Taller ReciClasificador

Taller ReciClasificador

Taller 2: "ReciClasificador" en Google Colab

Objetivo: Crear una aplicación en Python que permita clasificar residuos en reciclables, orgánicos o no reciclables, y visualizar estadísticas con matplotlib.

Paso 1: Estructura base

residuos = {
    "reciclables": [],
    "organicos": [],
    "no_reciclables": []
}

Paso 2: Clasificador de residuos

def clasificar_residuo(nombre, tipo):
    tipo = tipo.lower()
    if tipo in residuos:
        residuos[tipo].append(nombre)
        print(f"✔️ Residuo '{nombre}' clasificado como {tipo}.")
    else:
        print("❌ Tipo no válido. Usa: reciclables, organicos o no_reciclables.")

# Ejemplo:
clasificar_residuo("Botella de plástico", "reciclables")
clasificar_residuo("Cáscara de plátano", "organicos")

Paso 3: Estadísticas

def resumen_residuos(residuos):
    total = sum(len(lista) for lista in residuos.values())
    print("Resumen de residuos ingresados:")
    for categoria, lista in residuos.items():
        porcentaje = (len(lista) / total * 100) if total > 0 else 0
        print(f"- {categoria.capitalize()}: {len(lista)} ({porcentaje:.1f}%)")

# Ver resumen
resumen_residuos(residuos)

Paso 4: Visualización con Matplotlib

import matplotlib.pyplot as plt

def graficar_residuos(residuos):
    categorias = list(residuos.keys())
    cantidades = [len(residuos[c]) for c in categorias]

    plt.bar(categorias, cantidades)
    plt.title("Cantidad de residuos por categoría")
    plt.xlabel("Tipo de residuo")
    plt.ylabel("Cantidad")
    plt.show()

# Mostrar gráfica
graficar_residuos(residuos)

Paso 5: Guardar y cargar residuos

import json

def guardar_residuos(nombre_archivo, datos):
    with open(nombre_archivo, 'w') as archivo:
        json.dump(datos, archivo)

def cargar_residuos(nombre_archivo):
    global residuos
    with open(nombre_archivo, 'r') as archivo:
        residuos = json.load(archivo)

# Guardar
guardar_residuos("residuos.json", residuos)

# Cargar
# cargar_residuos("residuos.json")

Actividad final del estudiante

  • Ingresar al menos 10 residuos clasificados en diferentes tipos.
  • Generar el resumen y el gráfico de barras.
  • Guardar los datos en un archivo y luego simular su carga.
  • Reflexionar: ¿Cómo podría evolucionar esta idea a una app con interfaz gráfica o en la nube?

Comentarios

Publicar un comentario

Entradas más populares de este blog

Librerías para Contabilidad

Librerías de Python para Contabilidad Librerías de Python para Contabilidad Python proporciona múltiples librerías útiles para la gestión contable, la automatización de cálculos financieros y el análisis de datos contables. 1. Pandas - Análisis de Datos Contables Permite manejar grandes volúmenes de datos contables en formato tabular. import pandas as pd data = {'Fecha': ['2024-01-01', '2024-02-01'], 'Ingresos': [10000, 12000], 'Gastos': [5000, 4500]} df = pd.DataFrame(data) print(df) 2. NumPy - Cálculos Numéricos Se usa para cálculos contables como depreciaciones y tasas de crecimiento. import numpy as np valores = np.array([10000, 12000, 14000]) tasa_crecimiento = np.diff(valores) / valores[:-1] print(tasa_crecimiento) 3. Matplotlib - Visualización de Datos Contables Ayuda a visualizar da...
Leer más

Variables Prohibidas

Variables Prohibidas en Python Variables Prohibidas en Python En Python, hay ciertas palabras clave y convenciones que no deben usarse como nombres de variables. 1. Palabras Reservadas Python tiene palabras clave que no pueden ser usadas como nombres de variables, ya que están reservadas para la sintaxis del lenguaje. Palabras Reservadas False, None, True, and, as, assert, async, await, break, class, continue def, del, elif, else, except, finally, for, from, global, if, import in, is, lambda, nonlocal, not, or, pass, raise, return, try, while, with, yield 2. Nombres de Variables No Recomendados No usar nombres de variables que coincidan con funciones incorporadas de Python, como print , list , dict , etc. No usar caracteres especiales o espacios en los nombres de variables....
Leer más

Dataframes

¿Qué es un DataFrame y su relación con Excel? ¿Qué es un DataFrame y en qué se parece a una hoja de cálculo de Excel? Un DataFrame es una estructura de datos utilizada en Python a través de la librería Pandas . Su estructura es similar a la de una hoja de cálculo de Excel, ya que está organizada en filas y columnas. 1. Estructura de un DataFrame Un DataFrame tiene filas indexadas y columnas con nombres específicos, similar a una tabla de Excel. import pandas as pd data = {'Cliente': ['Empresa A', 'Empresa B'], 'Monto': [5000, 7000], 'Fecha': ['2024-02-01', '2024-02-05']} df = pd.DataFrame(data) print(df) 2. Comparación con una Hoja de Cálculo de Excel Característica DataFrame (Python) Excel Formato Basado en código (Python, Pandas) ...
Leer más