<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Sebastian Alibaud on Medium]]></title>
        <description><![CDATA[Stories by Sebastian Alibaud on Medium]]></description>
        <link>https://medium.com/@sebastian.alibaud?source=rss-3607fe4dca27------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/0*xUNUdXKo83M_hiNv</url>
            <title>Stories by Sebastian Alibaud on Medium</title>
            <link>https://medium.com/@sebastian.alibaud?source=rss-3607fe4dca27------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 08:45:35 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@sebastian.alibaud/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[Sacando las armas pesadas con el modelo Stackingclassifier]]></title>
            <link>https://medium.com/@sebastian.alibaud/sacando-las-armas-pesadas-con-el-modelo-stackingclassifier-c42bda3037e3?source=rss-3607fe4dca27------2</link>
            <guid isPermaLink="false">https://medium.com/p/c42bda3037e3</guid>
            <category><![CDATA[data-science]]></category>
            <category><![CDATA[stacking]]></category>
            <category><![CDATA[python]]></category>
            <dc:creator><![CDATA[Sebastian Alibaud]]></dc:creator>
            <pubDate>Tue, 29 Sep 2020 00:15:48 GMT</pubDate>
            <atom:updated>2020-09-29T00:15:48.905Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*b2IHLVJewFD87RwXiTxHsw.jpeg" /><figcaption><a href="https://pixabay.com/">pixabay</a></figcaption></figure><p>Hace un tiempo ya que he logrado afinar mi estrategia cuando se trata de buscar el mejor ajuste en un modelo. ¿Ese es siempre mi objetivo final? La verdad no, suelo ser más fanático de modelos blancos o explicativos y a la vez sacrificar un poco de ajuste (dependiendo de la métrica objetivo).</p><p>Sin embargo, muchas veces nos vemos en la necesidad de tener que usar nuestras estrategias más duras y oscuras. Entre mi repertorio de poco conocimiento puedo decir que hay un modelo que solo ocupo con el único objetivo de mejorar mis errores, este modelo es el stacking.</p><p>Vale pero, ¿qué es este modelo?, ¿cómo funciona? o ¿para qué sirve? No tengo como objetivo explicar la historia presente de este modelo, pero si puedo comentarles algunas cosas.</p><p><strong>Modelos ensamblados</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/409/1*yZhzlllPx3Hqyw5o-ru3zw.png" /><figcaption><a href="https://towardsdatascience.com/what-is-machine-learning-885aa35db58b">https://towardsdatascience.com/what-is-machine-learning-885aa35db58b</a></figcaption></figure><p>La publicación de <a href="https://towardsdatascience.com/what-is-machine-learning-885aa35db58b">Fhel Dimaano</a> ejemplifica bastante bien donde están ubicados este tipo de modelos. En general los modelos de este tipo se clasifican en tres grupos:</p><p><strong>Bagging:</strong> Los modelos bagging tienen la particularidad de ser modelos que toman distintas muestras desde tu data sets para ajustar el mismo modelo, donde finalmente sus resultados se promedian para obtener una estimación. Esto último es una explicación sesgadamente simple.</p><p><strong>Boosting:</strong> Estos modelos difieren un poco respecto a lo anterior, debido a que, en este caso, no se ajusta en paralelo distintas muestras al mismo modelo. Este tipo de modelos es de forma secuencial y se agregan nuevas muestras para ir ajustando tu modelo en base al error que va generando.</p><p>Nuevamente, esta parte es solo un repaso simple y no pretende ser una guía detallada.</p><p><strong>Stacking:</strong> Vamos a lo que nos interesa, esta arma con doble filo que muchas veces nos ayuda a mejorar predicciones. La idea principal en este caso es tener un dataset inicial y realizar varios ajustes con distintos modelos. En caso de que tengamos dos o más modelos que se ajustan bien, no es necesario elegir uno, mas bien, podemos juntar sus predicciones y agregarlas nuevamente a nuestro dataset para finalmente ajustar de mejor forma el modelo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/564/1*_czNcPuyXp46ma6GqITLQw.jpeg" /><figcaption>Vasily Zubarev (vas3k.com)</figcaption></figure><p>Suena un poco extraño, lo sé, pero lo increíble es que muchas veces mejora mucho la predicción.