chore(i18n,learn): processed translations (#45682)
This commit is contained in:
camperbot
GitHub
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f7e5ac417301a38fb928
|
||||
title: Mean-Variance-Standard Deviation Calculator
|
||||
title: Calculadora de varianza, desviación media, y estándar
|
||||
challengeType: 10
|
||||
forumTopicId: 462366
|
||||
dashedName: mean-variance-standard-deviation-calculator
|
||||
@ -8,17 +8,64 @@ dashedName: mean-variance-standard-deviation-calculator
|
||||
|
||||
# --description--
|
||||
|
||||
Create a function that uses Numpy to output the mean, variance, and standard deviation of the rows, columns, and elements in a 3 x 3 matrix.
|
||||
Estarás [trabajando en este proyecto con nuestro código inicial en Replit](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator).
|
||||
|
||||
You can access [the full project description and starter code on Replit](https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator).
|
||||
Todavía estamos desarrollando la parte interactiva del currículo de Python. Por ahora, aquí hay algunos videos en el canal de YouTube de freeCodeCamp.org que te enseñaran todo lo que necesitas saber para completar este proyecto:
|
||||
|
||||
After going to that link, fork the project. Once you complete the project based on the instructions in 'README.md', submit your project link below.
|
||||
- [Python para todo el mundo Curso en Video](https://www.freecodecamp.org/news/python-for-everybody/) (14 horas)
|
||||
- [Aprende el Video Curso de Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 horas)
|
||||
|
||||
We are still developing the interactive instructional part of the data analysis with Python curriculum. For now, you will have to use other resources to learn how to pass this challenge.
|
||||
# --instructions--
|
||||
|
||||
Crea una función llamada `calculate()` en `mean_var_std.py` que usa Numpy para producir la media, varianza, desviación estándar, max, min, y suma de las filas, columnas y elementos en una matriz de 3 x 3.
|
||||
|
||||
La entrada de la función debe ser una lista que contenga 9 dígitos. La función debe convertir la lista en una matriz numérica de 3 x 3, y luego devolver un diccionario que contenga la media, varianza, desviación estándar, max, min, y suma a lo largo de ambos ejes y para la matriz aplanada.
|
||||
|
||||
El diccionario retornado debería seguir este formato:
|
||||
|
||||
```py
|
||||
{
|
||||
'mean': [axis1, axis2, flattened],
|
||||
'variance': [axis1, axis2, flattened],
|
||||
'standard deviation': [axis1, axis2, flattened],
|
||||
'max': [axis1, axis2, flattened],
|
||||
'min': [axis1, axis2, flattened],
|
||||
'sum': [axis1, axis2, flattened]
|
||||
}
|
||||
```
|
||||
|
||||
Si una lista que contiene menos de 9 elementos es pasada a la función, debería levantar una excepción de `ValueError` con el mensaje: "La lista debe contener nueve números". Los valores en el diccionario devuelto deben ser listas y no matrices Numpy.
|
||||
|
||||
Por ejemplo, `calculate([0,1,2,3,4,5,6,7,8])` debe regresar:
|
||||
|
||||
```py
|
||||
{
|
||||
'mean': [[3.0, 4.0, 5.0], [1.0, 4.0, 7.0], 4.0],
|
||||
'variance': [[6.0, 6.0, 6.0], [0.6666666666666666, 0.6666666666666666, 0.6666666666666666], 6.666666666666667],
|
||||
'standard deviation': [[2.449489742783178, 2.449489742783178, 2.449489742783178], [0.816496580927726, 0.816496580927726, 0.816496580927726], 2.581988897471611],
|
||||
'max': [[6, 7, 8], [2, 5, 8], 8],
|
||||
'min': [[0, 1, 2], [0, 3, 6], 0],
|
||||
'sum': [[9, 12, 15], [3, 12, 21], 36]
|
||||
}
|
||||
```
|
||||
|
||||
Las pruebas unitarias para este proyecto están en `test_module.py`.
