Ciencia de datos con Pandas en Python

1. Video de introducción: Hola a todos y bienvenidos a mi último curso, Ciencia de Datos con pandas y Python. Entonces, ¿quién soy y por qué deberías escucharme? Bueno, mi nombre es el programador perezoso y soy autor de más de 30 cursos en línea en ciencia de datos, aprendizaje automático y análisis financiero. Tengo dos maestrías en ingeniería y estadística. Mi trayectoria en este campo abarca más de 15 años. He trabajado en varias empresas que ahora llamamos Big Tech y múltiples startups. Usando la ciencia de datos, he aumentado los ingresos en millones de dólares con los equipos que he dirigido. Pero lo más importante es que me apasiona traerte esta tecnología fundamental. Entonces, ¿de qué se trata este curso? Este curso se trata de enseñarte habilidades fundamentales usando la biblioteca de pandas, que se ha convertido en estándar en la última década para hacer Data Science con Python, aprenderás sobre cómo cargar en un conjunto de datos como un marco de datos y cómo manipular DataFrame de formas que se necesitan comúnmente en la ciencia de datos. Por ejemplo, seleccionar diferentes filas y columnas, aplicar funciones a columnas enteras, e incluso cómo hacer gráficas. Estas habilidades son críticas si quieres hacer Data Science con Python en el mundo real. Entonces, ¿quién debe tomar este curso y cómo debe prepararse? Este curso está diseñado para aquellos estudiantes que estén interesados en la ciencia de datos y el aprendizaje automático y que ya tengan alguna experiencia con bibliotecas de computación numérica, como NumPy y Matplotlib. La segunda habilidad que necesitas es alguna programación básica. Cualquier lenguaje está bien, pero como este curso usa Python, eso sería ideal. Por suerte, Python es un lenguaje muy fácil de aprender. Ya conoces otro idioma. deberías tener ningún problema para ponerte al día. Para ambos temas. Un entendimiento a nivel de preparatoria debería ser suficiente. En una licenciatura la comprensión sería aún mejor. Entonces, en cuanto a recursos, ¿qué necesitarás para poder tomar este curso? Por suerte, no mucho. Necesitarás una computadora, un navegador web y una conexión a Internet. Y si estás viendo este video, entonces ya cumples con estas condiciones. Ahora, hablemos de por qué deberías tomar este curso y qué debes esperar sacar de él. Bueno, lo que he notado después enseñar aprendizaje automático durante muchos años es que hay una enorme brecha en el conocimiento. Los alumnos acuden a un curso de aprendizaje automático con ganas de aprender aprendizaje automático. Ellos entenderán los conceptos, pero luego no tienen idea de cómo poner esos conceptos en código porque realmente no saben cómo codificar. Este curso está destinado a llenar ese vacío creando un puente entre un recubrimiento regular y el tipo de codificación que necesitará para la ciencia de datos y el aprendizaje automático. Específicamente cargando y manipulando sus conjuntos de datos. Al final de este curso, habrás aprendido lo suficiente como para salir y usar lo que has aprendido en un conjunto de datos real. De hecho, esto es lo que haremos como nuestro proyecto final. Entonces espero que estés tan emocionada como yo de aprender sobre esta increíble biblioteca. Gracias por escuchar, y nos vemos en la próxima conferencia. 2. Contorno de Pandas: En esta conferencia, vamos a introducir la siguiente sección de este curso, que es sobre pandas. Pandas es una biblioteca que hace que sea muy fácil leer, escribir y manipular datos. Ahora bien, aunque hay mucha funcionalidad en Pandas, no podremos llegar a todo en esta breve sección. Esta sección se centra puramente en los fundamentos. Queremos responder preguntas como, ¿cómo se carga en un CSV y cómo se escribe un CSV? ¿Qué significa un DataFrame y en qué se diferencia eso de una matriz NumPy? Y por cierto, si tienes una formación artística y eres de estadísticas, deberías sentirte como en casa con DataFrames. Vamos a ver las operaciones básicas en DataFrames como seleccionar filas y columnas específicas. Esto va a ser muy extraño si vienes de un fondo puro de programación. Porque la forma en que se ve a primera vista, parece ser lo contrario de lo que verías un numpy. Veremos una función especial llamada función apply, que le permite realizar la misma operación en cada fila de sus datos de manera eficiente sin tener que usar un bucle for. Por último, veremos cómo Pandas hace que trazar tus datos sea muy conveniente. 