com/keys/microsoft.asc" > vscode.repo'
+sudo dnf check-update
+sudo dnf install code
+</sxh>
+==== Instalar Miniconda ====
+Descargar Miniconda desde [[https://docs.conda.io/en/latest/miniconda.html]].
+Ejecutar los siguiente comandos en las consola de Linux para instalar Anaconda
+<sxh base>
+cd Descargas
+chmod +x Miniconda3-latest-Linux-x86_64.sh
+./Miniconda3-latest-Linux-x86_64.sh
+</sxh>
+<note>En la instalación de Anaconda, responder a todo que si "yes"</note>
+==== Instalar Extensiones de VS Code  ====
+Instalar las siguientes extensiones en VS Code
+  * [[https://marketplace.visualstudio.com/items?itemName=ms-python.python|Python de Microsoft]]
+  * [[https://marketplace.visualstudio.com/items?itemName=ms-toolsai.jupyter|Jupyter de Microsoft]]: Al instalar Anaconda despues de VS Code lo normal es que ya esté instalado.
+==== Instalar paquetes de Python ====
+Instalar antes que nada el paquete de Linux de [[https://graphviz.org/|Graphviz]]
+<sxh base>
+sudo dnf install graphviz
+</sxh>
+<note tip>Lo normal es que ya esté instalado en Fedora</note>
+Ahora vamos a instalar una serie de paquetes de Python en Anaconda. Se usa el comando ''conda''
+<sxh python>
+conda install numpy
+conda install pandas
+conda install matplotlib
+conda install seaborn
+conda install scikit-learn
+conda install tensorflow
+conda install keras
+conda install tabulate
+conda install pymysql
+conda install sqlalchemy
+conda install pydotplus
+conda install ipympl
+conda install opencv --channel conda-forge
+conda install pillow --channel anaconda
+conda install pandas_profiling --channel conda-forge
+</sxh>
+<note tip>El paquete ''pandas_profiling'' no se encuentra en el canal (como un repositorio) oficial de Anaconda sino en el canal ''conda-forge''. Por eso lo hemos indicado con ''--channel''</note>
+===== Trabajar con Jupyter Notebooks =====
+Para crear un nuevo Jupyter Notebook en VS Code deberemos pulsar las teclas ''CTRL+SHIFT+P'' y escribir "//Jupyter: Create New Blank Notebook//".
+Dentro de un Jupyter Notebook podemos:
+  * "+ Codigo": Añadir un bloque de código
+  * "Ejecutar todo": Ejecuta todo desde el principio
+  * "Restart": Reinicia el entorno de ejecución y borra todas las variable pero no toca el código
+Mas información:
+    * [[https://code.visualstudio.com/docs/python/jupyter-support|Working with Jupyter Notebooks in Visual Studio Code]]
+    * [[https://towardsdatascience.com/jupyter-notebook-in-visual-studio-code-3fc21a36fe43|Jupyter Notebook in Visual Studio Code]]
+===== El lenguaje Python =====
+Un libro sobre Python lo puedes descargar aqui:{{ :clase:iabd:pia:1eval:pythonlearn.pdf |Python para todos.Explorando la información con Python 3}} y
+un sitio web sobre python es [[https://python-para-impacientes.blogspot.com/p/indice.html|Python 3 para impacientes]]
+==== Librerías ====
+  * Importar la librería ''numpy'' con nombre ''np''
+<sxh python>
+import numpy as np
+</sxh>
+  * Importar una función ''load_iris'' de ''sklearn.datasets''
+<sxh python>
+from sklearn.datasets import load_iris
+</sxh>
+==== Tipos ====
+  * Booleanos: ''True'' y ''False''
+  * transformación de tipos
+    * ''int()''
+    * ''float()''
+    * ''str()''
+  * Redondear
+    * ''round(valor,decimales)''
+==== Imprimir ====
+  * Imprimir
+<sxh python>
+a=5
+b="Hola"
+c=True
+d=6.7
+print(a,b,c)
+print(d)
+</sxh>
+<sxh base>
+Hola True
+.7
+</sxh>
+  * Para evitar el final de linea, se usa ''end=""''
+<sxh python>
+a=5
+b="Hola"
+c=True
+d=6.7
+print(a,b,c,end="")
+print(d)
+</sxh>
+<sxh base>
+Hola True6.7
+</sxh>
+  * Para quitar el separador, se usar ''sep=""''
+<sxh python>
+a=5
+b="Hola"
+c=True
+d=6.7
+print(a,b,c,sep="")
+print(d)
+</sxh>
+<sxh base>
+HolaTrue
+.7
+</sxh>
+  * Para que el separador sea una coma, se usar ''sep=","''
+<sxh python>
+a=5
+b="Hola"
+c=True
+d=6.7
+print(a,b,c,sep=",")
+print(d)
+</sxh>
+<sxh base>
+,Hola,True
+.7
+</sxh>
+==== Ayuda ====
+  * Obtener información de una función, objeto ,etc. Solo hay que añadir la incógnita al final del nombre del método
+<sxh python>
+abs?