|
||||
|
||||
## Desarrollo
|
||||
|
||||
Durante el desarrollo, puede usar `main.py` para probar su función `calculate()`. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
## Pruebas
|
||||
|
||||
Hemos importado las pruebas de `test_module.py` a `main.py` para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
|
||||
## Envío
|
||||
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f7f8ac417301a38fb92a
|
||||
title: Medical Data Visualizer
|
||||
title: Visualizador de datos médicos
|
||||
challengeType: 10
|
||||
forumTopicId: 462368
|
||||
dashedName: medical-data-visualizer
|
||||
@ -8,17 +8,74 @@ dashedName: medical-data-visualizer
|
||||
|
||||
# --description--
|
||||
|
||||
In this project, you will visualize and make calculations from medical examination data using matplotlib, seaborn, and pandas.
|
||||
Estarás [trabajando en este proyecto con nuestro código inicial de Replit](https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer).
|
||||
|
||||
You can access [the full project description and starter code on Replit](https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer).
|
||||
Todavía estamos desarrollando la parte interactiva del currículo de Python. Por ahora, aquí hay algunos vídeos en nuestro canal de YouTube freeCodeCamp.org que te enseñará todo lo que necesitas saber para completer este proyecto:
|
||||
|
||||
After going to that link, fork the project. Once you complete the project based on the instructions in 'README.md', submit your project link below.
|
||||
- [Curso: Python para todos](https://www.freecodecamp.org/news/python-for-everybody/) (14 horas)
|
||||
- [Curso: Aprende Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 horas)
|
||||
|
||||
We are still developing the interactive instructional part of the data analysis with Python curriculum. For now, you will have to use other resources to learn how to pass this challenge.
|
||||
# --instructions--
|
||||
|
||||
En este proyecto, visualizarás y harás algunos cálculos a partir de datos de exámenes médicos utilizando matplotlib, seabron y pandas. Los valores del conjunto de datos (dataset) se recogieron durante los exámenes médicos.
|
||||
|
||||
## Descripción de datos
|
||||
|
||||
Las filas del conjunto de datos representan a los pacientes y las columnas representan información como medidas corporales, resultados de varios análisis de sangre y opciones de estilo de vida. Utilizarás el conjunto de datos para explorar la relación entre enfermedades cardiacas, medidas del cuerpo, indicadores sanguíneos y opciones de estilo de vida.
|
||||
|
||||
Nombre del archivo: medical_examination.csv
|
||||
|
||||
| Característica | Tipo de variable | Variable | Tipo de unidad |
|
||||
|:-----------------------------------------------------:|:--------------------------:|:----------:|:---------------------------------------------------------------------:|
|
||||
| Edad | Característica objetivo | edad | int (días) |
|
||||
| Altura | Característica objetivo | altura | int (cm) |
|
||||
| Peso | Característica objetivo | peso | float (kg) |
|
||||
| Sexo | Característica objetivo | género | código de categoría |
|
||||
| Presión arterial sistólica | Características del examen | ap_hi | int |
|
||||
| Presión arterial diastólica | Característica del examen | ap_lo | int |
|
||||
| Colesterol | Característica del examen | colesterol | 1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal |
|
||||
| Glucosa | Característica del examen | glúcido | 1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal |
|
||||
| Fumador | Característica subjetiva | humo | binario |
|
||||
| Consumo de alcohol | Característica subjetiva | alco | binario |
|
||||
| Actividad física | Característica subjetiva | activo | binario |
|
||||
| Presencia o ausencia de enfermedades cardiovasculares | Variable objetivo | cardiaco | binario |
|
||||
|
||||
## Tareas
|
||||
|
||||
Crear un gráfico similar a `ejemplos/Figure_1. ng`, donde mostramos las cifras de resultados buenos y malos para las variables `colesterol`, `gluc`, `alco`, `activo` y `humo` en los pacientes con cardio=1 y cardio=0 en diferentes paneles.
