¡ Por favor lee TODO este material con atención !
El Checkpoint es un desafío técnico donde evaluamos conceptos vistos en el módulo. En esta instancia, buscamos asegurarnos que todos nuestros aplicantes tengan una base de conocimientos mínimos necesarios para luego seguir aprendiendo temas nuevos.
Debe resolverse de manera individual. Si te copias o recibes ayuda de compañeros, además de estar incumpliendo con las normas de Henry (lo que te dejaría afuera de la carrera), estarás perjudicándote a ti mismo, porque el primer día de clase estarías extremadamente perdido.
Primero debes forkear este repo, haciendo click en el botón fork de arriba a la derecha.
Una vez que tengas una copia de este repo en tu cuenta de github, cloná el repo dentro de una nueva carpeta (asegurate de no utilizar la misma que el prep curse). Una vez clonado entrá a esa carpeta y ejecutá los siguientes comandos:
python tests.py
Si ves los tests fallando, estás listo para comenzar, si no lee bien el output para identificar el error.
Tu tarea es completar el código en checkpoint.py de tal forma que pasen la mayoría de los tests.
Correr por ultima vez los tests y verificar cuantos pasan. Ten en cuenta que si te aparece "1 failed;1 total" es porque tienes un error de sintaxis: seguramente falta o sobra un corchete, paréntesis, dos puntos, etc. Saca un print de pantalla de tus tests. Luego, debes subir un commit a tu repo. Para hacerlo, debes ejecutar el siguiente comando:
git add .
git commit -m 'checkpoint commit'
git push origin main
Una vez finalizado, chequea:
- Que veas los cambios reflejados en el repo de tu cuenta de github (entrando a tu repo desde el browser.)
- Que no haya un require - solo debe haber codigo dentro de las funciones de cada ejercicio
Revisar la hora del entrega del examen en los emails que te llegaron.
-
Busca la solución en la "guía de errores comunes".
-
Si no la encuentras, revisa los canales en Slack. Probablemente a algún compañero le paso algo similar y ya lo consulto.
-
Si no encuentras la respuesta, puedes publicar un mensaje en dicho canal.
No se puede hacer consultas sobre la resolucion de los ejercicios.
Para identificar el error, vas a tener que leerlo en la consola.
-
1 failed, 1 total:
- Tenes un error de sintaxis. Revisa el último ejercicio que hayas hecho, seguramente falta o sobra un corchete, paréntesis, dos puntos, etc.
-
Author identity unknown.
-
Intenta ejecutar los siguientes comandos para configurar tu cuenta:
- git config --global user.name "Tu usuario de GitHub aca"
- git config --global user.email "Tu email aca"
-
Ingresa a Github y sigue las instrucciones para configurar tu token.
-
-
La consola se tilda en
Runs:- Revisa tu código, tenes un bucle infinito. Tenes que checkear la condición de corte de tus bucles.
# Importante: No modificar ni el nombre ni los argumetos que reciben las funciones, sólo deben escribir
import pandas as pd
import numpy as np
def Ret_Pregunta01():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe informar la cantidad de registros cuya entidad sean Colombia o México retornando ese valor en un dato
tupla (Colombia, México).
Pista averiguar la funcion Shape
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
colombia= df[df['Entity'].isin(['Colombia'])].shape
mexico= df[df['Entity'].isin(['Mexico'])].shape
return (colombia[0],mexico[0])
def Ret_Pregunta02():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe eliminar las columnas 'Code' y 'Entity' y luego informar la cantidad de columnas
retornando ese valor en un dato de tipo entero.
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
df.drop(["Code"], axis="columns", inplace= True)
df.drop(["Entity"], axis="columns", inplace= True)
cantidad_columnas = df.shape
return cantidad_columnas[1]
def Ret_Pregunta03():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe informar la cantidad de registros de la columna Year sin tener en cuenta aquellos con valores faltantes
retornando ese valor en un dato de tipo entero.
'''
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
return df['Year'].dropna().shape[0]
def Ret_Pregunta04():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
El ExaJulio es una unidad diferentes al TWh, es decir, no tiene sentido sumarlos o
buscar proporciones entre ellos, la fórmula de conversión es:
277.778 Teravatios/Hora (TWh) = 1 Exajulio
Los campos terminados en "_EJ" corresponden a mediciones en Exajulios,
y los terminados en "_TWh" corresponden a Teravatios/Hora.
La consigna es crear un nuevo campo, que se denomine "Consumo_Total"
y que guarde la sumatoria de todos los consumos expresados en Teravatios/Hora
(convirtiendo a esta medida los que están en Exajulios)
Esta función debe informar el consumo total para la entidad 'World' y año '2019',
redondeado a 2 decimales, retornando ese valor en un dato de tipo float.
