Tu carrito esta vacio
Agrega packs de prompts para continuar
Domina el ecosistema de Python con esta colección definitiva de prompts diseñada para transformar tu productividad técnica. Desde la automatización de procesos complejos hasta la arquitectura de microservicios de alto rendimiento, cada instrucción ha sido optimizada para ofrecer soluciones directas, código limpio y mejores prácticas de la industria en segundos. Ideal para desarrolladores, analistas de datos e ingenieros de software que buscan elevar la calidad de sus proyectos. Esta guía elimina la ambigüedad y proporciona el marco exacto para resolver desafíos algorítmicos, manipular grandes volúmenes de datos y construir sistemas robustos, garantizando una ventaja competitiva en el mercado tecnológico actual.
100 recursos incluidos
Actúa como un experto en Ciencias de la Computación y optimización de algoritmos de búsqueda. Tu tarea primordial es diseñar, documentar y validar una implementación robusta, eficiente y profesional del algoritmo de 'Búsqueda Binaria Recursiva' utilizando el lenguaje [Lenguaje_Programacion], bajo el paradigma de 'Divide y Vencerás'. El objetivo es localizar un [Elemento_Objetivo] dentro de una [Estructura_de_Datos] que se asume previamente ordenada de forma ascendente. La implementación debe ser extremadamente eficiente en términos de memoria, evitando el uso de técnicas costosas como el 'slicing' de listas en cada llamada, y optando en su lugar por el paso de índices de control (low, high). Es imperativo que el código incluya anotaciones de tipos (Type Hinting) y un Docstring estructurado que explique detalladamente el propósito de cada parámetro, el valor de retorno y las precondiciones necesarias para el correcto funcionamiento del algoritmo en entornos de producción. Además del código fuente, debes proporcionar un análisis exhaustivo de la complejidad algorítmica. Desglosa la complejidad temporal en notación Big O para el mejor caso, el caso promedio y el peor caso, explicando por qué este método alcanza una eficiencia de O(log n). No olvides analizar la complejidad espacial, considerando específicamente el impacto del stack de llamadas recursivas en la memoria del sistema, especialmente cuando se trabaja con un [Volumen_Datos] considerablemente grande. Para garantizar la fiabilidad del software, desarrolla una suite de pruebas unitarias (Unit Tests) utilizando un framework estándar. Estas pruebas deben cubrir casos de borde críticos: búsqueda de elementos en los extremos de la colección, búsqueda de un elemento central, intentos de localización de elementos inexistentes, manejo de colecciones con un solo elemento y el comportamiento del script ante una colección vacía. El código debe seguir las convenciones de estilo estandarizadas para el lenguaje seleccionado, como PEP 8 si se opta por Python. Finalmente, incluye una sección de optimización avanzada donde compares este enfoque recursivo con la versión iterativa. Discute los límites de profundidad de recursión del sistema y propón soluciones o configuraciones necesarias para manejar datasets de tamaño [Tamaño_Maximo_Esperado]. Asegúrate de que el tono sea técnico, educativo y profesional, orientado a desarrolladores que buscan integrar lógica de búsqueda optimizada en sistemas escalables.