|
||||
|
||||
Utiliza los datos para completar las siguientes tareas en `medical_data_visualizer.py`:
|
||||
|
||||
- Agrega una columna de `sobrepeso` a los datos. Para determinar si una persona tiene sobrepeso, primero calcule su IMC dividiendo su peso en kilogramos por el cuadrado de su altura en metros. Si ese valor es > 25 entonces la persona tiene sobrepeso. Utilice el valor 0 para NO sobrepeso y el valor 1 para el sobrepeso.
|
||||
- Normaliza los datos haciendo 0 siempre bueno y 1 siempre malo. Si el valor de `cholesterol` o `gluc` es 1, haga que el valor 0. Si el valor es mayor que 1, haga el valor 1.
|
||||
- Convierte los datos en formato largo y crea un gráfico que muestre el recuento de valores de las características categóricas usando `catplot()` de seaborn. El conjunto de datos debe dividirse por 'Cardio', así que hay un gráfico por cada valor de `cardio`. El gráfico debería verse como `examples/Figure_1.png`.
|
||||
- Limpia los datos. Filtrar los siguientes segmentos de pacientes que representan datos incorrectos:
|
||||
- la presión diastólica es más alta que la máxima (Mantén los datos correctos con `(df['ap_lo'] <= df['ap_hi'])`)
|
||||
- la altura es menor que el 2.5º percentil (Mantén los datos correctos con `(df['height'] >= df['height'].quantile(0.025))`)
|
||||
- la altura es superior al 97,5º percentil
|
||||
- el peso es menor que el 2,5º percentil
|
||||
- el peso es superior al 97,5º percentil
|
||||
- Crear una matriz de correlación usando el conjunto de datos. Grafica la matriz de correlación usando la función `heatmap()` de seaborn. Enmascarar el triángulo superior de la matriz. El gráfico debería verse como `examples/Figure_2.png`.
|
||||
|
||||
Cada vez que una variable está establecida en `Ninguno`, asegúrese de establecerla en el código correcto.
|
||||
|
||||
Las pruebas unitarias están escritas en `test_module.py`.
|
||||
|
||||
## Desarrollo
|
||||
|
||||
Para el desarrollo, puedes usar `main.py` para probar tus funciones. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
## Pruebas
|
||||
|
||||
Hemos importado las pruebas de `test_module.py` a `main.py` para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
|
||||
## Envío
|
||||
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,6 +1,6 @@
|
||||
---
|
||||
id: 5e46f802ac417301a38fb92b
|
||||
title: Page View Time Series Visualizer
|
||||
title: Visualizador de vistas de página en determinados períodos de tiempo
|
||||
challengeType: 10
|
||||
forumTopicId: 462369
|
||||
dashedName: page-view-time-series-visualizer
|
||||
@ -8,17 +8,44 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
# --description--
|
||||
|
||||
For this project you will visualize time series data using a line chart, bar chart, and box plots. You will use Pandas, matplotlib, and seaborn to visualize a dataset containing the number of page views each day on the freeCodeCamp.org forum from 2016-05-09 to 2019-12-03. The data visualizations will help you understand the patterns in visits and identify yearly and monthly growth.
|
||||
Estarás [trabajando en este proyecto con nuestro proyecto inicial de Replit](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer).
|
||||
|
||||
You can access [the full project description and starter code on Replit](https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer).
|
||||
Todavía estamos desarrollando la parte interactiva del currículo de Python. Por el momento, aquí hay algunos videos en el canal de YouTube de freeCodeCamp.org que te enseñaran todo lo que necesitas saber para completar este proyecto:
|
||||
|
||||
After going to that link, fork the project. Once you complete the project based on the instructions in 'README.md', submit your project link below.
|
||||
- [Curso: Python para todos](https://www.freecodecamp.org/news/python-for-everybody/) (14 horas)
|
||||
- [Curso: Aprende Python](https://www.freecodecamp.org/news/learn-python-video-course/) (10 horas)
|
||||
|
||||
We are still developing the interactive instructional part of the data analysis with Python curriculum. For now, you will have to use other resources to learn how to pass this challenge.