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
df['Consumo_Total'] = (df.Coal_Consumption_EJ*277.778 +
df.Gas_Consumption_EJ*277.778 +
df.Geo_Biomass_Other_TWh +
df.Hydro_Generation_TWh +
df.Nuclear_Generation_TWh +
df.Solar_Generation_TWh +
df.Wind_Generation_TWh +
df.Oil_Consumption_EJ*277.778)
return round(float(df[(df.Entity == 'World') & (df.Year == 2019)]['Consumo_Total'].values),2)
def Ret_Pregunta05():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe informar el año de mayor generación de energía hídrica (Hydro_Generation_TWh)
para la entidad 'Europe' retornando ese valor en un dato de tipo entero.
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
mask = df["Entity"] == "Europe"
df = df[mask]
indice = df.Hydro_Generation_TWh.idxmax()
return df.Year[indice]
def Ret_Pregunta06(m1, m2, m3):
'''
Esta función recibe tres array de Numpy de 2 dimensiones cada uno, y devuelve el valor booleano
True si es posible realizar una multiplicación entre las tres matrices (n1 x n2 x n3),
y el valor booleano False si no lo es
Ej:
n1 = np.array([[0,0,0],[1,1,1],[2,2,2]])
n2 = np.array([[3,3],[4,4],[5,5]])
n3 = np.array([1,1],[2,2])
print(Ret_Pregunta06(n1,n2,n3))
True -> Valor devuelto por la función en este ejemplo
print(Ret_Pregunta06(n2,n1,n3))
False -> Valor devuelto por la función en este ejemplo
'''
#Tu código aca:
if (m1.shape[1] == m2.shape[0]):
if (np.dot(m1,m2).shape[1]== m3.shape[0]):
return True
return False
def Ret_Pregunta07():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe informar cuál de la siguiente lista de países tuvo mayor generacíon de
energía hìdrica (Hydro_Generation_TWh) en el año 2019:
* Argentina
* Brazil
* Chile
* Colombia
* Ecuador
* Mexico
* Peru
Debe retornar el valor en un dato de tipo string.
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
pais = ["Argentina","Brazil","Chile","Colombia","Ecuador","Mexico","Peru"]
mask = (df["Entity"].isin(pais)) & (df["Year"] == 2019)
df = df[mask]
indice = df.Hydro_Generation_TWh.idxmax()
return df["Entity"][indice]
def Ret_Pregunta08():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"Fuentes_Consumo_Energia.csv".
Esta función debe informar la cantidad de entidades diferentes que están presentes en el dataset
retornando ese valor en un dato de tipo entero.
'''
#Tu código aca:
df = pd.read_csv("datasets\Fuentes_Consumo_Energia.csv")
return df["Entity"].nunique()
def Ret_Pregunta09():
'''
Debes utilizar Pandas para ingestar en un objeto Dataframe el contenido del archivo provisto
"datasets/Tabla1_ejercicio.csv" y "datasets/Tabla2_ejercicio.csv".
Esta función debe informar: score_promedio_femenino y score_promedio_masculino en formato tupla
'''
#Tu código aca:
df_ejercicio1 = pd.read_csv('./datasets/Tabla1_ejercicio.csv', sep=';')
df_ejercicio2 = pd.read_csv('./datasets/Tabla2_ejercicio.csv', sep=';')
df_final = pd.merge(df_ejercicio1,df_ejercicio2,on="pers_id").drop_duplicates()
score_promedio_femenino = round(df_final[df_final.sexo=="F"].score.mean(),2)
score_promedio_masculino = round(df_final[df_final.sexo=="M"].score.mean(),2)
tupla_final = (score_promedio_femenino, score_promedio_masculino)
return tupla_final
def Ret_Pregunta10(lista):
'''
Esta función recibe como parámetro un objeto de la clase Lista() definida en el archivo Lista.py.
Debe recorrer la lista y retornan la cantidad de nodos que posee. Utilizar el método de la clase
Lista llamado getCabecera()
Ejemplo:
lis = Lista()
lista.agregarElemento(1)
lista.agregarElemento(2)
lista.agregarElemento(3)
print(Ret_Pregunta10(lista))
3 -> Debe ser el valor devuelto por la función Ret_Pregunta10() en este ejemplo
'''
#Tu código aca:
nodos=0
elemento = lista.getCabecera()
if elemento != None:
nodos = 1
else:
return 0
while elemento.getSiguiente() != None:
elemento = elemento.getSiguiente()
nodos += 1
return nodos<code>
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent