Proyecto de producción lechera utilizando pensamiento computacional y Python

 

PREGUNTA 9.

desarrolla un proyecto de producción lechera utilizando pensamiento computacional y Python. Describe paso a paso la estructura, metodología y recursos con datos ficticios

CHAT GPT

Paso 1

import pandas as pd

import random

import datetime

 

# Generar datos ficticios de producción de leche por día

fecha_inicio = datetime.date(2023, 1, 1)

fecha_fin = datetime.date(2023, 12, 31)

dias = pd.date_range(fecha_inicio, fecha_fin)

 

produccion = [random.randint(100, 200) for _ in range(len(dias))]

datos = {'Fecha': dias, 'Produccion_leche_litros': produccion}

 

# Crear un DataFrame con los datos

df = pd.DataFrame(datos)

 

Paso 2: Un

Recursos:

pitón (pandas

Ahor

import matplotlib.pyplot as plt

 

# Visualización de la producción a lo largo del tiempo

plt.figure(figsize=(10, 6))

plt.plot(df['Fecha'], df['Produccion_leche_litros'], marker='o', linestyle='-')

plt.title('Producción de leche a lo largo del año')

plt.xlabel('Fecha')

plt.ylabel('Producción de leche (litros)')

plt.grid(True)

plt.show()

PAG

recurrente

pitón (un

Puedes similar a Tom

# Calcular el promedio de producción mensual

df['Mes'] = df['Fecha'].dt.month

produccion_mensual = df.groupby('Mes')['Produccion_leche_litros'].mean()

 

# Establecer un límite de producción

limite_produccion = 150  # Litros

 

# Simular toma de decisiones según el límite de producción

for mes, produccion in produccion_mensual.items():

    if produccion < limite_produccion:

        print(f"En el mes {mes} la producción fue baja. Considerar ajustar la alimentación.")

    else:

        print(f"En el mes {mes} la producción fue aceptable.")

Usuario

continua

 

ChatGPT

¡Claro! Sigamos con

Paso 3

Recursos:

PAG

Puede

Supongamos que

# Simulación de ajuste de alimentación

for index, row in df.iterrows():

    if row['Produccion_leche_litros'] < 120:

        # Se considera que la producción baja requiere un ajuste en la alimentación

        df.at[index, 'Alimentacion'] = 'Dieta especial'

    else:

        df.at[index, 'Alimentacion'] = 'Alimentación estándar'

 

# Verificar la distribución de la alimentación a lo largo del año

alimentacion_counts = df['Alimentacion'].value_counts()

print(alimentacion_counts)

Paso 6

# Analizar la relación entre la alimentación especial y la producción

produccion_dieta_especial = df[df['Alimentacion'] == 'Dieta especial']['Produccion_leche_litros']

produccion_normal = df[df['Alimentacion'] == 'Alimentación estándar']['Produccion_leche_litros']

 

# Comparar la producción entre las dietas

print("Producción promedio con dieta especial:", produccion_dieta_especial.mean())

print("Producción promedio con alimentación estándar:", produccion_normal.mean())

 

Usuario

en resumen

ChatGPT

Paso 1: Recopilación de datos f

Generar datos simulados de producto

Paso 2: Análisis de datos

Visualizar la p

Paso 3: Toma de

Decisiones similares según el ren

Paso 4: Opti

Ajustes similares

Paso 5

Datos similares de

Paso 6:

Analíisis

 

Usuario

me puedes dar algunas graficas de cada paso

 

ChatGPT

¡Por supuesto! aquí te lo muestro

 

# Verificar la distribución de la alimentación a lo largo del año

plt.figure(figsize=(6, 6))

plt.pie(alimentacion_counts, labels=alimentacion_counts.index, autopct='%1.1f%%', startangle=140)

plt.title('Distribución de tipos de alimentación')

plt.axis('equal')

plt.show()

https://chat.openai.com/share/7c227b0e-dc81-416e-aa9d-c7ad2b492201