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
0 comentarios:
Publicar un comentario