• Saltar a la navegación principal
  • Saltar al contenido principal
  • Saltar a la barra lateral principal
  • Saltar al pie de página

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Criptografía
  • Python
  • Matlab
  • R
  • Herramientas
  • Tienda

Introducción a la programación funcional en Python

junio 3, 2019 Por Daniel Rodríguez Deja un comentario

A la hora de crear código en Python es habitual utilizar un paradigma imperativo. Indicando de forma detallada la secuencia de tareas que el ordenador debe de ejecutar. Otro paradigma que con el que se puede escribir código en Python es la programación funcional. Un paradigma que se basa en la utilización de funciones, que permite obtener código más fácil de probar y entender. En esta entrada se van a mostrar los fundamente de la programación funcional en Python.

Funciones lambda

Las funciones lambda son pequeñas funciones anónimas de una sola línea que se pueden definir sobre la marcha o asignar a una variable. Anónimas en el sentido de que en realidad no tiene un nombre. En Python la forma de definir una función es mediante la palabra clave def seguida de un nombre y el listado de parámetros. El cuerpo de la función será el código indexado situado después de esta línea. Para definir una función lambda se utiliza la palabra clave lambda seguida de los parámetros, dos putos y la expresión. Esto es lo que se puede ver en el siguiente ejemplo:

fun = lambda a : 1+a
print(fun(3))    # Resultado: 4

fun = lambda a, b : a+b
print(fun(3, 4)) # Resultado: 7

En la primera función se suma la unidad al parámetro a, mientras que en la segunda se suma los valores de los dos parámetros. Es importante recordar que una función lambda puede tener cualquier número de argumentos, pero siempre debe tener una sola expresión.

map

La función map de Python permite aplicar una función a una secuencia de elementos como una lista o un diccionario. Es una forma rápida, limpia y, lo que es más importante, legible de realizar la operación. Esto se puede ver en siguiente ejemplo donde se compara el uso de map con for para aplicar una función a un vector.

def square(a):
    return a*a

data = [1, 3, 5]
result = []

# Iterar con for
for i in data:
    result.append(square(i))

print(result)

# Map sobre función
print(list(map(square, data)))

# Map sobre lambda
print(list(map(lambda a: a*a, data)))

En este ejemplo en primer lugar se define una función square que devuelve el cuadrado de argumento. Posteriormente se crea un vector y se aplica la función sobre este utilizando un bucle for. Una vez obtenido el resultado de esta forma se repite la operación utilizando la función map con la que se simplifica la operación. Finalmente se vuelve a realizar la operación con map pero reemplazando la función por una lambda. En todos los casos el resultado obtenido es [1, 9, 25].

Lo que permite apreciar como la utilización de map permite obtener códigos más fáciles de entender que for.

filter

Tal como indica su nombre la función filter permite seleccionar los elementos de una secuencia que verifica un criterio. Criterio que define en una función. filter funciona como map pero solamente devuelve los elementos para los que la función retorna un valor verdadero. En el siguiente ejemplo se crear una función que devuelve verdadero cuando el número es par, posteriormente se utiliza junto a filter para seleccionar los elementos de un vector,

def odd_number(num):

    if num%2 == 0:
        return True
    else:
        return False
    
data = [1, 2, 3, 4, 5, 6, 7, 8, 9]

# Filter sobre función
print(list(filter(odd_number, data)))

# Filter sobre lambda
print(list(filter(lambda x: x%2 == 0, data)))

Al igual que en el caso anterior se muestra un ejemplo utilizando una función y una lambda en filter. En todos los casos el resultado obtenido es [2, 4, 6, 8].

reduce

En el caso de que se desee realizar una cálculo sobre una lista en Python se puede utilizar la función reduce. Al aplicar un cálculo sobre pares de valores en la secuencia de una lista. Por ejemplo, para obtener el producto de los elementos de una lista se puede emplear un bucle for o reduce como se muestra en el siguiente ejemplo:

from functools import reduce

result = 1
data = [1, 3, 5]

# Iterar con for
for i in data:
    result *= i
    
print(result)

print(reduce(lambda a, b: a*b, data))

En ambos casos el resultado obtenido es 15.

A diferencia de las funciones anteriores reduce es necesario importarla de functools.

Conclusiones

Hoy se ha visto una introducción a la programación funcional en Python. Para ello se han visto tres funciones que aplicar funciones sobre conjuntos de datos como map, filter y reduce. La utilización de programación funcional en Python permite generar código más fácil de leer y mantener.

Imágenes: Pixabay (t_watanabe)

No te olvides valorar esta entrada

Sin votos
Por favor espera...

Archivado en: Python

Entrada anterior: « Importar y exportar datos en Matlab 2019a
Siguiente entrada: Migración de GUIDE a App Designer »

Interacciones del lector

Deja un comentario Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones de Analytics Lane.

Contenido relacionado

Barra lateral primaria

Tiendas afiliadas

Realiza tus compras mediante los enlaces y colabora con la web, todo sin coste adicional para ti. También puedes ver nuestra tienda. ¡Gracias!
Aliexpress Amazon Banggood Gearbest

Seguir a Analytics Lane

  • twitter
  • pinterest
  • youtube
  • telegram
  • github
  • rss

Seguir en Feedly

follow us in feedly

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones de Analytics Lane.

Política de Privacidad

Lo mejor valorado

  1. Seleccionar filas y columnas en Pandas con iloc y loc
    Puntuación: 5.0/5. 5 votos.
  2. Unir y combinar dataframes con pandas en Python
    Puntuación: 5.0/5. 5 votos.
  3. Eliminar registros duplicados en pandas
    Puntuación: 5.0/5. 5 votos.
  4. Guardar y leer archivos Excel en Python
    Puntuación: 5.0/5. 4 votos.
  5. Archivos JSON con Python: lectura y escritura
    Puntuación: 4.8/5. 8 votos.

Entradas recientes

  • Numpy básico: como invertir arrays de Numpy diciembre 11, 2019
  • ¿Bajar impuestos para crecer más o crecer más para bajar impuestos? diciembre 9, 2019
  • Copias de seguridad de SQL Server con Microsoft SQL Server Management Studio diciembre 6, 2019
  • Numpy básico: inicializar arrays de Numpy con un valor diciembre 4, 2019
  • Bajar impuestos para crecer más diciembre 2, 2019

Comentarios recientes

  • Daniel Rodríguez en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Axel Caballero en Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas
  • Daniel Rodríguez en Reglas de asociación y market-basket analysis
  • eva en Reglas de asociación y market-basket analysis
  • Daniel Rodríguez en Proteger las funciones escritas en Matlab para su distribución

Etiquetas

Anaconda Analytics Lane App Designer Bases de datos Blockchain CLV Computación cuántica Criptomonedas Deep learning Elecciones Excel Git GUIDE Hash Java Jupyter Libros Machine learning Marketing node numpy pandas Precios RapidMiner scikit-learn seaborn series temporales Small Data Spark SQL Unit testing VirtualBox

Footer

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Noticias
  • Opinión

Programación

  • JavaScript
  • Julia
  • Matlab
  • Python
  • R

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Tienda

Afiliados

  • AliExpress
  • Amazon
  • BangGood
  • GearBest
  • GearVita
  • Geekbuying
  • JoyBuy

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

2018-2019 Analytics Lane · Términos y condiciones · Política de Cookies · Política de Privacidad · Herramientas de privacidad · Contacto