🐍 Fundamentos de Programación Científica con Python¶

1. Introducción¶

Este cuaderno forma parte del libro interactivo Ciencia de Datos Hidrometeorológicos con Python, y está diseñado como una guía práctica para comenzar a programar con Python usando la plataforma JupyterLab. No necesitas experiencia previa en programación —solo curiosidad y ganas de experimentar.

Aprenderás los fundamentos de la programación, estructuras de datos básicas, lógica condicional, funciones, y una primera introducción al uso de bibliotecas científicas en Python.

📚 ¿Qué vas a aprender?¶

Qué es Python y por qué es tan usado en ciencia de datos
Los principales tipos de datos en Python
Operadores y estructuras básicas de control
Cómo escribir funciones propias
Una introducción práctica a las clases y objetos
Cómo importar librerías científicas populares

✅ Requisitos previos¶

Conceptos	Importancia	Notas
`Introducción a Python`	Útil	Información complementaria

⏱️ Tiempo estimado de aprendizaje: 30–45 minutos
✍️ Formato: interactivo, ejecuta y modifica el código a medida que avanzas

2. ¿Qué es Python?¶

Python es un lenguaje de programación de alto nivel, interpretado y de código abierto. Se caracteriza por su sintaxis clara, su gran comunidad, y su amplia adopción en áreas como análisis de datos, inteligencia artificial, climatología, y muchas más.

📌 En este libro lo usaremos como base para hacer ciencia de datos con datos hidrometeorológicos reales.

🧠 ¿Qué significa que es de “alto nivel”?¶

Un lenguaje de alto nivel como Python está diseñado para que las personas lo entiendan y escriban fácilmente. A diferencia de otros lenguajes como C o Fortran, con Python podemos hacer más con menos líneas de código.

# Esto imprime un mensaje en pantalla
print("Hola, mundo")

✅ Ventajas de usar Python¶

✨ Sintaxis simple y legible: fácil de aprender para principiantes
🧪 Ideal para ciencia y análisis de datos
🌍 Gran comunidad científica: muchos paquetes útiles ya existen
💻 Multiplataforma: funciona en Windows, Linux, Mac
🔓 Código abierto: cualquiera puede contribuir

⚠️ Algunas desventajas¶

🚀 Puede ser más lento que otros lenguajes compilados (como C)
🧠 Requiere buena gestión de memoria con grandes volúmenes de datos
🧩 A veces hay muchas formas de hacer lo mismo (puede confundir)

🌱 Python en la comunidad científica¶

Python ha sido adoptado por la comunidad científica como una herramienta clave para el procesamiento, visualización y análisis de datos. Gracias a esta comunidad, existen cientos de bibliotecas como:

numpy para cálculos numéricos
pandas para manipular datos en tablas
xarray para trabajar con datos multidimensionales
matplotlib y hvplot para visualización

En este libro, aprenderás a usar muchas de estas herramientas paso a paso.

3. Tipos de datos en Python¶

🔢 Números enteros (`int`) y decimales (`float`)¶

Los enteros (int) representan números sin parte decimal, mientras que los decimales (float) permiten representar números reales.

# Entero
a = 10
print("a:", a, "| tipo:", type(a))

a: 10 | tipo: <class 'int'>

# Decimal
pi = 3.1416
print("pi:", pi, "| tipo:", type(pi))

pi: 3.1416 | tipo: <class 'float'>

🔤 Cadenas de texto (`str`)¶

Las cadenas (str) son secuencias de caracteres encerradas entre comillas simples o dobles. Se usan para representar palabras, frases u otros textos.

mensaje = "Hola, mundo"
nombre = 'Python'

print(mensaje)
print("Nombre:", nombre)
print("Tipo:", type(nombre))

Hola, mundo
Nombre: Python
Tipo: <class 'str'>

🔘 Booleanos (`bool`)¶

Los booleanos son valores lógicos que solo pueden ser True (verdadero) o False (falso). Se utilizan para hacer comparaciones y estructuras de control.

es_mayor = 5 > 3
es_igual = (10 == 20)

print("5 > 3:", es_mayor)
print("10 == 20:", es_igual)
print("Tipo de es_mayor:", type(es_mayor))

5 > 3: True
10 == 20: False
Tipo de es_mayor: <class 'bool'>

📦 Listas (`list`)¶

Las listas son colecciones ordenadas y modificables. Se definen con corchetes y pueden contener distintos tipos de datos.