3. Carga en datos: En esta conferencia, vamos a ver cómo cargar datos usando pandas. Pandas es particularmente útil para los datos que se estructuran como una tabla. Por lo que no se ocupará de datos de imagen o datos de audio o datos de texto no estructurados, si eso es lo que estabas pensando. Los datos tabulares cuando se almacenan en un archivo suelen ser en forma de CSV o TSV. Eso significa valores separados por comas y valores separados por tabuladores. También puedes usar pandas para leer desde una hoja de cálculo de Excel, ya que eso tiene una estructura similar, aunque eso sería más inusual. Entonces para empezar, vamos a importar pandas. Importar pandas como pd. A continuación vamos a descargar un CSV de mi repositorio GitHub. Tanto tú como yo vamos a copiar esta URL de mi libreta preescrita. Así que no intentes escribir esto manualmente como algunos de ustedes a veces lo hacen. Vamos a hacer W get. Y luego esta URL. Como puedes ver, el archivo que acabamos descargar se llama S-box, ese CSV. A continuación vamos a leer en el CSV, así que eso es df igual a pd, lee CSV como cuadro punto CSV. Tenga en cuenta que este comando también funciona directamente con URL. Entonces, si copiamos la URL directamente, vamos a df igual a pd, leemos CSV, y luego pegamos en esa URL. Bien, así que eso también funciona. A continuación, podemos verificar el tipo de objeto que df es haciendo tipo df. Como puede ver, es un objeto de marco de datos y no una matriz NumPy. Ahora, solo por el bien de comparación, deberíamos mirar lo que hay en el archivo real que descargamos. Entonces usemos el comando Linux. Entonces eso es bang head como los libros puntean csv. Entonces, como puedes ver, hay una columna de encabezado con los encabezados fecha, abierto, alto, bajo, cierre, volumen y nombre. Debe quedar claro que estos son los precios de acciones de Starbucks a partir de febrero de 2013. X vamos a volver a los pandas. Pandas tiene un comando análogo y df.head. Vamos a probar eso. Y como puedes ver, si estás en un cuaderno que te muestre una vista previa muy bien formateada de la parte superior de tu DataFrame. También puede establecer el número de filas que desea ver como argumento. Entonces podemos hacer df.head diez. Y eso nos muestra las primeras diez filas en lugar de las primeras cinco. Al igual que en Linux, hay un comando tail. Entonces podemos hacer df, dy tail. Y esto nos muestra el final del DataFrame. Por último, hay una función info, Df dot info. Y esto nos dice alguna información importante sobre el marco de datos. Entonces, como puedes ver, te dice cosas como qué tipo de índice usa ese DataFrame, cuántas columnas tiene, los tipos de datos para esas columnas y cuánta memoria ocupa. 4. Selección de filas y columnas: En esta conferencia, vamos a discutir cómo seleccionar filas y columnas de nuestro DataFrame. Esto es análogo a indexar una matriz. Entonces, por ejemplo con una matriz NumPy, puedo preguntar, dame el elemento en la fila cero, columna cero. Y en ese caso, usaría la notación de corchetes y pasaría en una coma cero cero. Entonces veamos si eso funciona con un DataFrame. Df cero coma cero. Como pueden ver, esto no funciona. Entonces, antes de hacer cualquier otra cosa, revisemos las columnas del DataFrame usando el atributo llamado column. Entonces eso es df, dy. Column devuelve un objeto index con los nombres de columna. Tenga en cuenta que también puede hacer asignación en este atributo con una lista de nombres de columna. Entonces digamos que no me gusta el hecho de que la columna de nombre sea la única que está en mayúscula, ya que ofende mi sentido de uniformidad. Entonces cambiemos eso a minúsculas. Podemos hacer df.column y luego simplemente enviarle una lista. Cambia eso a minúsculas. Y ahí vamos. Y también podemos comprobar que funcionó. Bien, entonces funciona. Bien, así que aquí hay una idea. ¿Y si paso uno de estos nombres de columna entre corchetes? Entonces probemos df. Abierto. Como puede ver, esto devuelve la columna abierta del DataFrame. También podemos seleccionar varias columnas