Curso de Programación en Python

Curso de formación interna, CIEMAT.
Madrid, abril de 2023

Antonio Delgado Peris

https://github.com/andelpe/curso-intro-python/

Sobre este curso

Este es un curso preparado para impartirse como formación Interna del Centro de Investigaciones Energéticas Medioambientales y Tecnológicas (CIEMAT). Sin embargo, sus contenidos son totalmente genéricos, así que puede ser usado por cualquier interesado en el lenguaje Python.

• Nota: el curso asume que se utiliza Python 3.

Este curso está basado en Notebooks Jupyter (Jupyterlab), así que puede seguirse a través de un navegador, en una instalación local (previa descarga), o en una plataforma en la nube. Se dan más detalles abajo.

Para lanzar este curso en la plataforma en la nube Binder:

Objetivos generales del curso

Proporcionar los fundamentos de la programación en Python, lenguaje de alto nivel, moderno, potente, y versátil, muy usado tanto en entornos académicos como científicos, por su sintaxis clara, su capacidad de integración con otros lenguajes, y el gran número de librerías de las que dispone.

El curso cubrirá los elementos básicos para la creación de un programa en Python, incluyendo las estructuras y operadores fundamentales, los tipos de datos, las funciones, la orientación a objetos, y los módulos.

Contenidos

Los temas en los que está estructurado el curso son los siguientes:

1. Introducción y Generalidades
2. Sentencias, objetos, tipos y variables
3. Iterables y bucles (I): Secuencias
4. Iterables y bucles (II): Diccionarios
5. Entrada y Salida
6. Funciones y módulos
7. Clases y objetos
8. Otros recursos (avanzados)
9. El ecosistema Python: librería estándar y otros paquetes populares

Ejercicios

Aunque el curso incluye numeroso código ejecutable (y editable), a modo de ejemplos, también se proponen ejercicios, para los cuales no se incluyen aquí las soluciones.

El motivo para esto, es que considero que enfrentarse a un desarrollo (aunque sea corto) desde cero es la mejor manera de aprender.

Lógicamente, los participantes en el curso del CIEMAT tendrán acceso a mis soluciones... después de haber probado las suyas propias.

Como seguir este curso

Este curso está basado en notebooks Jupyter, que integran comentarios con código ejecutable. Este formato cobra sentido cuando se ejecutan los notebooks en una plataforma Jupyter (accedida, siempre, usando un navegador web).

La plataforma Jupyter usada puede ser una instalación local, o bien un servicio de la nube.

Aunque en el notebook del Tema 1 comentamos algunos detalles, existe información extensa sobre el uso de Jupyterlab aquí: https://jupyterlab.readthedocs.io/

Instalación en el equipo local

Si es posible, una instalación de Jupyterlab local es seguramente más cómoda: no se depende de la red, y los cambios permanecen en el equipo propio.

• Requisitos previos: además de Python 3, para unos pocos ejemplos/ejercicios se requiere instalar matplotlib y pytest.

• En primer lugar, debemos descargar el repositorio completo del curso de GitHub, y descomprimirlo en el directorio que nos interese.

• También necesitamos instalar Jupyterlab. Existen varias opciones, que se pueden consultar aquí: https://jupyterlab.readthedocs.io/en/stable/getting_started/installation.html

• Una vez instalado, Jupyter puede lanzarse con, por ejemplo: jupyter lab.

  • NOTA: es muy recomendable lanzar jupyter desde el directorio raíz del curso, para que ese sea el directorio de trabajo inicial, y todas las rutas sean correctas.

• El comando anterior debería abrir un interfaz Jupyterlab en nuestro navegador (podemos elegir cuál con la opción --browser). Si no se ha abierto, podremos acceder al interfaz Jupyterlab usando la dirección correcta en el navegador. Por defecto, es: http://localhost:8888/lab

Existen muchos más detalles en: https://jupyterlab.readthedocs.io/

Usar un servicio en la nube.