mi_lista = [1, "texto", 3.14, True]

print("Lista:", mi_lista)
print("Primer elemento:", mi_lista[0])
print("Tipo:", type(mi_lista))

# Modificar un valor
mi_lista[1] = "nuevo texto"
print("Lista modificada:", mi_lista)

Lista: [1, 'texto', 3.14, True]
Primer elemento: 1
Tipo: <class 'list'>
Lista modificada: [1, 'nuevo texto', 3.14, True]

🗂️ Diccionarios (`dict`)¶

Un diccionario es una colección no ordenada de pares clave: valor. Se define con llaves {} y permite acceder a cada valor por su clave.

info_persona = {
    "nombre": "Alfonso",
    "edad": 35,
    "ciudad": "Bogotá"
}

print("Nombre:", info_persona["nombre"])
print("Edad:", info_persona["edad"])
print("Diccionario completo:", info_persona)
print("Tipo:", type(info_persona))

# Agregar una nueva clave
info_persona["profesion"] = "Científico de datos"
print("Actualizado:", info_persona)

Nombre: Alfonso
Edad: 35
Diccionario completo: {'nombre': 'Alfonso', 'edad': 35, 'ciudad': 'Bogotá'}
Tipo: <class 'dict'>
Actualizado: {'nombre': 'Alfonso', 'edad': 35, 'ciudad': 'Bogotá', 'profesion': 'Científico de datos'}

🧱 Tuplas (`tuple`)¶

Las tuplas son similares a las listas, pero no se pueden modificar. Se definen con paréntesis () y son útiles para almacenar datos fijos.

coordenadas = (4.61, -74.07)

print("Tupla:", coordenadas)
print("Latitud:", coordenadas[0])
print("Longitud:", coordenadas[1])
print("Tipo:", type(coordenadas))

# Intentar modificar una tupla (esto generará un error)
try:
    coordenadas[0] = 0
except TypeError as e:
    print("Error:", e)

Tupla: (4.61, -74.07)
Latitud: 4.61
Longitud: -74.07
Tipo: <class 'tuple'>
Error: 'tuple' object does not support item assignment

🔘 Conjuntos (`set`)¶

Los conjuntos son colecciones no ordenadas que no permiten elementos duplicados. Se definen con set() o llaves {}.

valores = [1, 2, 2, 3, 4, 4, 5]
conjunto = set(valores)

print("Original:", valores)
print("Set sin duplicados:", conjunto)
print("Tipo:", type(conjunto))

# Agregar un nuevo elemento
conjunto.add(6)
print("Actualizado:", conjunto)

Original: [1, 2, 2, 3, 4, 4, 5]
Set sin duplicados: {1, 2, 3, 4, 5}
Tipo: <class 'set'>
Actualizado: {1, 2, 3, 4, 5, 6}

5. Operadores y estructuras de control¶

Python nos permite realizar operaciones matemáticas y tomar decisiones mediante estructuras de control como condicionales y bucles. Estas herramientas son fundamentales para crear programas dinámicos y útiles.

➕ Operadores aritméticos¶

Python permite usar operadores matemáticos básicos como suma, resta, multiplicación, división, y más.

# Suma
print("1 + 2 =", 1 + 2)

1 + 2 = 3

# Resta
print("5 - 3 =", 5 - 3)

5 - 3 = 2

# Multiplicación
print("4 * 3 =", 4 * 3)

4 * 3 = 12

# División
print("10 / 2 =", 10 / 2)

10 / 2 = 5.0

# División entera (sin decimales)
print("10 // 3 =", 10 // 3)

10 // 3 = 3

# Potenciación
print("2 ** 4 =", 2 ** 4)

2 ** 4 = 16

# Módulo (residuo)
print("10 % 3 =", 10 % 3)

10 % 3 = 1

🤔 Condicionales `if`, `elif`, `else`¶

Las estructuras condicionales permiten ejecutar bloques de código solo si se cumple una condición.

x = 10

if x > 0:
    print("x es positivo")
elif x == 0:
    print("x es cero")
else:
    print("x es negativo")

x es positivo

También podemos usarlas para comparar tipos o valores:

valor = True

if type(valor) == str:
    print("Es una cadena de texto")
elif type(valor) == int:
    print("Es un número entero")
elif type(valor) == float:
    print("Es un número decimal")
elif type(valor) == bool:
    print("Es un valor booleano")

Es un valor booleano

🔁 Bucle `while`¶

El bucle while repite un bloque de código mientras se cumpla una condición.