+</sxh>
+<sxh base>
+Signature: abs(x, /)
+Docstring: Return the absolute value of the argument.
+Type:      builtin_function_or_method
+</sxh>
+  * Usado el método ''help''
+<sxh python>
+help(abs)
+</sxh>
+<sxh base>
+Help on built-in function abs in module builtins:
+abs(x, /)
+    Return the absolute value of the argument.
+</sxh>
+<note tip>A veces interesa la información del método ''help''  otras veces de ''?''</note>
+  * Las propiedades y métodos de una clase
+<sxh python>
+from sklearn.preprocessing import StandardScaler
+standard_scaler = StandardScaler()
+dir(standard_scaler)
+</sxh>
+<sxh base>
+['__annotations__',
+ '__class__',
+ '__delattr__',
+ '__dict__',
+ '__dir__',
+ '__doc__',
+ '__eq__',
+ '__format__',
+......
+ 'set_output',
+ 'set_params',
+ 'transform',
+ 'with_mean',
+ 'with_std']
+</sxh>
+==== Operadores ====
+  * División entera ''<nowiki>//</nowiki>''
+  * Resto de la división ''%''
+  * Potencia ''**''
+===== Estructuras de datos =====
+  * Arrays. Como Listas en Python.
+<sxh python>
+a=[1,2,3]
+a[1]
+</sxh>
+<sxh base>
+</sxh>
+  * Tamaño de un Array
+<sxh python>
+a=[1,2,3,3,1,2]
+len(a)
+</sxh>
+<sxh base>
+</sxh>
+  * Sumar los elementos de un array
+<sxh python>
+a=[1,2,3,3,1,2]
+sum(a)
+</sxh>
+<sxh base>
+</sxh>
+  * Añadir un elemento a un array
+<sxh python>
+a=[8,9,10]
+a.append(77)
+a
+</sxh>
+<sxh base>
+[8, 9, 10, 77]
+</sxh>
+  * Concatenar arrays con el operador ''+''. Crea un nuevo array y sirve también para listas.
+<sxh python>
+a=[1,2,3]
+b=[10,20,30]
+a+b
+</sxh>
+<sxh base>
+[1, 2, 3, 10, 20, 30]
+</sxh>
+  * Usar ''append'' con un array
+<sxh python>
+a=[1,2,3]
+b=[10,20,30]
+a.append(b)
+</sxh>
+<sxh base>
+[1, 2, 3, [10, 20, 30]]
+</sxh>
+  * Matrices. Como Arrays de Arrays en Python.
