Podcast sobre Problemas de Programación con Python

Kapitoly

La Misión de los Rascacielos

Las Reglas del Juego

El Mapa Secreto

Construyendo la Función

El Índice de Sostenibilidad

La Misión: impacto_x_ciudad

Archivos y Formato

La Estructura de los Datos

Subcomisarías y Tenencias

Resumen y Despedida

Přepis

Carmen: ¡Es que es fascinante! ¡Literalmente puedes construir un ranking mundial de países con más rascacielos gigantes usando solo un archivo de texto!

Alejandro: ¡Exacto! Y no es tan complicado como suena. Es el poder del procesamiento de datos en acción.

Carmen: Okay, okay, para todos los que recién se unen, están escuchando Studyfi Podcast. Hoy vamos a desglosar un problema de programación que parece sacado de una película.

Alejandro: Así es. Imaginen que tienen un archivo llamado edificios.csv. Cada línea es un rascacielos del mundo, con datos como su nombre, altura, pisos, año, y ciudad. Todo separado por punto y coma.

Carmen: Suena a muchísima información. ¿Qué es lo más importante que debemos mirar en ese archivo?

Alejandro: Excelente pregunta. Para este desafío, nos importan tres cosas. Primero, la altura en metros. Segundo, el estado del edificio, que nos dice si está, por ejemplo, 'En uso', 'En construcción' o solo es un 'Proyecto'.

Carmen: Entiendo. Y tercero, la ciudad donde está ubicado. Pero espera... el archivo tiene una primera línea de encabezado, ¿verdad? Con los nombres de las columnas.

Alejandro: Correcto. Y esa es una regla de oro en procesamiento de datos: siempre hay que recordar ignorar la línea de encabezado. No queremos contar "Altura" como si fuera la altura de un edificio.

Carmen: ¡Claro! Sería un edificio muy, muy abstracto.

Alejandro: Ahora, aquí viene la parte interesante. El archivo nos da la ciudad, como 'Santiago', pero el objetivo final es hacer un ranking por *país*.

Carmen: ¡Ah! ¡Ahí está el truco! ¿Cómo conectamos 'Santiago' con 'Chile' o 'Madrid' con 'España'?

Alejandro: Con nuestra segunda pieza del rompecabezas: un diccionario de Python. Pensemos en él como un traductor o un mapa. Le das una ciudad, y te devuelve el país.

Carmen: O sea, si encuentro un edificio en 'New York City', el diccionario me dirá que eso es 'United States'. ¡Qué útil!

Alejandro: Exactamente. Este diccionario, que llamaremos d_ciudad_pais, es la clave para agrupar los edificios correctamente.

Carmen: Bien, tenemos los dos archivos de datos. ¿Cuál es la misión final? ¿Qué tenemos que construir?

Alejandro: La misión es crear una función en Python llamada primeros_n. Esta función recibirá el nombre del archivo, el diccionario de ciudades, una altura mínima, y un número n.

Carmen: ¿Y qué debe hacer con todo eso?

Alejandro: Debe filtrar y contar. Primero, busca solo los edificios que estén 'En uso' y que superen la altura_mínima que le dimos. Luego, usa el diccionario para averiguar el país de cada uno de esos edificios.

Carmen: Y con eso, cuenta cuántos edificios gigantes y en uso tiene cada país. ¡Ya lo veo!

Alejandro: ¡Eso es! Finalmente, la función debe devolver una lista con los n países que tengan más edificios, ordenada de mayor a menor. Por ejemplo, los 5 países con más rascacielos de más de 200 metros.

Carmen: ¡Genial! Es como crear nuestro propio top 5 mundial de arquitectura. Un desafío perfecto para poner a prueba nuestras habilidades de programación. Ahora, ¿listos para ver cómo se vería el código para resolver esto?

Carmen: ...y esa es la clave para manejar grandes volúmenes de datos. Pero, ¿cómo aplicamos esto a un problema del mundo real? Como el impacto ambiental.

Alejandro: ¡Exacto! Aquí es donde se pone interesante. Hablemos del "Índice de Impacto Ambiental Simplificado", o IIAS. Es una métrica para ver qué tan sostenible es un edificio.

Carmen: Suena a que tiene una fórmula detrás.

Alejandro: ¡La tiene! Es IIAS = H * F(U) / (A - 1900). H es la altura, A es el año de construcción y F(U) es un factor que depende del uso, por ejemplo, si es una oficina o residencial.