</p><p>Veamos un ejemplo real.</p><p>Para este ejemplo usaré la información de los <a href="https://raw.githubusercontent.com/salibaud/Inclusi-n-Financiera-en-Latinoam-rica/master/4904b5a6417f2c49badf34dbf4dafdc5.csv"><strong>Datos de la encuesta sobre la inclusión financiera</strong></a><strong> </strong>publicado por la web <a href="https://www.datasource.ai/es/users/949/competitions/inclusion-financiera-en-latinoamerica/profile_competition">datascource</a> hace un tiempo.</p><p>El detalle es el siguiente:</p><p>Definición de las variables</p><ul><li>country = Pais entrevistado.</li><li>year = Año de la encuesta.</li><li>uniqueid = Id identificador entrevistado</li><li>location_type = Tipo de lugar: Rural, Urban</li><li>cellphone_access = El entrevistado tiene acceso a telefono: Yes, No</li><li>household_size = Numero de personas que viven en el hogar</li><li>age_of_respondent = Edad del entrevistado</li><li>gender_of_respondent = Genero: Male, Female</li><li>relationship_with_head = Relacion del entrevistado con el jefe de hogar.</li><li>marital_status = Estado matrimonial</li><li>education_level = Nivel educacional</li><li>job_type = Tipo de trabajo</li></ul><p><strong>Su objetivo es predecir con precisión la probabilidad de que un individuo tenga una cuenta bancaria o no, es decir, Sí = 1, No = 0.</strong></p><p>Antes de empezar dejo el código completo para que puedan verlo <a href="https://github.com/salibaud/Stackingclassifier_exampe">aquí</a>.</p><p>Vamos a la lectura de los datos</p><pre>import warnings<br>warnings.filterwarnings(&#39;ignore&#39;)</pre><pre>import keras<br>import pandas as pd<br>from imblearn.over_sampling import SMOTE <br>import numpy as np<br>from sklearn.metrics import confusion_matrix,accuracy_score<br>from sklearn.model_selection import train_test_split</pre><pre>train=pd.read_csv(&quot;84497f2b3a53ac1bff2d67db0ba4a2a6.csv&quot;)<br>test=pd.read_csv(&quot;4904b5a6417f2c49badf34dbf4dafdc5.csv&quot;)<br>train.head()</pre><p>El resultado de mi dataset de entrenamiento sería de la siguiente forma:</p><iframe src="https://cdn.embedly.com/widgets/media.html?src=https%3A%2F%2Fsheetsu.com%2Ftables%2F3476e30305&amp;dntp=1&amp;display_name=Sheetsu&amp;url=https%3A%2F%2Fsheetsu.com%2Ftables%2F3476e30305&amp;key=a19fcc184b9711e1b4764040d3dc5c07&amp;type=text%2Fhtml&amp;schema=sheetsu" width="700" height="491" frameborder="0" scrolling="no"><a href="https://medium.com/media/db0c23527847cf964cfb3bef2e0d3144/href">https://medium.com/media/db0c23527847cf964cfb3bef2e0d3144/href</a></iframe><p>Sólo para este caso, pasaré por alto la explicación de todo el proceso de exploración de variables, ingeniería de datos, limpieza y otros.</p><p>Pero agrego un resumen de los pasos que debo generar para aplicar el modelo:</p><pre>#porcentaje de missing<br>round(100*(train.isnull().sum()/len(train.index)), 2)</pre><pre>#la base viene sin missing</pre><pre>def variables_dummy(dataset,variable):<br>    cat_dummies = pd.get_dummies(dataset[variable],prefix=variable).iloc[:,1:]<br>    data_new = dataset.join(cat_dummies)<br>    dataset = data_new.drop([variable],axis=1)<br>    return dataset</pre><pre>muestra = train<br>muestra1=variables_dummy(muestra,&quot;bank_account&quot;)<br>muestra1=variables_dummy(muestra1,&quot;location_type&quot;)<br>muestra1=variables_dummy(muestra1,&quot;cellphone_access&quot;)<br>muestra1=variables_dummy(muestra1,&quot;gender_of_respondent&quot;)<br>muestra1=variables_dummy(muestra1,&quot;relationship_with_head&quot;)<br>muestra1=variables_dummy(muestra1,&quot;marital_status&quot;)<br>muestra1=variables_dummy(muestra1,&quot;education_level&quot;)<br>muestra1=variables_dummy(muestra1,&quot;job_type&quot;)<br>muestra1=variables_dummy(muestra1,&quot;country&quot;)<br>train=muestra1</pre><pre>train[&quot;household_size&quot;] = np.where(train[&quot;household_size&quot;] &gt; train[&quot;household_size&quot;].quantile(0.95), train[&quot;household_size&quot;].mean(), train[&quot;household_size&quot;])<br>train[&quot;age_of_respondent&quot;] = np.where(train[&quot;age_of_respondent&quot;] &lt; train[&quot;age_of_respondent&quot;].quantile(0.05), train[&quot;age_of_respondent&quot;].mean(), train[&quot;age_of_respondent&quot;])</pre><pre>muestra = test<br>muestra1=variables_dummy(muestra,&quot;location_type&quot;)<br>muestra1=variables_dummy(muestra1,&quot;cellphone_access&quot;)<br>muestra1=variables_dummy(muestra1,&quot;gender_of_respondent&quot;)<br>muestra1=variables_dummy(muestra1,&quot;relationship_with_head&quot;)<br>muestra1=variables_dummy(muestra1,&quot;marital_status&quot;)<br>muestra1=variables_dummy(muestra1,&quot;education_level&quot;)<br>muestra1=variables_dummy(muestra1,&quot;job_type&quot;)<br>muestra1=variables_dummy(muestra1,&quot;country&quot;)<br>test=muestra1</pre><pre>y=train[&quot;bank_account_Yes&quot;]<br>x=train.drop([&quot;bank_account_Yes&quot;,&quot;year&quot;,&quot;uniqueid&quot;], axis=1)</pre><p>Es importante mencionar para este ejemplo, que existe un desbalance en los datos de cuentas bancarias:</p><p>Arreglemos esto solo para entrenamiento:</p><pre>conversion = (sum(train[&#39;bank_account_Yes&#39;])/len(train[&#39;bank_account_Yes&#39;].index))*100<br>conversion<br>#14%</pre><p>Separamos muestras</p><pre>x_res,x_test,y_res,y_test=train_test_split(x,y,test_size=0.2,random_state=1010,stratify=y)</pre><p>Para balancear usamos la función smote del paquete imblearn</p><pre>nm = SMOTE(random_state = 10101)<br>x_train,y_train=nm.fit_resample(x_res,y_res)</pre><p>Entonces en este punto tenemos una base que podemos usar para resolver nuestro problema inicial que es <strong>predecir con precisión la probabilidad de que un individuo tenga una cuenta bancaria o no.</strong></p><p>Es un problema de clasificación claramente, entonces en este caso ocuparemos los clásicos modelos logístico y bosque aleatorio que se encuentran en la librería de sklearn, y usaremos adicionalmente una búsqueda de mejores hiperparámetros.</p><pre>from sklearn.linear_model import LogisticRegression<br>from sklearn.ensemble import RandomForestClassifier<br>from sklearn.model_selection import GridSearchCV</pre><pre>logistico_grid={&quot;C&quot;:np.logspace(-3,3,3), &quot;penalty&quot;:[&quot;l1&quot;,&quot;l2&quot;],&quot;solver&quot;:[&quot;liblinear&quot;,&quot;lbfgs&quot;]}</pre><pre>rf_grid = {&#39;n_estimators&#39;:[25,30,50,80],&#39;max_depth&#39;:[8,10,15],&#39;random_state&#39;: [0,1,5]}</pre><pre>lr=GridSearchCV(LogisticRegression(),logistico_grid,cv=5,scoring=&#39;roc_auc&#39;)</pre><pre>randf=GridSearchCV(RandomForestClassifier(),rf_grid, cv=5,scoring=&#39;roc_auc&#39;)</pre><pre>accuracy_score(y_test,ajuste_lr.predict(x_test))<br>accuracy_score(y_test,ajuste_rf.predict(x_test))</pre><p>Como se puede apreciar, el ejercicio consiste en buscar el mejor ajuste para cada modelo, pasando por varias configuraciones de parámetros y una validación cruzada de 5.</p><p>Los resultados para cada modelo son los siguientes:</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/558/1*v4FgMwZ52JsPvMKUqQC73Q.png" /></figure><p>Aquí todo depende del criterio o problema que queremos resolver, en mi caso usualmente me fijo siempre en el accuracy pero en mi trabajo suelo mirar a la distancia el recall (evidentemente todo depende del problema).</p><p>Pero bien, para este caso el objetivo es tener el mejor acurracy posible. Para el modelo de regresión logística es de <strong>81,8%</strong> en el data set test y para el caso de random forest un <strong>84%</strong> (nada mal la verdad).