|
||||
# --instructions--
|
||||
|
||||
Para este proyecto, visualizarás los datos de las series temporales utilizando un gráfico de líneas, un gráfico de barras y un gráfico de cajas. Utilizarás Pandas, Matplotlib y Seaborn para visualizar un conjunto de datos que contiene el número de vistas diarias en la página del foro de freeCodeCamp.org del 2016-05-09 al 2019-12-03. Las visualizaciones de datos le ayudarán a entender los patrones en las visitas e identificarán el crecimiento anual y mensual.
|
||||
|
||||
Utiliza los datos para completar las siguientes tareas:
|
||||
|
||||
- Utiliza Pandas para importar los datos de "fcc-forum-pageviews.csv". Establece como índice la columna "fecha".
|
||||
- Limpiar los datos filtrando los días en que las vistas de la página se encuentran en el 2,5% superior del conjunto de datos o en el 2,5% inferior del conjunto de datos.
|
||||
- Crea una función llamada `draw_line_plot` que utilice Matplotlib para dibujar un gráfico de línea similar a "examples/Figure_1.png". El título debe ser "Daily freeCodeCamp Forum Page Views 5/2016-12/2019". La etiqueta en el eje x debe ser "Date" y la etiqueta en el eje y debe ser "Page Views".
|
||||
- Crea una función llamada `draw_bar_plot` que dibuje un gráfico de barras similar a "examples/Figure_2.png". Debe mostrar el número promedio de vistas diarias de cada mes, agrupadas por año. La leyenda debe mostrar etiquetas mensuales y tener un título de "Months". En el gráfico, la etiqueta en el eje x debe ser "Years" y la etiqueta en el eje y debe ser "Average Page Views".
|
||||
- Crea una función llamada `draw_box_plot` que utilice Seaborn para dibujar dos diagramas de caja adyacentes similares a "examples/Figure_3.png". Estos diagramas de caja deben mostrar cómo se distribuyen los valores dentro de un año o mes determinado y cómo se compara con el tiempo. El título del primer gráfico debe ser "Year-wise Box Plot (Trend)" y el título del segundo gráfico debe ser "Month-wise Box Plot (Seasonality)". Asegúrese de que las etiquetas del mes en la parte inferior comienzan en "Jan" y los ejes x están etiquetados correctamente. El boilerplate incluye comandos para preparar los datos.
|
||||
|
||||
Para cada gráfico, asegúrese de usar una copia de los datos. Las pruebas unitarias están escritas para en `test_module.py`.
|
||||
|
||||
El boilerplate también incluye los comandos para guardar y devolver la imagen.
|
||||
|
||||
## Desarrollo
|
||||
|
||||
Para el desarrollo, puedes usar `main.py` para probar tus funciones. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
## Pruebas
|
||||
|
||||
Hemos importado las pruebas de `test_module.py` a `main.py` para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que presiones el botón "run".
|
||||
|
||||
## Envío
|
||||
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
# --hints--
|
||||
|
||||
It should pass all Python tests.
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
```js
|
||||
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600ed7
|
||||
title: Copying Arrays Warning
|
||||
title: Advertencia al copiar arrays
|
||||
challengeType: 11
|
||||
videoId: iIoQ0_L0GvA
|
||||
bilibiliIds:
|
||||
aid: 633008569
|
||||
bvid: BV1Bb4y127fb
|
||||
cid: 409026161
|
||||
dashedName: copying-arrays-warning
|
||||
---
|
||||
|
||||
@ -10,7 +14,7 @@ dashedName: copying-arrays-warning
|
||||
|
||||
## --text--
|
||||
|
||||
What is the value of `a` after running the following code?
|
||||
¿Cual es el valor de `a` después de ejecutar el siguiente código?
|
||||
|
||||
```py
|
||||
import numpy as np
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600ed6
|
||||
title: Initialize Array Problem
|
||||
title: Problema al inicializar el array
|
||||
challengeType: 11
|
||||
videoId: 0jGfH8BPfOk
|
||||
bilibiliIds:
|
||||
aid: 763027834
|
||||
bvid: BV1w64y1a7eo
|
||||
cid: 409025878
|
||||
dashedName: initialize-array-problem
|
||||
---
|
||||
|
||||
@ -10,7 +14,7 @@ dashedName: initialize-array-problem
|
||||
|
||||
## --text--
|
||||
|
||||
What is another way to produce the following array?
|
||||
¿Cuál es la otra forma de crear el siguiente array?
|
||||
|
||||
```py
|
||||
[[0. 0. 0. 0. 0. 0. 0.]