+$$
+\begin{pmatrix}
+& 11\\
+& 22\\
+& 33
+\end{pmatrix}
+$$
+<sxh python>
+a=[  [1,11], [2,22], [3,33]  ]
+a[2][1]
+</sxh>
+<sxh base>
+</sxh>
+  * Tuplas
+<sxh python>
+a=(1,2,3)
+a[1]
+</sxh>
+<sxh base>
+</sxh>
+<note tip>
+La diferencia entre un array y una tupla, es que la tupla es inmutable
+</note>
+  * Diccionarios
+<sxh python>
+a= {
+    "nombre":"Juan",
+    "edad": 37
+}
+a['edad']
+</sxh>
+<sxh python>
+</sxh>
+  * Claves diccionarios. Para obtener las claves de un diccionario se usa el método ''keys()''
+<sxh python>
+a= {
+    "nombre":"Juan",
+    "edad": 37
+}
+for key in a.keys():
+    print(key,a[key])
+</sxh>
+<sxh base>
+nombre Juan
+edad 37
+</sxh>
+  * Recorrer obteniendo clave y valor
+<sxh python>
+for key, value in a.items():
+    print(key,value)
+</sxh>
+==== Imprimir matrices ====
+Para imprimir datos en forma tabular, es necesario tenerlas en una matriz. Y para imprimir usaremos la librería [[https://github.com/astanin/python-tabulate|tabulate]]
+<sxh python>
+from tabulate import tabulate
+datos=[  [5,0.7,0.765], [10,1.45,0.84], [20,2.678,0.978], [60,11.396,0.9973]  ]
+print(tabulate(datos, headers=["Épocas", "Tiempo (s)", "Resultado"]))
+</sxh>
+<sxh base>
+  Épocas    Tiempo (s)    Resultado
+--------  ------------  -----------
+         0.7         0.765
+         1.45        0.84
+         2.678       0.978
+        11.396       0.9973
+</sxh>
+También podemos añadir una primera columna que sean también como "cabeceras". El siguiente anterior ejemplo se podría modificar de forma que en el array ''a'' solo estén los datos de tiempo y resultado y no las épocas ya que son como "cabeceras".
+<sxh python>
+from tabulate import tabulate
+datos=[  [0.7,0.765], [1.45,0.84], [2.678,0.978], [11.396,0.9973]  ]
+epocas=[5,10,20,60]
+print(tabulate(datos, headers=["Épocas", "Tiempo (s)", "Resultado"],showindex=epocas))
+</sxh>
+<sxh base>
+  Épocas    Tiempo (s)    Resultado
+--------  ------------  -----------
+         0.7         0.765
+         1.45        0.84
+         2.678       0.978
+        11.396       0.9973
+</sxh>
+===== Estructuras de control =====
+  * Condicional
+<sxh python>
+a=1
+if a==1:
+    b=4
+else:
+    b=5
+print(b)
+</sxh>
+<sxh base>
+</sxh>
+<sxh python>
+a=2
+if a==1:
+    b=4
+elif a==2:
+    b=-1
+else:
+    b=5
+print(b)
+</sxh>
+<sxh base>
+-1
+</sxh>
+  * Bucles
+<sxh python>
+a=[0,1,2,3]
+for i in a:
+    print(i)
+</sxh>
+<sxh base>
+</sxh>
+<sxh python>
+for i in range(0,4):
+    print(i)
+</sxh>
+<sxh base>
+</sxh>
+  * enumerate: Permite recorres un array pero obteniendo tanto el valor como el índice dentro del array
+<sxh python>
+precios=[45,234,6.99,7]
+for index_precio,precio in enumerate(precios):
+    print(index_precio,precio)
+</sxh>
+<sxh base>
+45
+234
+6.99
+7
+</sxh>
+===== Funciones =====
+  * Función que retorna un valor
+<sxh python>
+def sumar(a,b):
+    return a+b
+resultado=sumar(3,4)
+print(resultado)
+</sxh>
+<sxh base>
+</sxh>
+  * Función que retorna 2 valores y se almacenan en  dos variables
+<sxh python>
+def sumar_y_multiplicar(a,b):
+    return a+b,a*b
+a,b=sumar_y_multiplicar(3,4)
+print(a)
+print(b)
+</sxh>
+<sxh base>
+</sxh>
+  * Función que retorna 2 valores y se almacenan en una única variable
+<sxh python>
+def sumar_y_multiplicar(a,b):
+    return a+b,a*b
+resultado=sumar_y_multiplicar(3,4)
+print(resultado)
+print(resultado[0])
+print(resultado[1])
+</sxh>
+<sxh base>
+(7, 12)
+</sxh>
+  * Llamar a funciones por nombre de los parámetros
+<sxh python>
+def dividir(dividendo,divisor):
+    return dividendo/divisor
+print(dividir(10,2))
+print(dividir(dividendo=10,divisor=2))
+print(dividir(divisor=2,dividendo=10))
+print(dividir(10,divisor=2))
+</sxh>
+<sxh base>
+.0
+.0
+.0
+.0
+</sxh>
+  * Parámetros opcionales
+<sxh python>
+def dividir(dividendo,divisor=2):
+    return dividendo/divisor
+print(dividir(10,2))
+print(dividir(10))
+print(dividir(10,4))
+print(dividir(dividendo=10))
+</sxh>
+<sxh base>
+.0
+.0
+.5
+.0
+</sxh>
+===== Clases =====
+Para crear clases en python:
+  * ''class'': Se crear la clase
+  * ''self'': Para referirse a propiedades y métodos del propio objeto, se pasa siempre como primer argumento en todos los métodos.
+  * ''%%__%%init%%__%%'': El nombre del constructor
+  * Vamos a crear la clase rectángulo
+<sxh python>
+class Rectangulo:
+    def __init__(self, longitud, ancho):
+        self.longitud = longitud
+        self.ancho = ancho
+    def calcular_area(self):
+        return self.longitud * self.ancho
+    def calcular_perimetro(self):
+        return 2 * (self.longitud + self.ancho)
+</sxh>
+  * Ahora vamos a usar la clase que hemos creado
+<sxh python>
+mi_rectangulo = Rectangulo(5, 10)
+print("Longitud:", mi_rectangulo.longitud)
+print("Ancho:", mi_rectangulo.ancho)
+print("Área:", mi_rectangulo.calcular_area())
+print("Perímetro:", mi_rectangulo.calcular_perimetro())
+</sxh>
+<sxh base>
+Longitud: 5
+Ancho: 10
+Área: 50
+Perímetro: 30
+</sxh>
+===== Medición de rendimiento =====
+Para medir el tiempo que ha tardado algo se usa el método ''monotonic()''.
+<sxh python>
+from time import monotonic
+t = monotonic()
+resultado=sum(range(10000000))
+t=monotonic()-t
+print(resultado)
+print(round(t,2),"seg")
+</sxh>
+<sxh base>
+49999995000000
+.21 seg
+</sxh>
+El resultado se muestra en segundos
+<note tip>
+El problema de ''perf_counter()'' es que cuenta el tiempo en el que el ordenador está suspendido mientras que ''monotonic()'' no lo hace. Y tampoco cuenta el tiempo que el proceso está suspendido.
+Según la documentación de python [[https://docs.python.org/3/library/time.html|time — Time access and conversions]] se indica para ''perf_counter()'' que: // It does include time elapsed during sleep and is system-wide//.
+Sin embargo en Python 3.10.12 con Linux Mint 22 da el mismo resultado ''monotonic()'' que ''perf_counter()''
+</note>
+Mas información:
+  * [[https://docs.python.org/3/library/time.html|time — Time access and conversions]]
+  * [[https://luminousmen.com/post/how-to-not-leap-in-time-using-python/|How to not leap in time using Python]]
+  * [[https://morton-kuo.medium.com/ml09-e549b2c26c47|ML09: Measuring Running Time in Python & R]]
+===== Poetry =====
+A veces no quieremos usar conda sino tener una carpeta con todo lo que necesita el proyecto, al estilo de //NodeJS//. En ese caso podemos usar una herramienta llamada [[https://python-poetry.org/|Poetry]]
+  * Instalar poetry
+<sxh bash>
+pip install --user poetry
+</sxh>
+  * Comprobar que tenemos poetry instalado
+<sxh bash>
+poetry --version
+</sxh>
+  * Para decir que las librerías se instalen en nuestra propia carpeta del proyecto.