usando una lista de nombres de columnas. Entonces probemos el soporte f open, open bracket, open, close. Y eso devuelve ambas columnas. Ahora, solo por curiosidad, revisemos el tipo de datos para la columna abierta. Entonces ese es tipo abierto. Interesante, entonces es una serie. Ahora vamos a comprobar el tipo de las columnas abiertas y cerradas. Entonces este es un DataFrame. La lección aquí es que cuando solo se tiene una dimensión y los Pandas se suelen almacenar como una serie. Si es bidimensional, es un DataFrame. En este punto, podrías estar pensando que los pandas son muy raros porque se utilizan corchetes para seleccionar columnas. Mientras que en NumPy y cualquier otro tipo de matriz, los corchetes generalmente seleccionarían las filas. La pregunta obvia ahora es, ¿cómo seleccionamos una fila en un DataFrame? La respuesta es que podemos lograr esto usando el I y los atributos locales. Entonces podemos hacer df punto de cero. Y esto devuelve la columna cero del DataFrame. Tal vez quieras volver a verificar eso. También podemos hacer el log de punto F de cero. Y esto también devuelve esa misma fila. Entonces tal vez te estés preguntando ¿cuál es la diferencia? La diferencia es que miro se usa para índices enteros y pase lo que pase, mientras que bajo selecciona la fila por la etiqueta de índice. Y da la casualidad de que en nuestro DataFrame son uno y lo mismo. Para demostrar esta diferencia, volvamos a cargar en nuestro DataFrame, pero esta vez especificaremos que la columna de fecha debe ser el índice. Entonces haremos df2 igual a pd, leeremos CSV como cuadro punto CSV. Y entonces diremos índice col es igual a fecha. Por cierto, se le recomienda encarecidamente que lea la documentación de los pandas. Hay muchos argumentos para las muchas funciones que tiene Pandas y básicamente nunca podrás recordarlas todas. Así que acostúmbrate a usar la documentación. Ahora hagamos la cabeza de punto F2. Entonces, como puedes ver, la columna de fecha parece tener ahora algún tipo de estatus especial. De hecho, es el índice para este DataFrame. Entonces ahora podemos hacer d de demasiado bajo. Y luego podemos pasar en uno de estos índices. Y esto devuelve la primera fila del DataFrame. Por cierto, si comprobamos el tipo de esta fila, podemos ver que también es una serie. Entonces, tanto las filas individuales como las columnas individuales son objetos de serie. Ahora, hablemos de cómo podemos seleccionar varias filas del DataFrame. Supongamos que quiero todas las filas donde el precio de apertura era mayor a 64. Así puedo hacer df soporte abierto, d f abierto mayor a 64. Bien, entonces estas son todas las filas donde el precio de apertura es mayor a 64. Ahora suponga que quiero todas las filas donde el nombre no sea Starbucks. Entonces puedo hacer df, df nombre no igual S-box. Bien, entonces no tenemos filas donde el nombre no sea Starbucks. Entonces parece que usando la notación de corchetes, puedo pasar algo así como un código booleano como este funciona de adentro hacia afuera. Así que vamos a comprobar qué es en realidad esta cosa booleana . Comprobemos el tipo. Entonces quizás no como era de esperar, se trata de una serie que contiene valores booleanos. Entonces los corchetes en un DataFrame excepto una serie booleana como entrada. Ahora, curiosamente, este comportamiento coincide con el funcionamiento de las matrices Numpy. En mi opinión, numpy es más consistente aquí porque esto implica la selección de filas y no llamarlos selección. Entonces hagamos esto. Vamos a importar numpy como np es igual a np.array rango diez. Vamos a ver qué es a. Entonces esta es una matriz de enteros 0-10. Ahora digamos que solo quiero quedarme con los números pares. Entonces puedo hacer un corchete abierto, un mod dos es igual a cero. Esto me da todos los números pares en esa matriz. Ahora como tarea, puedes verificar el tipo de datos de la cosa que acabamos de pasar entre corchetes. Entonces un mod dos es igual a cero. Ahora en la construcción de algoritmos de aprendizaje automático, normalmente se quiere trabajar con matrices de números y no DataFrames que pueden contener todo tipo de objetos. Entonces, ¿cómo podemos convertir un DataFrame en una matriz NumPy? Podemos usar el atributo values. Entonces eso es solo