Tercera pràctica

Tercera Classe Pràctica de Python

Aquesta pràctica està dissenyada per a estudiants que ja tenen una base sòlida en Python. Aprendràs a treballar amb funcions avançades, a manipular estructures de dades, i a utilitzar llibreries per visualitzar dades.

1. Funcions avançades

Explorem les funcions amb arguments per defecte, funcions lambda i la reutilització de funcions.

# Funció amb un valor per defecte.
def saluda(nom="usuari"):
    print("Hola,", nom)

saluda()  # Utilitza el valor per defecte.
saluda("Anna")  # Sobreescriu el valor per defecte.

# Funció lambda (funció anònima).
suma = lambda a, b: a + b
print("La suma de 5 i 3 és:", suma(5, 3))

# Exemple de funció reutilitzable.
def filtra_parells(llista):
    return [x for x in llista if x % 2 == 0]

nums = [1, 2, 3, 4, 5, 6]
print("Números parells:", filtra_parells(nums))

2. Manipulació avançada d’estructures de dades

Aprenem a utilitzar mètodes avançats per a llistes i diccionaris.

# Llistes: map, filter i list comprehensions.
nums = [1, 2, 3, 4, 5]

# Elevar al quadrat cada element.
quadrats = list(map(lambda x: x**2, nums))
print("Quadrats:", quadrats)

# Filtrar elements (major que 3).
majors_que_tres = list(filter(lambda x: x > 3, nums))
print("Majors que tres:", majors_que_tres)

# Diccionaris: actualització i iteració avançada.
alumnes = {"Anna": 9, "Joan": 7, "Maria": 10}

# Afegir o actualitzar valors.
alumnes["Pere"] = 8
print("Alumnes:", alumnes)

# Iterar sobre clau-valor.
for nom, nota in alumnes.items():
    print(f"{nom} té una nota de {nota}.")

3. Ús de llibreries externes

Introduïm llibreries com numpy per al càlcul científic i matplotlib per a la visualització de dades.

# Si utilitzes Google Colab, assegura't de tenir instal·lades les llibreries.
# Instal·la'ls si cal: !pip install numpy matplotlib

import numpy as np
import matplotlib.pyplot as plt

# Crear un array amb numpy.
array = np.array([1, 2, 3, 4, 5])
print("Array numpy:", array)

# Generar dades per a un gràfic.
x = np.linspace(0, 10, 100)  # 100 punts entre 0 i 10.
y = np.sin(x)

# Crear el gràfic.
plt.plot(x, y)
plt.title("Gràfic de la funció sinus")
plt.xlabel("x")
plt.ylabel("sin(x)")
plt.show()

4. Lectura i escriptura de fitxers CSV

Aprenem a utilitzar pandas per treballar amb dades estructurades.

# Si utilitzes Google Colab, assegura't de tenir instal·lada la llibreria pandas.
# Instal·la-la si cal: !pip install pandas

import pandas as pd

# Crear un dataframe des de zero.
dades = {
    "Nom": ["Anna", "Joan", "Maria"],
    "Edat": [25, 30, 22],
    "Nota": [9.5, 8.0, 10.0]
}
df = pd.DataFrame(dades)
print("DataFrame inicial:")
print(df)

# Desa el dataframe a un fitxer CSV.
df.to_csv("alumnes.csv", index=False)

# Llegeix el fitxer CSV.
df_llegit = pd.read_csv("alumnes.csv")
print("DataFrame llegit del fitxer:")
print(df_llegit)

5. Creació de gràfics avançats

Utilitzem matplotlib i seaborn per crear gràfics més avançats.

# Instal·la seaborn si no el tens: !pip install seaborn
import seaborn as sns

# Crear un gràfic de barres.
sns.barplot(x="Nom", y="Nota", data=df)
plt.title("Nota dels alumnes")
plt.show()

Final de la pràctica

Has completat la teva tercera pràctica de Python! Ara coneixes funcions avançades, manipulació d’estructures de dades, i com utilitzar llibreries populars.

Aprenent Python