+<sxh bash>
+poetry config virtualenvs.in-project true
+</sxh>
+  * Para tener un proyecto con python y todas sus dependencias en la misma carpeta haremos lo siguiente:
+<sxh bash>
+poetry init
+poetry add libclang = "<12.0.0" numpy pandas matplotlib seaborn scikit-learn tensorflow tabulate PyMySQL SQLAlchemy ipympl keras-tuner tensorflow-addons statsmodels
+poetry install
+</sxh>
+<note important>
+Si al hacer el ''poetry add'' se produce el error:
+''[org.freedesktop.DBus.Error.UnknownObject] ("No such object path '/org/freedesktop/secrets/aliases/default'",)''
+deberemos crear la siguiente variable de entorno:
+''export PYTHON_KEYRING_BACKEND=keyring.backends.null.Keyring''
+</note>
+Para ejecutar el código hay 2 formas:
+  * Desde la línea de comandos:
+<sxh python>
+poetry run python my_script.py
+</sxh>
+  * Desde VS Code seleccionar en los entornos de ejecución la carpeta ''.venv'' del propio proyecto:
+{{ :clase:iabd:pia:1eval:vs-code-poetry.png?direct |}}
+  * Si queremos usar el entorno de poetry pero no está en nuestra carpeta se puede indicar a VS Code cual es el ejecutable de python que debe usar siempre para ello hay que crear en la carpeta de nuestro proyecto el fichero ''$HOME/.config/Code/User/settings.json''
+<sxh base>
+{
+    "python.defaultInterpreterPath": "/home/logongas/python_default_env/.venv/bin/python",
+}
+</sxh>
+===== Ejercicios =====
+==== Ejercicio 1: Instalación ====
+Instala todo lo indicado en el apartado "Instalación" de este tema
+==== Ejercicio 2: Librerías ====
+  * Importa la librería llamada ''numpy'' con el nombre de ''np''
+  * Importa la librería llamada ''pandas'' con el nombre de ''pd''
+  * Importa la librería llamada ''matplotlib.pyplot'' con el nombre de ''plt''
+  * Importa la librería llamada ''seaborn'' con el nombre de ''sns''
+  * Importa una función ''load_breast_cancer'' desde ''sklearn.datasets''
+Una vez importadas esas librerías ejecuta el siguiente código, el cual mostrará una gráfica.
+<sxh python>
+df=pd.DataFrame({
+    'Perímetro medio':load_breast_cancer().data[:,2],
+    '¿Benigno?':load_breast_cancer().target,
+})
+figure=plt.figure()
+axes = figure.add_subplot()
+sns.scatterplot(data=df,x="Perímetro medio",y="¿Benigno?")
+</sxh>
+==== Ejercicio 3: Tipos ====
+  * Crea 2 variables booleanas una con el valor verdadero y otra con el valor falso.
+  * Crea una variable de tipo ''String'' con un número y la transformas en un ''int''.
+  * Crea una variable de tipo ''String'' con un número y la transformas en un ''float''.
+  * Crea una variable de tipo ''int''  y la transformas en un ''float''.
+  * Crea una variable de tipo ''int''  y la transformas en un ''String''.
+  * Crea una variable de tipo ''float''  y la transformas en un ''String''.
+  * Crea una variable de tipo ''float''  y la transformas en un ''int''. ¿La función redondea o trunca?
+==== Ejercicio 4.A: Ayuda ====
+  * Muestra la ayuda de la función ''load_breast_cancer'' mediante ''?''
