Python II y GitHub

class: center, middle, inverse, title-slide

# Python II y GitHub
### Licenciatura en Ciencias Genómicas,UNAM
### First version: 2021-08-15; Last update: 2021-08-31

---

# Introducción a librerías

## Contenido de la unidad

1. [Bioprojects](PythonII_L1_v1.0.html#5)

2. [Biopython](PythonII_L1_v1.0.html#6)

3. [NumPy](PythonII_L1_v1.0.html#8)

4. [Pandas](PythonII_L1_v1.0.html#9)
  
  5. [Matplotlib](PythonII_L1_v1.0.html#10)
  
  6. [Seaborn](PythonII_L1_v1.0.html#11)
  
  7. [SciPy](PythonII_L1_v1.0.html#12)

---

## Objetivo

Conocer las librerías más importantes para proyectos de bioinformática de python -y en las que profundizaremos a lo largo del curso.

---

## Introducción

Con el inicio de la bioinformática surgió la necesidad de crear programas computacionales para el manejo y análisis de datos.

La comunidad internacional de cientificos de datos que trabajan con python han logrado consolidar distintas librerías para trabajar con diversidad de problemas y con distintos enfoques.

---

## Bioprojects

---

.pull-left[
## Biopython
]

.pull-rigth[
<img src="imgs/intro/biopython.png" width="150px" style="display: block; margin: auto 0 auto auto;" />
]<br>
- Es un conjunto de herramientas de libre acceso para aplicaciones bioinformáticas desarrolladas por una comunidad internacional.

- Mayor accesibilidad para  biólogxs.

- Inicio del Proyecto 1999.

- Última versión Junio 2021 (Biopython 1.79)

- Requiere de NumPy

---

### Módulos de Biopython

---
.pull-left[
## NumPy
#### (Numerical Python)
]

.pull-rigth[
<img src="imgs/intro/numpy.png" width="250px" style="display: block; margin: auto 0 auto auto;" />
]
<br>

- Computo orientado a `arrays`

- Arrays multidimensionales

- Vectorización y *Broadcasting*

- Usual para manejo de números imaginarios

.full-width[.content-box-yellow[ numpy_array = np.array(list) ]]

---

.pull-left[
## Pandas
#### (Panel Data)
]
.pull-rigth[
<img src="imgs/intro/pandas.png" width="250px" style="display: block; margin: auto 0 auto auto;" />
]
<br>

Objetos Dataframes rápidos y eficientes para manipular datos con indexing integrado

Herramientas, métodos y funcionalidades para estructura de datos 
<img src="imgs/intro/pandas2.jpg" width="350px" style="display: block; margin: auto;" />
---
.pull-left[
## Matplotlib

<br><br>
- Emplea `Pyplot`, lo que da interfaz similar a MATLAB

- Conectado a `NumPy` y `Pandas`

- Exploración de análisis de datos y plots para publicaciones

- Problemas con datasets grandes, visualización interactiva para web y *graphical user interfaces*

- [¡Explora la galería de ejemplos!](https://matplotlib.org/stable/gallery/index.html)
]

.pull-rigth[
<img src="imgs/intro/matplotlib.png" width="250px" style="display: block; margin: auto 0 auto auto;" />

---

.pull-left[
## Seaborn
]

.pull-rigth[
<img src="imgs/intro/seaborn.jpg" width="250px" style="display: block; margin: auto 0 auto auto;" />
]
<br>

- Librería para hacer gráficas estadísticas en Python
- Construída en `matplotlib` (Seaborn: versión extendida, más funcional y organizada), integra estructuras de datos de `pandas` y `NumPy`
- .small[Requiere: NumPy, SciPy, Pandas, Matplotlib]

[¡Explora la galería de ejemplos!](https://seaborn.pydata.org/examples/index.html)

---

.pull-left[
## SciPy
]
.pull-rigth[
<img src="imgs/intro/scipy.jpg" width="200px" style="display: block; margin: auto 0 auto auto;" />
]
Colección de algoritmos matemáticos y funciones creadas en extensión de NumPy.

---

## Bibliografía

1. http://biopython.org/DIST/docs/tutorial/Tutorial.html

2. https://numpy.org/doc/stable/user/whatisnumpy.html

3. https://pandas.pydata.org/about/index.html

4. https://matplotlib.org/stable/users/index.html

5. https://seaborn.pydata.org/introduction.html

6. https://docs.scipy.org/doc/scipy/reference/tutorial/general.html