Sugerimos usar alguno de los 3 servicios siguientes:

• Binder:

  • Ventajas: no requiere creación de cuenta, ofrece un interfaz JupyterLab estándar, el directorio de trabajo por defecto es el correcto.
  • Desventajas: para conservar el trabajo propio, se requiere descargar los ficheros manualmente en cada sesión.

• Microsoft Azure notebooks:

  • Ventajas: Ofrece un interfaz JupyterLab estándar, el directorio de trabajo por defecto es el correcto, los cambios realizados se conservan en el proyecto personal.
  • Desventajas: requiere una cuenta Microsoft, y activar el servicio (gratuito) de Azure Notebooks.

• Google Colab:

  • Ventajas: al enlazarlo con Google Drive, los cambios realizados se conservan en el espacio del usuario.
  • Desventajas: el interfaz no es el estándar, requiere una cuenta Google, activar el servicio (gratuito) Colab. Además, requiere realizar ciertas tareas manuales para montar Drive, y para cambiar el directorio de trabajo (en cada sesión).

Los detalles sobre cada uno son:

• Binder

  • Pinchar en el icono Binder al principio de este documento, para lanzar el repositorio en Binder (no requiere crear una cuenta de usuario).

  • El interfaz que ofrece Binder es idéntico al de una instalación Jupyterlab local, y todos los archivos del repositorio, así como Matplotlib y pytest, estarán disponibles.

  • Los ficheros modificados se guardan automáticamente cada cierto tiempo en el espacio Binder, pero si queréis conservar vuestro trabajo después de cerrada la sesión, debéis descargarlos a vuestro ordenador:

    • Guardar como notebook (.ipynb file): File > Download
    • O bien como script (.py): File > Export Notebook as > Executable Script
    • NOTA: Podéis seleccionar varios notebooks y descargarlos todos a la vez.

  • NOTA: Una sesión inactiva durante varios minutos será automáticamente cerrada.

• Microsoft Azure Notebooks

  • Requiere utilizar un a cuenta de Microsoft (outlook, hotmail, etc.), y darse de alta en el servicio gratuito de Azure Notebooks: https://notebooks.azure.com

  • Una vez activado, en la página de la cuenta personal (https://notebooks.azure.com/) se puede crear un nuevo proyecto con el curso. Para ello, hay que ir a la sección My projects (ubicada en la parte superior de la ventana), pinchar sobre Upload GitHub Repo y rellenar el campo Github repository con el enlace al curso en GitHub.

  • En el proyecto creado, elegir cualquier Notebook, pinchar con el botón derecho del ratón, y elegir: Run in JupyterLab.

• Google Colab:

  • Requiere utilizar una cuenta de Google. Presenta un interfaz propio, inspirado en de Jupyterlab, pero diferente a él.

  • El método seguramente más fácil es descargar el repositorio completo de GitHub y subirlo al Google Drive del usuario. A partir de ahí, todas los cambios quedarán almacenadas en nuestro Drive.

  • Si nunca se ha Colab con Drive, hay que conectarlos.

    • Para ello hay que ir a la carpeta donde hemos guardado el repositorio, y hacer click con el botón derecho del ratón en el fondo (no en un archivo), y elegir More, en el menú que aparece, y luego Colaboratory.

  • Una vez conectados, hacer click en un notebook, lo abrirá.

  • Adicionalmente, para muchos ejemplos y ejercicios se requieren archivos auxiliares, contenidos en el repositorio.

    • Para que funcionen, una vez abierto el notebook, se debe montar Drive.
    • Primero, hay que pinchar un icono de una carpeta, a la izquierda del todo.
    • Después pinchar en Mount Drive, en el menú que aparece.
    • Entonces, seguir las instrucciones y aceptar la petición de autorización.
    • Finalmente, hay que cambiar el directorio de trabajo al del repositorio en Drive.
      • Para ello, refrescar el árbol de carpetas (izquierda), buscar el directorio del repositorio (bajo drive), pinchar con el botón derecho y elegir Copy path.
      • Ir a una celda y ejecutar: %cd "<path-copiado>" Nota: Las comillas son importantes!