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600ed5
|
||||
title: Initializing Different Arrays
|
||||
title: Inicializando diferentes Arrays
|
||||
challengeType: 11
|
||||
videoId: CEykdsKT4U4
|
||||
bilibiliIds:
|
||||
aid: 718044756
|
||||
bvid: BV1MQ4y1k7BB
|
||||
cid: 409025638
|
||||
dashedName: initializing-different-arrays
|
||||
---
|
||||
|
||||
@ -10,7 +14,7 @@ dashedName: initializing-different-arrays
|
||||
|
||||
## --text--
|
||||
|
||||
What will the following code print?
|
||||
¿Qué hará el siguiente código?
|
||||
|
||||
```py
|
||||
a = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600eda
|
||||
title: Loading Data and Advanced Indexing
|
||||
title: Cargando datos e indexación avanzada
|
||||
challengeType: 11
|
||||
videoId: tUdBZ7pF8Jg
|
||||
bilibiliIds:
|
||||
aid: 720524642
|
||||
bvid: BV1xQ4y1r7mu
|
||||
cid: 409027117
|
||||
dashedName: loading-data-and-advanced-indexing
|
||||
---
|
||||
|
||||
@ -10,14 +14,14 @@ dashedName: loading-data-and-advanced-indexing
|
||||
|
||||
## --text--
|
||||
|
||||
Given a file named `data.txt` with these contents:
|
||||
Se ha dado un archivo llamado `data.txt` con estos contenidos:
|
||||
|
||||
<pre>
|
||||
29,97,32,100,45
|
||||
15,88,5,75,22
|
||||
</pre>
|
||||
|
||||
What code would produce the following array?
|
||||
¿Qué código produciría el siguiente arreglo?
|
||||
|
||||
```py
|
||||
[29. 32. 45. 15. 5. 22.]
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600ed8
|
||||
title: Mathematics
|
||||
title: Matemáticas
|
||||
challengeType: 11
|
||||
videoId: 7txegvyhtVk
|
||||
bilibiliIds:
|
||||
aid: 890533226
|
||||
bvid: BV1KP4y1h733
|
||||
cid: 409026503
|
||||
dashedName: mathematics
|
||||
---
|
||||
|
||||
@ -10,7 +14,7 @@ dashedName: mathematics
|
||||
|
||||
## --text--
|
||||
|
||||
What is the value of `b` after running the following code?
|
||||
¿Cuál es el valor de `b` después de ejecutar el siguiente código?
|
||||
|
||||
```py
|
||||
import numpy as np
|
||||
|
||||
@ -1,8 +1,12 @@
|
||||
---
|
||||
id: 5e9a0a8e09c5df3cc3600ed9
|
||||
title: Reorganizing Arrays
|
||||
title: Reorganizando arreglos
|
||||
challengeType: 11
|
||||
videoId: VNWAQbEM-C8
|
||||
bilibiliIds:
|
||||
aid: 548035655
|
||||
bvid: BV1fq4y1N7aC
|
||||
cid: 409026755
|
||||
dashedName: reorganizing-arrays
|
||||
---
|
||||
|
||||
@ -10,7 +14,7 @@ dashedName: reorganizing-arrays
|
||||
|
||||
## --text--
|
||||
|
||||
What code would produce the following array?
|
||||
¿Qué código produciría el siguiente arreglo?
|
||||
|
||||
```py
|
||||
[[1. 1.]
|
||||
|
||||
Reference in New Issue
Block a user