valores de punto df. Ahora desgraciadamente, esto nos da el objeto dtype, que no es lo que queremos si estamos haciendo machine learning, porque ahora hay cadenas dentro de esta matriz. Entonces veamos qué pasa si solo seleccionamos las columnas numéricas. Entonces vamos a hacer un igual df, abrir, cerrar valores, y vamos a comprobar lo que es. Bien, entonces ahora tenemos una matriz adecuada de números. Comprobemos el tipo de a. bien, entonces es una matriz NumPy como se esperaba. Bien, entonces supongamos que ahora que hemos hecho lo que necesitábamos hacer con nuestro DataFrame, nos gustaría guardarlo en un archivo. Esto se logra con las dos funciones CSV. Digamos que quiero mantener sólo las columnas abiertas y cerradas. Entonces puedo hacer pequeño df igual df abierto, cerrar. Y luego puedo hacer pequeño df a CSV, salida punto CSV. Bien, y eso acaba de guardar mi DataFrame un archivo llamado output dot CSV. Ahora podemos usar el comando Linux para ver qué hay en nuestro archivo para que podamos hacer head output dot CSV. Ahora, lamentablemente, parece haber una columna de índice bastante inútil en nuestro archivo. Por suerte, podemos deshacernos de esto. Entonces haremos esta misma línea. Y añadiremos un nuevo argumento. Índice es igual a falso. Ahora podemos volver a intentar el comando jefe. Y la columna índice se ha ido. 5. La función apply(): En esta conferencia, vamos a discutir la función de aplicar. El caso de uso típico para la función apply sería similar al escenario en el que queremos hacer alguna operación en cada elemento de una lista, por ejemplo, si quisiéramos cuadrar cada ítem, por supuesto en Python, sabemos que for loops son lentos, por lo que nos gustaría evitarlos si es posible. La función apply se puede utilizar si desea realizar la misma operación en cada fila de un DataFrame o en cada columna de un DataFrame. En otras palabras, hace lo que quieres hacer con un bucle for sin tener que escribir realmente un bucle for. Entonces hagamos un ejemplo. Supongamos que quiero tener una columna llamada año, donde tomo la columna de fecha existente, analizo el año y la convierto en un entero. Entonces comencemos escribiendo una función que acepte como entrada una sola fila de un DataFrame. Entonces eso sería sordo los dos años y lleva en fila. Entonces vamos a devolver int de rho, fecha de corchete cuadrado. Entonces partiremos esa cuerda con un guión, y luego agarraremos el elemento cero. Ahora bien, si no puedes ver cómo funciona esto de inmediato, sugiero probar esto en una cadena de fecha ficticio. Recordemos que el formato es un año guión, mes día guión. A continuación, vamos a aplicar esta función a cada fila de nuestro DataFrame. Por lo que hacemos df dot aplicar fecha a año. Entonces el primer argumento es un eje de función igual a uno. El eje es igual a uno es necesario. De lo contrario, esto operará columnas en lugar de robots. Así que vamos a ejecutar esto. Y como pueden ver, sacamos una serie que contiene sólo el año de tipo D en 64. Tenga en cuenta que también podemos asignar esa serie a una nueva columna. Entonces podemos hacer df año igual a lo que tenemos arriba. Muy bien, ahora vamos a ver qué le hizo esto a nuestro DataFrame. Como pueden ver, hay una nueva columna llamada año. 6. Consiguiendo con los pandas: En esta conferencia, vamos a ver cómo trazar con pandas. Pandas lo hace muy fácil ya que proporciona métodos de instancia tanto en series como en DataFrames que generan automáticamente gráficas. Entonces probemos algunos. Entonces vamos a hacer df open dot hist. Como puedes ver, esto crea un histograma. ¿Qué tal la parcela abierta F? Como puede ver, esto crea un gráfico de líneas. Por cierto, estos nombres de métodos corresponden a sus versiones en vivo de la trama de mapas, lo que los hace fáciles de recordar. También podemos hacer parcelas más interesantes como la boxplot. Ahora por supuesto, la gráfica de caja es útil para columnas numéricas. Entonces, seleccionemos abrir alto, bajo y cerrar. Entonces eso sería df, abierto alto, bajo, cerca. Y vamos a hacer cuadro de puntos de trama. Y entonces esta es una trama de caja. Otra gráfica que es muy útil para obtener un resumen rápido de tus datos es la matriz de dispersión. Entonces, vamos a trazar esto primero y luego