Carmen: ¿Y de dónde sacamos ese factor F(U)?

Alejandro: Buena pregunta. Para eso usamos una función que ya existe, factores_uso(). Le pasas el tipo de uso y te da el número. ¡Fácil!

Carmen: De acuerdo, tenemos la fórmula. ¿Cuál es el reto de programación?

Alejandro: El reto es crear una función impacto_x_ciudad. Recibe un archivo con datos de edificios, un diccionario de ciudades y países, y el país que queremos filtrar.

Carmen: Entiendo. ¿Y qué debe hacer la función con todo eso?

Alejandro: Debe crear un archivo de texto por cada ciudad del país que elegimos. Y aquí viene lo importante... solo considera edificios que estén 'En uso'.

Carmen: ¿Así que si elijo Canadá, creará un archivo para Toronto, otro para Vancouver, y así?

Alejandro: ¡Justo eso! Y cada archivo, como Toronto.txt, tendrá una lista con los 5 edificios más sostenibles de esa ciudad, o sea, los de menor IIAS.

Carmen: ¡Qué útil! ¿Y el formato es específico?

Alejandro: Sí, muy específico. Una lista numerada, ordenada, con el IIAS redondeado a dos decimales y otros datos como los pisos y la altura. Al final, la función devuelve cuántos archivos creó.

Carmen: Perfecto. Suena como un plan claro y bien estructurado. Ahora, vamos a ver cómo escribiríamos el código para lograrlo paso a paso.

Carmen: Entonces, esa es la teoría general. Pero ahora tenemos un caso práctico... ¡y son casi novecientos cuarteles de Carabineros! ¿Cómo manejamos tanta información?

Alejandro: ¡Exacto! Y para eso, tenemos un archivo de datos. Imagina una hoja de cálculo gigante, pero en un formato de texto simple llamado CSV.

Carmen: ¿CSV? ¿Como... Comma-Separated Values?

Alejandro: ¡Ese mismo! Cada línea en el archivo es un cuartel, y sus datos están separados por comas. Es súper directo.

Carmen: Ok, ¿y qué datos tenemos exactamente por cada cuartel?

Alejandro: Tenemos el nombre, el tipo—como "RETEN" o "SUBCOMISARIA"—y su ubicación con latitud y longitud.

Carmen: ¡Como un mapa del tesoro para encontrar comisarías!

Alejandro: ¡Básicamente! También incluye la región, tanto en texto como con su número de ID, y finalmente, la comuna.

Carmen: Entendido. O sea, cada línea es una ficha completa. Esto nos da un montón de posibilidades para analizar.

Alejandro: Y eso es justo lo que vamos a hacer a continuación. Empezaremos con unas funciones básicas para leer y procesar toda esta data.

Carmen: Y para nuestro último tema, cambiamos completamente de rumbo. Vamos a hablar de... servicios policiales. Suena muy oficial, ¿no?

Alejandro: Un poco, sí. Pero es un tema importante que a veces aparece en los exámenes. Específicamente, veremos algunos cuarteles en la región de Valparaíso.

Carmen: ¡Genial! ¿Por dónde empezamos?

Alejandro: Empecemos con las Subcomisarías. Tenemos Gómez Carreño, Valparaíso, Llay Llay y Llo Lleo.

Carmen: ¡Espera, espera! Ya me perdí con tantos nombres. ¿Hay más?

Alejandro: ¡Claro! También están Los Libertadores, que es fronteriza, Quintero y Rocas de Santo Domingo.

Carmen: Entendido. ¿Y las tenencias de carreteras son diferentes?

Alejandro: Exacto. Para las carreteras tenemos la Subcomisaría I.A.T. de San Felipe, y las Tenencias de Hijuelas, Petorca y Valparaíso.

Carmen: Perfecto, una lista muy completa. Y un dato importante: todo este material fue propuesto por el profesor Federico Meza. ¡Un saludo para él!

Alejandro: Así es. Bueno, creo que con eso cubrimos todo por hoy. Desde el primer tema hasta los servicios policiales... ha sido un capítulo intenso.

Carmen: Totalmente. Esperamos que les haya servido para repasar. Gracias por acompañarnos en otro episodio de Studyfi Podcast. ¡Hasta la próxima!

Alejandro: ¡Nos vemos!