contador = 0

while contador < 3:
    print("Contador:", contador)
    contador += 1

Contador: 0
Contador: 1
Contador: 2

🔁 Bucle `for`¶

El bucle for se usa para recorrer elementos de una secuencia (como una lista o rango).

for i in range(5):
    print("Valor de i:", i)

Valor de i: 0
Valor de i: 1
Valor de i: 2
Valor de i: 3
Valor de i: 4

También se puede usar con listas directamente:

nombres = ["Alfonso", "Nicole", "Max"]

for nombre in nombres:
    print("Hola,", nombre)

Hola, Alfonso
Hola, Nicole
Hola, Max

6. Funciones en Python¶

Las funciones son bloques de código reutilizables que se definen una vez y se pueden ejecutar múltiples veces. Son ideales para automatizar tareas repetitivas y organizar mejor tu código.

🔧 ¿Qué es una función?¶

Una función se define usando la palabra clave def, seguida del nombre de la función, paréntesis con los argumentos, y dos puntos :. El cuerpo de la función va indentado.

# Esta función imprime un saludo
def saludar():
    print("Hola, bienvenid@ al curso")

# Llamamos la función
saludar()

Hola, bienvenid@ al curso

🧪 Funciones con argumentos¶

Puedes definir funciones que acepten uno o más parámetros para hacerlas más flexibles.

def saludar_persona(nombre):
    print(f"Hola, {nombre}!")

saludar_persona("Alfonso")
saludar_persona("Nicole")

Hola, Alfonso!
Hola, Nicole!

➕ Funciones con múltiples argumentos¶

Las funciones pueden aceptar varios argumentos, por ejemplo, para realizar operaciones matemáticas:

def sumar(a, b):
    resultado = a + b
    print("Resultado:", resultado)

sumar(3, 5)
sumar(10, -2)

Resultado: 8
Resultado: 8

🔁 Funciones que devuelven resultados (`return`)¶

Usamos return cuando queremos que la función nos entregue un valor para usarlo más adelante.

def area_triangulo(base, altura):
    return (base * altura) / 2

area = area_triangulo(3, 5)
print("Área del triángulo:", area)

Área del triángulo: 7.5

7. Clases y objetos en Python¶

En Python, una clase es como un molde o plantilla para crear objetos. Cada objeto puede tener sus propios atributos (datos) y métodos (funciones asociadas).

Este enfoque se conoce como Programación Orientada a Objetos (OOP) y es muy útil para organizar código complejo en estructuras lógicas.

🧱 ¿Qué es una clase?¶

Vamos a crear una clase llamada Figura que describe un objeto geométrico.

class Figura:
    def __init__(self, nombre, lados, color):
        self.nombre = nombre
        self.lados = lados
        self.color = color

__init__() es un constructor que se ejecuta cuando se crea un nuevo objeto.
self representa al propio objeto.

🧪 Crear una clase y usar objetos¶

Ahora instanciamos un objeto de tipo Figura:

Si queremos hacer la abstracción de un cuadrado podemos definirlo de la siguiente manera:

cuadrado = Figura(nombre="Cuadrado", lados=4, color="Rojo")

print("Nombre:", cuadrado.nombre)
print("Lados:", cuadrado.lados)
print("Color:", cuadrado.color)

Nombre: Cuadrado
Lados: 4
Color: Rojo

Cada objeto tiene su propio conjunto de atributos.

🛠️ Métodos dentro de una clase¶

También podemos definir funciones dentro de una clase que realicen acciones con los datos del objeto. A esto se les llama métodos.

class Figura:
    def __init__(self, nombre, lados, color):
        self.nombre = nombre
        self.lados = lados
        self.color = color

    def describir(self):
        print(f"{self.nombre} tiene {self.lados} lados y es de color {self.color}")

Usamos el método:

triangulo = Figura("Triángulo", 3, "Azul")
triangulo.describir()

Triángulo tiene 3 lados y es de color Azul

Esto imprimirá una descripción usando los datos del objeto.

8. Importar librerías en Python¶

Una librería (o módulo) es una colección de funciones y clases ya escritas que puedes reutilizar en tu código. Usarlas ahorra tiempo y permite hacer cosas complejas fácilmente.

Por ejemplo, existen librerías para matemáticas (numpy), manejo de datos (pandas), procesamiento de datos climáticos (xarray), visualización (matplotlib), y muchas más.