discutiremos lo que estamos viendo. Así que vamos a importar la matriz de dispersión. Así que desde Pandas dot plotting importar la matriz de dispersión. Y entonces vamos a llamar a esta función. Entonces, la matriz de dispersión, el mismo DataFrame que el anterior. Y entonces diremos alfa es igual a 0.2 y figsize es igual a 66. ¿Bien? Esta es una matriz de dispersión. Entonces como saben que alfa es igual a 0.2 hace que los puntos tengan transparencia y el tamaño fijo hace que la trama sea un poco más grande para que podamos verla mejor. Entonces, ¿qué es esta trama? Básicamente, esta gráfica muestra la correlación lineal entre cada una de las columnas de datos. En la diagonal, obtenemos un histograma de cada columna individual. Entonces nos permite ver la distribución de nuestros datos. Es decir, se trata de un resumen estadístico de los datos. Vemos qué tipo de distribución tiene cada columna y cómo se relacionan entre sí. 7. Ejercicio de pandas: En esta conferencia, vamos a repasar el siguiente ejercicio para la disección con pluma. En este ejercicio, combinarás lo aprendido en las secciones anteriores y lo llevarás un paso más allá. También tendrás que hacer uso de la documentación de los pandas para poder completar este ejercicio. Por cierto, el uso de la documentación es muy importante porque estas bibliotecas se actualizan constantemente y las API siempre están cambiando. Podrías tomar un campamento de entrenamiento de semanas enteras sobre pandas y aún así no saber la mitad de lo que los pandas tienen para ofrecer. E incluso si estudiaste todo el pan es API, que por cierto es muy poco probable, modos no podrías memorizar todos modos no podrías memorizar todo el asunto. Aunque pudieras memorizar toda esa información, ¿por qué querrías cuando lo que has memorizado mi cambio? Así que no intentes memorizar la sintaxis ni apegarte demasiado a alguna forma particular de hacer las cosas, solo aprende a usar la documentación. Y otra nota, deberías hacerlo sin usar blogs o tutoriales. Utilice únicamente la documentación oficial de Pandas y NumPy. Bien, entonces, ¿cuál es el ejercicio? En este ejercicio, generará el dataset de donas son el dataset de círculos concéntricos. Una vez que haya generado el conjunto de datos, que por supuesto se almacenará en una matriz, va a crear un DataFrame a partir de esa matriz. Quieres llamar a los nombres de columna X1 y X2. Entonces querrás derivar nuevas columnas basadas en X1 y X2. estos los llamamos expansión cuadrática de características. Entonces quieres generar tres nuevas columnas, x1 al cuadrado, x2 al cuadrado y X1 por X2. Puede encontrar que la función apply es útil aquí. Además, desea nombrar estas columnas de manera apropiada. Finalmente, después de haber completado su DataFrame, guárdelo en un CSV sin encabezados y sin ninguna columna de índice. Por lo tanto, su CSV debe contener solo los números que se almacenarían si se tratara de una matriz NumPy. Buena suerte y nos vemos en la próxima conferencia. 8. Dónde obtener cupones de descuento y material de aprendizaje automático GRATUITO: Hola a todos y bienvenidos de nuevo a esta clase. En esta conferencia voy a responder una de las preguntas más comunes que me dan. ¿Dónde puedo obtener cupones de descuento y material gratuito de deep learning? Empecemos con cupones. Tengo varias formas de que te mantengas al día conmigo. Esa absoluta número uno, mejor manera para que te mantengas al día con cupones de descuento recién lanzados es suscribirte a mi newsletter. Hay varias maneras de hacer esto. Primero, puedes visitar mi página web, programador perezoso punto. En la parte superior de la página, hay una casilla donde puedes ingresar tu correo electrónico e inscribirte al boletín. Otro sitio web que tengo y opero son los cursos de deep learning. Este sitio web contiene en gran medida los mismos cursos que ves en esta plataforma, pero también contiene material VIP extra. Más sobre eso más adelante. Entonces, si te desplazas hasta la parte inferior de este sitio web, encontrarás una casilla para ingresar tu correo electrónico, que te inscribirá el boletín como lo harías en el programa lazy en DOT ME. Entonces sólo tienes que hacer uno de estos. Ahora hagamos una pequeña digresión porque esta es otra pregunta