+==== Ejercicio 4.B: Ayuda ====
+  * Muestra la ayuda de la función ''load_breast_cancer'' mediante ''help''
+==== Ejercicio 4.C: Ayuda ====
+  * Muestra los campos del objeto ''datos'', sabien que el objeto datos se obtiene así:
+<sxh>
+datos=load_breast_cancer()
+</sxh>
+==== Ejercicio 5: Operadores ====
+  * Haz la división con decimales de 5/3
+  * Haz la división entera de 5/3
+  * Calcula $2^{16}$
+==== Ejercicio 6: Arrays ====
+  * Crea una array con los siguiente números primos e imprime el cuarto número: 2, 3, 5, 7, 11, 13, 17, 19, 23, 29
+  * Calcula la longitud del anterior array
+  * Calcula la suma de los elementos del anterior array
+  * Añade al array el elemento 97
+  * Crea una tupla con los siguiente números primos e imprime el cuarto número: 2, 3, 5, 7, 11, 13, 17, 19, 23, 29
+  * Añade a la tupla el elemento 97. ¿Porqué no te deja?.
+  * Crea una array que sea la unión de los elementos de los siguientes dos arrays ''1,2,3,4'' y ''10,20,30,40''. Deberás usar un bucle ''for''.
+  * Añade al array ''1,2,3,4'' el siguiente array ''10,20,30,40'', pero como si fuera un único elemento usando una sola vez ''append''. ¿Ves la diferencia con el ejercicio anterior?
+==== Ejercicio 7: Print y arrays ====
+Dado el array:
+<sxh python>
+a=[2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97]
+</sxh>
+  * Imprime todos sus números cada un en una línea distinta
+  * Imprime todos sus números en una única línea y separados por punto y coma
+  * Imprime todos sus números en una única línea y separados por un espacio
+  * Imprime todos sus números de forma que se impriman 2 por línea  y separados por una coma
+  * Imprime todos sus números de forma que se impriman 3 por línea  y separados por un espacio
+==== Ejercicio 8: Matrices ====
+  * Crea la siguiente matriz:
+$$
+\begin{pmatrix}
+& 0 & 0 & 0\\
+& 1 & 7 & 0\\
+& 0 & 1 & 0\\
+& 0 & 0 & 1\\
+\end{pmatrix}
+$$
+  * Obtén el elemento de la fila 2º y la columna 3º. Es el valor del 7.
+  * Crea un nuevo array con los elementos de la 3º Fila de la matriz
+  * Crea un nuevo array con los elementos de la 2º Columna de la matriz
+  * Imprime la matriz y haz que las cabeceras de cada columna sean A, B , C y D
+==== Ejercicio 9: Diccionarios ====
+  * Crea una variable llamada ''cliente'' que sea un diccionario con la información de este cliente
+<sxh base>
+nombre: Juan
+apellidos: Pérez García
+teléfono
+   movil: 654789658
+   fijo: 963789654
+dirección:
+    tipo via: calle
+    numero: 45
+    puerta: 7
+numero facturas:
+    compras: 234/2020, 345/2021, 675/2021, 561/2022
+    ventas:  456/2020, 564/2021, 768/2021, 345/2022
+</sxh>
+  * Del anterior diccionario muestra la siguiente información:
+    * nombre
+    * El teléfono móvil
+    * El tipo de vía
+    * El número de la 3º factura que vendió
+    * La cantidad de compras que ha hecho.
+  * Imprime el nombre de las claves del "//primer nivel//"
+==== Ejercicio 10: Estructuras de control ====
+Usando la variable ''cliente'' del ejercicio anterior, haz lo siguiente:
+  * Muestra el texto "Cliente Importante" si el número de compras es mayor que 5 o sino muestra "Cliente Normal"
+  * Muestra el texto "Cliente Importante" si el número de compras es mayor que 5 , si el número de compras es entre 2 y 5 muestra "Cliente Normal" , sino muestra "Cliente poco importante"
+  * Haz que se muestre por pantalla los números del 0 al 999
+  * Haz que se muestre por pantalla los números del 1 al 1000
+  * Crea un array con los números primos hasta el 100, que son ''2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 43, 47, 53, 59, 61, 67, 71, 73, 79, 83, 89, 97''
+    * Muestra cada número por pantalla.
