Óscar Ramírez Jiménez - Python a fondo

Otro ejemplo de framework orientado a un propósito específico es Starlette( https://www.starlette.io/), un framework orientado a aplicaciones en tiempo real que se caracteriza por la cantidad de peticiones concurrentes que soporta. Puede gestionar hasta decenas de miles de peticiones por segundo.

Aunque el desarrollo web sea un pilar muy importante, Python no solamente se centra en poder ayudar en el desarrollo de las mismas, sino que también se puede integrar fácilmente con servicios de terceros de múltiples formas, sobre todo mediante el uso de API( application programming interface; interfaz de aplicaciones programables). Estas sirven como interfaz entre aplicaciones web y permiten, desde un código escrito en Python, intercambiar información con servicios de los principales proveedores.

Un claro ejemplo serían las API de servicios de Google, que permiten conectarse con los usuarios de sus productos (Google Maps, YouTube, Google Ads…) de forma fácil e intuitiva por medio del uso de sus API desde Python o Telegram. Así, se pueden crear clientes de este sistema de mensajería en cuestión de minutos. Existen otros muchos servicios con API compatibles con Python que proveen hasta programas de ejemplo en Python para simplemente descargar y usar.

Otra forma de interactuar con servicios de Internet es la transferencia de archivos usando FTP( file transfer protocol; protocolo de transferencia de archivos), con el que se pueden compartir archivos a través de Internet. Python tiene la librería ftplib( https://docs.python.org/3/library/ftplib.html), la cual permite el uso de este servicio de forma intuitiva y profesional.

Por otro lado, Python soporta de forma nativa el envío de emailsde manera fácil y sencilla, haciendo uso de las librerías smtpliby email,con las que el envío de emails se hace simplemente con algunas líneas de código, como se puede ver aquí: https://docs.python.org/3/library/email.examples.html.

A más alto nivel se encuentran las aplicaciones para la gestión de contenidos, tanto web como de escritorio.

En la parte de particulares podemos destacar los CMS( content management system; sistemas de gestión de contenido), que ayudan a gestionar contenido como páginas web, blogs, subscripciones, emails, etc. En esta categoría destaca el framework de software libre Django-CMS( https://github.com/divio/django-cms), que no solo es una aplicación para ayudar a hacer la tarea de generar contenido web intuitiva y fácil, sino que está construida encima del framework Django, por lo que permite extender cualquier aplicación de forma sencilla.

Un caso práctico sería el de la creación de un blog con alguna página estática que después de un tiempo se quiere extender añadiendo funcionalidades propias, que requieren un desarrollo personalizado. Con Django-CMS se podría tener la aplicación completa utilizando el mismo framework. Cabe destacar que Django-CMS es usado por empresas de primer nivel, como NASA, Canonical o National Geographic, entre otras, para la gestión de su contenido.

En la parte de empresas destacan los ERP( enterprise resources planning; sistema de planificación de recursos empresariales), que son aplicaciones que ayudan a la gestión de empresas en sus diferentes áreas, como contabilidad, facturación, gestión de inventarios, gestión de pedidos, gestión de relación con los clientes, etc.

Uno de los más populares ERP de software libre escritos en Python es Odoo( https://github.com/odoo/odoo), que cuenta con varios módulos diferentes, como CRM para la gestión de relaciones con los clientes, un creador de sitios web, un creador de comercios en línea, un creador de infoproductos o de cursos online y otras muchas características que, al unirlas, forman un ERP muy potente capaz de competir con otros tan conocidos en este segmento como SAGE.

Python ya es un referente en la comunidad científica y en el manejo de datos a gran escala dada su simpleza y su claridad a la hora de programarlo. Esto hace que su barrera de entrada sea muy baja y cada vez más científicos den el salto a usarlo.

En el ámbito científico se pueden definir diferentes áreas en las que encontrar soluciones implementadas en Python para categorías como manejo de datos, realización de cálculos y visualización de los datos.

Para el manejo de datos se dispone dedos librerías principales, NumPyy Pandas,las cuales permiten manipular grandes cantidades de datos y hacer operaciones masivas sobre los mismos, como aplicar funciones a vectores de datos o hacer operaciones con matrices de forma simple y altamente eficiente.

NumPy( https://numpy.org/) es un paquete fundamental que contiene herramientas para interactuar con vectores de N dimensiones y realizar operaciones matemáticas sobre ellos. Además, tiene integración con código C++ o Fortran, y otras muchas utilidades relacionadas con el manejo de datos científicos, como operaciones de álgebra lineal, transformada de Fourier, etc. NumPy está orientado a operar de forma altamente eficiente pero enfocada a operaciones con vectores N dimensionales.

Pandas( https://pandas.pydata.org/) es una librería especializada en realizar operaciones altamente eficientes sobre conjuntos de datos grandes de varias dimensiones, organizados en datasets y permitiendo manipularlos de forma simple.

Tanto Pandas como NumPy forman parte del proyecto SciPy( https://www.scipy.org/), el cual es un ecosistema basado en Python para el uso científico.

Aunque se ha visto cómo se puede interactuar con los datos, es importante disponer de una herramienta potente y fácil de usar para realizar pruebas y cálculos.En este segmento destaca la herramienta Jupyter Notebook( https://jupyter.org/), la cual permite interactuar continuamente con los datos que se están analizando, además de poder exportar los resultados, compartirlos, evaluar solamente parte de los cálculos y un largo etcétera de funcionalidades que ayudan enormemente al desarrollo de ideas científicas. Además, dispone de versión online, y muchos servicios online soportan el formato para mejorar la visualización de documentos. Este es el caso de GitHub( https://github.com/), si se aloja el código en sus repositorios y detecta que el fichero que se quiere mostrar tiene la extensión de Jupyter Notebook, la interfaz automáticamente se actualiza para amoldarse a la vista natural de un notebook .

Una vez visto cómo se pueden manipular los datos y trabajar continuamente con ellos hasta conseguir los resultados del estudio científico, llega la parte de la visualización de datos.En este caso, Python permite realizar visualizaciones de datos avanzadas, e incluso interactivas, con librerías propias.

Una de las librerías fundamentales para la visualización de datos es Matplotlib( https://matplotlib.org/). Aunque es una de las librerías más básicas, es también la más utilizada en proyectos que necesitan realizar visualizaciones más avanzadas, dado que es altamente eficiente y contiene multitud de tipos de gráficos soportados, que van desde los gráficos de líneas hasta los gráficos de puntos o mapas de calor, pasando por gráficos de barras.