común que me sale. ¿De qué se trata este material VIP y cómo puedo obtenerlo? Entonces así es como funciona lo VIP. Por lo general, cuando libere un curso, lo lanzaré con material VIP temporal, que es exclusivo para aquellos madrugadores que se inscribieron al curso durante mi anuncio. Esta es una pequeña recompensa agradable para aquellos de ustedes que se mantienen al día con mis anuncios y por supuesto, en realidad los leen. Es importante tener en cuenta que material VIP puede salir en cualquier momento. Por ejemplo, no se pudieron hacer actualizaciones importantes a un curso tres años después de iniciarlo y hacer otro lanzamiento VIP. El propósito de los cursos de aprendizaje profundo es tener un hogar permanente para estos materiales VIP. Entonces a pesar de que podría ser temporal en la plataforma en la que te registraste. Si te inscribes en la versión VIP del curso, entonces tendrás acceso a los materiales VIP en cursos de aprendizaje profundo permanentemente a pedido. Aquí hay algunos ejemplos de materiales que puede encontrar en las secciones VIP de mi TensorFlow por supuesto, hay tres horas extra de material sobre Deep Dream y localización de objetos. Normalmente no lanzo el contenido VIP en formato video, pero esto fue una excepción. Otro ejemplo en mi curso de IA de vanguardia fue una sección extra escrita sobre el algoritmo T3. Este curso abarcó tres algoritmos en total. Entonces la sección de extras que te da uno más, o en otras palabras, 33% más de material. Otro ejemplo en mi coro avanzado de PNL y RNNs es una sección sobre reconocimiento de voz que usa aprendizaje profundo. Además, hay una sección completamente nueva del curso sobre predicciones de stock o redes de memoria, dependiendo de la versión del curso que estés tomando. La razón de esto es que podría lanzar versiones ligeramente diferentes de cada curso en diferentes plataformas. Por cómo funcionan las reglas en todas estas plataformas, debo diferenciar los cursos. No obstante, como soy dueño de un curso de aprendizaje profundo, esta es la única plataforma que contiene la versión más completa del curso, que incluye todas las secciones. Tenga en cuenta que esto es raro, por lo que dependiendo del curso que esté tomando, puede que no le afecte. Bien, así que volvamos a ti. Cupones de descuento y material gratuito. Otros lugares donde anuncié cupones de descuento son Facebook, Twitter y YouTube. Es posible que desee pausar este video para que pueda ir a estas URL y seguirme o suscribirse a mí en estos sitios si son sitios web que usa regularmente. Entonces para Facebook, ese facebook.com slash lazy programmer dot Emmy para Twitter, eso es twitter.com slash lazy underscore científicos para YouTube, youtube.com slash C slash lazy programmer x. De vez en cuando, todavía soltaba material completamente gratuito. Esto es agradable si solo quiero hablar un tema singular sin tener que hacer un curso completo para ello. Por ejemplo, acabo de publicar un video sobre las predicciones del mercado de valores y por qué mayoría de los otros blogs en los cursos abordan este problema completamente mal. Ese es otro beneficio de apuntarse a estas cosas. Llego a exponer a científicos de datos falsos que realmente son comercializadores. Mientras que nunca haría un curso completo sobre eso. A veces esto puede ser en forma escrita y a veces puede ser en forma de video. Si es en forma escrita, será en programa perezoso y me enseñó o cursos de aprendizaje profundo. Si es un video, será en YouTube. Así que asegúrate de suscribirte a mí en YouTube. Si lanzo un video, también puedo hacer un post al respecto en lazy programmer dot ME. Y también puedo anunciarlo usando otros métodos que discutí anteriormente. Entonces ese es el boletín, Facebook, twitter, y obviamente el propio YouTube. Ahora me doy cuenta que son muchas cosas y probablemente no uses todas estas plataformas. Desde luego no, al menos no regularmente. Entonces, si quieres hacer lo mínimo, Esto es lo que debes hacer. Primero, inscríbase a mi newsletter. Recuerda que puedes hacerlo ya sea en un programa perezoso en DOT ME o en cursos de deep learning. Segundo, suscríbete a mi canal de YouTube en youtube.com. Slash C slash lazy programador x. gracias por escuchar y te veré en la próxima conferencia.