+    * Haz que se muestren por pantalla el número junto con el orden que ocupan. Por ejemplo ''4º -> 7'' , ''6º -> 13''
+    * Modifica el ejercicio anterior de forma que si es el primer número primo del array, se muestre ''Primero -> 2'' y si es el último número primo del array , se muestre ''Ultimo -> 97''
+==== Ejercicio 11: Funciones ====
+  * Haz una función llamada "importe_final que dado el precio de un producto y el porcentaje de descuento , nos diga el importe del producto. Usa la función con los valores de 120€ y un 10% e imprime el resultado. Vuelve a llamar ahora a la función pero cambiando el orden de los argumentos y usando el nombre de los parámetros en la llamada
+  * Modifica la función para que retorne tanto el importe como la cantidad que se ha descontado del precio. Usa la función con los valores de 120€ y un 10% e imprime el resultado.
+  * Modifica la función para que por defecto el descuento sea un 10% y no sea necesario pasar ese valor. Usa la función con el valor de 120€ e imprime el resultado.
+==== Ejercicio 12 ====
+Vamos a volver al ejercicio de redes neuronales del tema 1 del tipo de flor .
+Modifica el siguiente programa:
+<sxh python>
+model=Sequential()
+model.add(Dense(6, activation='relu',input_dim=2))
+model.add(Dense(12, activation='relu'))
+model.add(Dense(6, activation='relu'))
+model.add(Dense(1, activation='sigmoid'))
+model.compile(loss='mean_squared_error')
+model.fit(x, y,epochs=40)
+</sxh>
+Para que en vez de poner tantas líneas como capas hay , se haga con un array. Es decir que dado el array ''capas=[6,12,6,1]'' se cree la red anterior pero si cambiamos los datos del array que se cree la red correspondiente.
+==== Ejercicio 13 ====
+Modifica el ejercicio anterior de forma que el código esté en una función llamada ''compile_fit'' que haga lo mismo y retorne el objeto ''model''.
+Prueba a llamar a la función con los siguientes datos
+<sxh python>
+capas_red1=[6,12,6,1]
+model1=compile_fit(capas_red1,x,y)
+capas_red2=[8,16,8,1]
+model2=compile_fit(capas_red2,x,y)
+</sxh>
+Además, encapsula la obtención de los datos en la función ''get_datos''
+<sxh python>
+x,y=get_datos()
+</sxh>
+==== Ejercicio 14 ====
+Siguiendo con el ejercicio anterior, haz un programa que muestre lo siguiente
+<sxh python>
+  Red    Result 1    Result 2
+------  ---------- ----------
+        0.06094426 0.9634158
+        0.06094426 0.9634158
+...
+        0.06094426 0.9634158
+</sxh>
+Pero los números con decimales que se muestran son el resultado de llamar a la red neuronal con los valores (4.9, 1.4) y (6.3, 4.9).
+Y cada red va a tener las siguientes capas con las neuronas:
+^ Red ^ Nº Neuronas en cada capa ^
+| 1º |   2,  4, 1  |
+| 2º |   4,  8, 8, 2, 1  |
+| 3º |   8, 12, ,24,  12, 1  |
+| 4º |   8, 16,  8, 1  |
+| 5º |  16, 32, 1  |
+Para hacer eso deberás crear un array en la que cada elemento será otro array con las neuronas de cada capa.
+Ejemplo:
+<sxh python>
+redes=[  [2,  4 , 1] , [4,  8, 8, 2, 1]  ]
+</sxh>
+  * Recorre el array y en cada vuelta
+    * Obtén las neuronas de cada capa
+    * Llama al método ''compile_fit''
+    * Obtén los resultados de predecir con los valores (4.9, 1.4) y (6.3, 4.9).