📦 ¿Cómo se importa una librería?¶

Usamos la palabra clave import para traer una librería a nuestro entorno de trabajo.

import numpy

Ahora podemos usar cualquier función dentro de numpy, como:

import numpy as np
import pandas as pd
import xarray as xr

numeros = numpy.array([1, 2, 3])
print(numeros)

[1 2 3]

🧩 Usar alias con `as`¶

Como algunas librerías tienen nombres largos, se suele usar un alias con la palabra clave as:

import numpy as np

Esto nos permite escribir:

a = np.array([1, 2, 3])
print(a * 10)

[10 20 30]

🧪 Librerías comunes en ciencia de datos¶

A continuación presentamos algunas de las librerías más utilizadas en análisis científico y de datos climáticos:

numpy → Permite realizar cálculos numéricos y operaciones con arrays de manera eficiente.
pandas → Ofrece estructuras de datos tipo tabla (DataFrames) ideales para manipular datos tabulados.
xarray → Diseñada para trabajar con datos multidimensionales, como series de tiempo o datos climáticos en grillas.

Estas librerías están optimizadas para el trabajo científico y forman la base de muchas herramientas modernas para la ciencia abierta y la climatología computacional.

import numpy as np
import pandas as pd
import xarray as xr

# Crear un array con numpy
arr = np.arange(5)
print("Array con numpy:", arr)

# Crear una tabla (DataFrame) con pandas
df = pd.DataFrame({
    "nombre": ["Ana", "Luis", "Camila"],
    "edad": [23, 34, 29]
})
print("\nTabla con pandas:")
print(df)

# Crear un dataset con xarray
ds = xr.Dataset({
    "temperatura": (("x",), [15.1, 17.3, 16.8])
})
print("\nDataset con xarray:")
print(ds)

Array con numpy: [0 1 2 3 4]

Tabla con pandas:
   nombre  edad
0     Ana    23
1    Luis    34
2  Camila    29

Dataset con xarray:

<xarray.Dataset> Size: 24B
Dimensions:      (x: 3)
Dimensions without coordinates: x
Data variables:
    temperatura  (x) float64 24B 15.1 17.3 16.8

✅ Conclusiones finales¶

En este capítulo aprendiste los fundamentos esenciales de la programación científica con Python:

Los principales tipos de datos (enteros, flotantes, texto, listas, diccionarios, etc.)
Cómo utilizar estructuras de control como condicionales y bucles
Cómo crear y reutilizar funciones y clases
Qué es y cómo se usa JupyterLab como entorno interactivo
Cómo importar y utilizar librerías externas en tus notebooks

Estas herramientas forman la base para trabajar con datos reales, desarrollar scripts reproducibles y automatizar análisis en ciencia de datos.

🎓 Programar es una habilidad que se fortalece con la práctica. No te preocupes por memorizar todo ahora, ¡vuelve a este capítulo cuando lo necesites!

👉 ¿Qué sigue?¶

En el próximo cuadernillo exploraremos en mayor profundidad tres de las librerías más utilizadas en ciencia climática:

numpy para trabajar con arreglos y álgebra lineal
pandas para manipular datos tabulares
xarray para manejar datos multidimensionales como los de satélites, modelos climáticos y observaciones atmosféricas

Prepárate para trabajar con datos reales y aprender nuevas herramientas prácticas. ¡Nos vemos allá! 🌎📊

Fuentes y referencias¶

Rose, B. E. J., Kent, J., Tyle, K., Clyne, J., Banihirwe, A., Camron, D., May, R., Grover, M., Ford, R. R., Paul, K., Morley, J., Eroglu, O., Kailyn, L., & Zacharias, A. (2023). Pythia Foundations (Version v2023.05.01) [Rose et al. (2023)]
Abernathey R. (2022) An Introduction to Earth and Environmental Data Science. [https://earth-env-data-science.github.io/intro.html]
JupyterLab Documentation [https://jupyterlab.readthedocs.io/en/stable/index.html]

References¶

Rose, B., Kent, J., Tyle, K., Clyne, Banihirwe, A., Camron, D., Ford, R., Morley, J., Grover, M., Eroglu, O., Paul, K., May, R., Lkailynncar, Irving, D., Uieda, L., Ojaybee, Blain, P., & Moon, Z. (2023). ProjectPythia/pythia-foundations: v2023.05.01. Zenodo. 10.5281/ZENODO.7884572

Introducción a la programación científica con Python

Introducción a JupyterLab