🕒 Tiempo estimado de lectura: 10 minutos

# Importar la función urlretrieve del módulo urllib.request
# Esta función ayuda a descargar un archivo desde una URL dada
from urllib.request import urlretrieve

# Definir la URL del archivo a ser descargado
url = 'https://infinitepy.s3.amazonaws.com/samples/lorem_ipsum.txt'

# Definir el nombre del archivo local donde se guardará el archivo descargado
nombre_archivo = 'lorem_ipsum.txt'

# Utilizar la función urlretrieve para descargar el archivo de la URL dada
# y guardarlo localmente con el nombre de archivo especificado
urlretrieve(url, nombre_archivo)

# Abrir el archivo descargado para lectura ('r' representa el modo de lectura)
# La instrucción 'with' asegura que el archivo se cierre correctamente después de que su bloque de código termine
with open(nombre_archivo, 'r') as archivo:
    # Leer todo el contenido del archivo
    contenido = archivo.read()
    
    # Imprimir el contenido del archivo en la consola
    print(contenido)

# Escritura básica de archivos

# La instrucción 'with' se usa para asegurar la adquisición y liberación adecuada de recursos.
# Es un administrador de contexto que simplifica el trabajo con archivos manejando el cierre de archivos automáticamente.
with open('salida.txt', 'w') as archivo:
    # La función 'open' se usa para abrir un archivo.
    # El primer argumento es el nombre del archivo. Si el archivo no existe, se creará.
    # El segundo argumento 'w' representa el 'modo de escritura', que nos permite escribir en el archivo.
    
    # El método 'archivo.write' se usa para escribir la cadena proporcionada en el archivo.
    # Aquí, escribe la cadena 'Olá, mundo!' en 'salida.txt'.
    archivo.write('Olá, mundo!')

# En este punto, el gestor de contexto del 'with' cerrará automáticamente el archivo,
# incluso si ocurre un error, asegurando que los recursos se liberen correctamente.

def escribir_tareas_en_archivo(nombre_archivo, tarefas):
    """
    Escribir una lista de tareas en un archivo especificado.
    
    Args:
        nombre_archivo (str): El nombre del archivo donde se escribirán las tareas.
        tareas (list): Una lista de tareas a escribir en el archivo.
    """
    
    # Abrir un archivo con el nombre dado en modo de escritura ('w').
    # La instrucción 'with' asegura la adquisición y liberación adecuada de recursos.
    # El archivo se cerrará automáticamente después del bloque de código indentado.
    with open(nombre_archivo, 'w') as archivo:
        
        # Iterar sobre cada tarea en la lista de tareas proporcionada.
        for tarefa in tareas:
            
            # Escribir cada tarea en el archivo seguida de un carácter de nueva línea.
            archivo.write(tarefa + '\n')
    
    # Imprimir un mensaje en la consola indicando que las tareas se han escrito exitosamente en el archivo.
    print(f"Las tareas han sido escritas en {nombre_archivo}")

def leer_tareas_de_archivo(nombre_archivo):
    """
    Leer tareas de un archivo especificado.
    
    Args:
        nombre_archivo (str): El nombre del archivo de donde se leerán las tareas.
    
    Returns:
        list: Una lista de tareas leídas del archivo.
    """
    tarefas = []  # Inicializar una lista vacía para contener las tareas
    try:
        # Intentar abrir el archivo en modo de sólo lectura ('r')
        with open(nombre_archivo, 'r') as archivo:
            # Leer todas las líneas del archivo en la lista 'tarefas'
            tarefas = archivo.readlines()
        # Eliminar el carácter de nueva línea '\n' del final de cada tarea
        tarefas = [tarefa.strip() for tarefa in tarefas]
    except FileNotFoundError:
        # Si no se encuentra el archivo, imprimir un mensaje de error
        print(f"El archivo {nombre_archivo} no existe.")
    # Devolver la lista de tareas (o una lista vacía si no se encontró el archivo)
    return tarefas

nombre_archivo = 'tarefas.txt'
# Definir una lista de tareas para escribir en el archivo
tareas_para_escribir = ['Comprar alimentos', 'Completar el tutorial de Python', 'Pasear al perro']

# Llamar a la función para escribir tareas en el archivo
escribir_tareas_en_archivo(nombre_archivo, tareas_para_escribir)

# Llamar a la función para leer tareas del archivo
tareas_leidas = leer_tareas_de_archivo(nombre_archivo)
print("Tareas leídas del archivo:")
# Imprimir cada tarea leída del archivo
for tarefa in tareas_leidas:
    print("- " + tarefa)

# Importar la biblioteca pandas que se usa muy comúnmente para la manipulación y análisis de datos en Python
import pandas as pd

# Leer un archivo CSV desde la URL proporcionada en un DataFrame
# Un DataFrame es una estructura de datos etiquetada de 2 dimensiones con columnas de tipos potencialmente diferentes,
# similar a una tabla en una base de datos o una hoja de cálculo de Excel.
df = pd.read_csv('https://infinitepy.s3.amazonaws.com/samples/employees.csv')

# Mostrar las primeras filas del DataFrame para verificar que los datos se cargaron correctamente
print(df.head())  # Línea opcional para inspección rápida de datos

# El método 'head' de un DataFrame de pandas devuelve las primeras n filas.
# Por defecto, devuelve las primeras 5 filas si no se le da ningún argumento.