+    * Añade los resultados a una matriz de resultados
+  * Imprime la matriz de resultados
+==== Ejercicio 15 ====
+Modifica el ejercicio anterior para que el método ''compile_fit'' retorna además del objeto ''model'' , el tiempo en segundos (con 2 decimales) que ha tardado en ejecutarse el método ''fit''
+Y que en la tabla se muestre también el tiempo
+<sxh python>
+  Red    Result 1    Result 2   Tiempo (s)
+------  ---------- ----------  ------------
+        0.06094426 0.9634158         0.4
+        0.06094426 0.9634158         1.56
+...
+        0.06094426 0.9634158        12.71
+</sxh>
+==== Ejercicio 16 ====
+Modifica el ejercicio anterior pero ahora modifica en el array de cada red para que la columna //Red// sea el //nombre// de la red para que podamos saber cual es cada una. El nombre será las neuronas de cada capa
+<sxh base>
+  Red       Result 1    Result 2   Tiempo (s)
+----------  ---------- ----------  ------------
+,4,1        0.06094426 0.9634158         0.4
+,8,8,2,1    0.06094426 0.9634158         1.56
+...
+,32,1      0.06094426 0.9634158        12.71
+</sxh>
+==== Ejercicio 17 ====
+Modifica el ejercicio anterior pero ahora incluye en el array de cada red un nuevo campo con el número de épocas con las que se ha entrenado.
+Por ello , deberás incluir un nuevo valor para cada red que será el número de épocas a entrenar.
+Ejemplo:
+<sxh python>
+redes=[  [[2,  4 , 1], 30] , [[4,  8, 8, 2, 1], 34]  ]
+</sxh>
+El último elemento de cada array en el número de épocas que se va a entrenar la red.
+<sxh base>
+  Red       Épocas     Result 1    Result 2   Tiempo (s)
+----------  --------   ----------  ------------
+,4,1       30         0.06094426 0.9634158         0.4
+,8,8,2,1   34         0.06094426 0.9634158         1.56
+...
+,32,1     20         0.06094426 0.9634158        12.71
+</sxh>
+==== Ejercicio 18 ====
+Modifica la función ''compile_fit'' añadiendo un nuevo parámetro que se a el número de neuronas de entrada. Es decir, el número de valores de la "x".
+==== Ejercicio 19 ====
+Repite el ejercicio anterior pero ahora con la red neuronal del cáncer de mama y las siguientes capas de la red:
+^ Nº Neuronas en cada capa ^ Épocas ^
+|   4,   8,  4, 2, 1  |  20 |
+|   4,   8,  4, 2, 1  |  40 |
+|   8,  16,  8, 4, 1  |  20 |
+|   8,  16,  8, 4, 1  |  40 |
+|  16,  32, 16, 8, 1  |  20 |
+|  16,  32, 16, 8, 1  |  40 |
+|  32,  64, 32, 8, 1  |  20 |
+|  32,  64, 32, 8, 1  |  40 |
+|  64, 128, 64, 8, 1  |  20 |
+|  64, 128, 64, 8, 1  |  40 |
+==== Ejercicio 20 ====
+Crea una clase llamada ''CuentaBancaria''.
+La clase debe tener  los siguientes atributos:
+  * ''titular'': el titular de la cuenta.
+  * ''saldo'': el saldo actual de la cuenta.
+  *
+La clase debe tener los siguientes métodos:
+  * ''%%__%%init%%__%%'': el método de inicialización que toma el titular como parámetro e inicializa el saldo en 0.
+  * ''depositar'': un método que toma una cantidad como parámetro y la suma al saldo actual.
+  * ''retirar'': un método que toma una cantidad como parámetro y la resta del saldo actual, pero verifica que haya suficiente saldo antes de realizar la operación.
+  * ''obtener_saldo'': un método que devuelve el saldo actual de la cuenta.
+Usa la clase de forma que
+  * Se cree un objeto
+  * Se depositen 100€
+  * Se retiren 75€.
+  * Imprimas el titular y el saldo.