Actuarás como un Ingeniero de Datos senior especializado en el ecosistema de Python y la librería Pandas. Tu objetivo principal es diseñar un flujo de trabajo exhaustivo para la limpieza y segmentación de un dataset de gran escala utilizando exclusivamente técnicas de Máscaras Booleanas (Boolean Indexing). El dataset en cuestión se denomina [Nombre_Dataset] y contiene información crítica sobre [Descripción_Datos]. Debes enfocarte en la optimización de memoria y velocidad de ejecución, evitando ciclos 'for' y priorizando operaciones vectorizadas para garantizar un procesamiento eficiente en entornos de producción de alto rendimiento. En primer lugar, realizarás una inspección técnica de la estructura del DataFrame para identificar valores atípicos, inconsistencias de tipo y valores nulos que puedan comprometer la integridad del análisis posterior. Una vez detectados estos puntos de fricción, crearás una serie de máscaras lógicas complejas que combinen múltiples condiciones utilizando operadores bitwise (&, |, ~). Por ejemplo, filtra las filas donde la columna [Columna_Criterio_1] sea estrictamente superior a [Umbral_1] y, simultáneamente, la columna [Columna_Criterio_2] cumpla con un patrón específico definido por [Patrón_Regex] o pertenezca a un conjunto de valores discretos. Posteriormente, implementa una lógica de filtrado jerárquico de gran profundidad. Genera una máscara maestra que actúe como filtro de calidad para eliminar registros corruptos o irrelevantes y luego segmenta el dataset en subconjuntos específicos basados en las categorías indicadas en [Lista_Categorias]. Para cada segmento resultante, calcula estadísticas descriptivas clave (media, mediana, desviación estándar) que validen la integridad de la operación de filtrado. Es imperativo que expliques la diferencia técnica entre el uso de '.loc[]' con máscaras booleanas frente al filtrado directo por suscripción, justificando cuál es la mejor práctica para la asignación segura de valores en este escenario de limpieza profunda y manipulación de datos masivos. Finalmente, produce un script de Python completo, modular y exhaustivamente comentado. El código debe incluir la creación paso a paso de las máscaras, su aplicación efectiva y una fase de validación de resultados que compare el tamaño original del dataset frente al dataset filtrado. Asegúrate de manejar correctamente las advertencias comunes de Pandas, como el 'SettingWithCopyWarning', mediante el uso de copias profundas o indexación explícita. El resultado final debe ser una solución profesional lista para ser integrada en un pipeline de datos automatizado, garantizando que el dataset [Nombre_Dataset] quede purificado y estructurado para modelos de Machine Learning o análisis de Business Intelligence avanzados.
Actúa como un Ingeniero de Visualización de Datos senior experto en el ecosistema de Python, específicamente especializado en la librería Matplotlib y su integración con entornos de producción científica. Tu objetivo principal es desarrollar un script altamente sofisticado y modular que permita la creación y exportación de gráficos de calidad premium, listos para ser publicados en revistas académicas de alto impacto o presentaciones corporativas de gran escala. El script debe configurar de manera global los parámetros de 'rcParams' para asegurar que cada elemento visual, desde el grosor de las líneas hasta el tamaño de las etiquetas de los ejes, cumpla con estándares de diseño profesional [ESTANDAR_DISEÑO]. Configura el entorno de renderizado para utilizar fuentes específicas de alta legibilidad como [TIPO_DE_FUENTE] y, si es posible, integra el motor de renderizado de LaTeX para la correcta visualización de expresiones matemáticas complejas dentro de las anotaciones del gráfico. La estructura del código debe permitir la personalización de una paleta de colores cromáticamente balanceada [PALETA_DE_COLORES], asegurando que los contrastes sean óptimos para personas con daltonismo y que la estética general sea minimalista pero informativa. Se requiere que el gráfico sea de tipo [TIPO_DE_GRAFICO], utilizando un conjunto de datos estructurado bajo la descripción [DESCRIPCION_DATASET]. El núcleo de tu tarea es implementar una lógica de exportación avanzada mediante una función dedicada que maneje múltiples formatos de salida simultáneamente (SVG, PDF, PNG y TIFF). Esta función debe permitir el ajuste dinámico del parámetro DPI (Dots Per Inch) a un valor de [VALOR_DPI] para los formatos rasterizados, asegurando que no ocurra pixelación incluso al ampliar la imagen significativamente. Incluye el uso de 'bbox_inches="tight"' para eliminar espacios en blanco innecesarios alrededor de la figura y activa la opción de fondo transparente mediante [ACTIVAR_TRANSPARENCIA] según las necesidades del usuario final. Al finalizar, genera una breve explicación técnica comparativa sobre cuándo es preferible utilizar formatos vectoriales frente a formatos de mapa de bits para este gráfico en particular.