# Entonces, la siguiente línea de código imprime las primeras 5 filas del DataFrame 'df'.
print(df.head())

# Imprimir la columna 'Name' del DataFrame 'df'
# La columna 'Name' se accede usando df['Name']
print(df['Name'])

# La siguiente línea filtra el DataFrame 'df' para incluir solo filas donde la columna 'Salary' sea mayor que 5000.
# El resultado se asigna a 'filtered_df', que es un nuevo DataFrame que contiene las filas filtradas.
filtered_df = df[df['Salary'] > 5000]

# La siguiente línea imprime las primeras 5 filas de 'filtered_df' en la consola.
# Esto es útil para inspeccionar rápidamente los datos filtrados y asegurarse de que cumplan con nuestras expectativas.
print(filtered_df.head())

# Ordenar el DataFrame 'df' por los valores en la columna 'Salary' en orden descendente (de mayor a menor)
sorted_df = df.sort_values(by='Salary', ascending=False)

# Imprimir las primeras 5 filas del DataFrame ordenado
# Usamos el método head() para mostrar las 5 primeras entradas de sorted_df
print(sorted_df.head())

# Leer datos de un archivo CSV disponible en la URL dada y almacenarlos en un DataFrame llamado sales_df
# La función read_csv obtiene los datos y los estructura en un formato adecuado para el análisis
sales_df = pd.read_csv('https://infinitepy.s3.amazonaws.com/samples/sales_data.csv')

# 'head()' es un método incorporado en el DataFrame de pandas que devuelve las primeras n filas.
# Por defecto, devuelve las primeras 5 filas. Puedes especificar un número diferente como argumento como 'head(10)' para las primeras 10 filas.
sales_df.head()
# El método .info() se llama en 'sales_df', utilizado para obtener un resumen conciso del DataFrame

# La salida incluirá:
# - El tipo de clase del DataFrame
# - El número de entradas no nulas en cada columna
# - Los nombres de las columnas y sus tipos de datos (dtype)
# - Uso de memoria del DataFrame

# Este método es muy útil para obtener una visión rápida de tus datos,
# lo que puede ayudar a entender su estructura y a identificar cualquier problema potencial de los datos.
sales_df.info()

# Eliminar filas duplicadas del DataFrame 'sales_df' en su lugar.
# Esto significa que cualquier fila duplicada se eliminará directamente del objeto 'sales_df',
# y no se creará ninguna copia del DataFrame.
sales_df.drop_duplicates(inplace=True)

# Llenar cualquier valor faltante (NaN) en el DataFrame 'sales_df' con 0.
# El parámetro 'inplace=True' significa que el DataFrame se modificará directamente,
# sin crear una copia.
sales_df.fillna(0, inplace=True)

# Usar groupby() para agrupar los datos por la columna 'Region'
# Luego, encadenar .sum() para calcular las ventas totales por cada región
ventas_totales_region = sales_df.groupby('Region')['Sales'].sum()

# Imprimir el resultado que muestra las ventas totales por región
print(ventas_totales_region)

# Agrupar los datos de ventas por 'Product' y sumar las 'Sales' para cada producto.
ventas_productos_principales = sales_df.groupby('Product')['Sales'].sum()

# Ordenar las ventas sumadas en orden descendente para obtener los productos más vendidos en la parte superior.
ventas_productos_principales_ordenadas = ventas_productos_principales.sort_values(ascending=False)

# Seleccionar los 5 productos principales con las ventas más altas.
top_5_productos_ventas = ventas_productos_principales_ordenadas.head(5)

# Imprimir el resultado para ver los nombres y ventas de los 5 productos principales.
print(top_5_productos_ventas)

# Exportar el DataFrame de ventas limpiado a un archivo CSV
# 'index=False' especifica no escribir el índice de fila en el archivo.
sales_df.to_csv('ventas_limpiadas.csv', index=False)

# Exportar el DataFrame de ventas totales por región a un archivo CSV
ventas_totales_region.to_csv('ventas_totales_region.csv')

# Exportar el DataFrame de los 5 productos principales por ventas a un archivo CSV
top_5_productos_ventas.to_csv('productos_principales.csv')