</p><p>Veamos si podemos mejorar esto con un modelo stack. Primero llamemos a la función desde sklearn para luego definir la unión de estos dos modelos</p><pre>from sklearn.ensemble import StackingClassifier</pre><pre>modelos =[<br>    (&#39;lr&#39;,LogisticRegression(C=1,penalty=&quot;l2&quot;,solver=&quot;liblinear&quot;)),<br>   (&#39;rfc&#39;,RandomForestClassifier(max_depth=20,n_estimators=85,random_state=0))<br>         ]</pre><p>Ok, ahora sabemos que nuestro data set de entrenamiento lo ajustaremos por estos dos modelos (que tienen la mejor configuración de la construcción anterior realizada) y estas predicciones, las pasaremos a nuestro data set, para finalmente predecir con un bosque aleatorio nuestro resultado final.</p><pre>modelo_salida = RandomForestClassifier(max_depth=20,n_estimators=85,random_state=0)</pre><pre>#voy a forzarlo a usar las variables predictivas con las predichas</pre><pre>stack1=StackingClassifier(estimators=modelos, final_estimator=modelo_salida,n_jobs=1,passthrough=True,verbose=10)</pre><pre>stack1.fit(x_train,y_train)</pre><p>Luego de un rato de ajuste podemos obtener nuestro score</p><pre>accuracy_score(y_test,stack1.predict(x_test))<br>0.8622741764080765</pre><p>De los dos modelos generados anteriormente, obtuvimos un buen resultado con el bosque aleatorio (84% de accuracy) pero el modelo stack nos permitió subir este valor a <strong>86,2%</strong>.</p><p>Vale, pero donde está el rigor científico de saber la importancia de las variables u obtener <em>insight</em> que nos permitan movilizar proyectos. La verdad es que esto es solo un ejemplo simple de un arma pesada. ¡Atento!, no siempre mejora la predicción.</p><p>Algunas personas podrán decir que vieron estos resultados en datasource, donde generé un modelo stack que obtuvo un ajuste de 91,2% (muy lejos de lo que se ve en este ejemplo).</p><p>La respuesta es simple, a pesar de que este modelo stack es usar una bazuca sin una interpretación clara, el uso práctico es mucho más profundo.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/727/1*ZoHid4FrKvxYzyWGRtdeVg.png" /><figcaption>datacamp — Winning a Kaggle Competition in Python course</figcaption></figure><p>Podemos usar varios modelos y juntarlos mediante un modelo stack que a su vez, puede ser la unión de nuevos modelos stack.</p><p>Todo depende de la estrategia, seguir esta lógica que comento es despreciar el problema original en búsqueda del mejor ajuste (¿¿algún concurso??).</p><p>Lo importante es saber que las posibilidades que entregan los modelos ensamblados son un digno rival frente a otras opciones.</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=c42bda3037e3" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[El desafio de crear un portal de reportes con Python]]></title>
            <link>https://medium.com/@sebastian.alibaud/el-desafio-de-crear-un-portal-de-reportes-con-python-36b085785615?source=rss-3607fe4dca27------2</link>
            <guid isPermaLink="false">https://medium.com/p/36b085785615</guid>
            <category><![CDATA[python]]></category>
            <category><![CDATA[portal]]></category>
            <category><![CDATA[desafio]]></category>
            <category><![CDATA[dash]]></category>
            <dc:creator><![CDATA[Sebastian Alibaud]]></dc:creator>
            <pubDate>Mon, 21 Sep 2020 18:51:08 GMT</pubDate>
            <atom:updated>2020-09-21T19:04:44.262Z</atom:updated>
            <content:encoded><![CDATA[<figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t-dMREHToF7btCsctybAEw.png" /></figure><p>Hace un par de días, un colega que estimo mucho me comento respecto a un portal de reportes creado en angular. Era un portal simple, sencillo y directo.</p><p>Lo único que logre pensar era “como poder replicar esto en python” (no soy fanático de angular claramente). Sin embargo, el problema estaba planteado, no sé por dónde partir, o a quien preguntar. Un sistema en Flask o Django seria en exceso complicado dada mis limitaciones. Además, seria entrar en el mundo de las hojas de estilo (css) o html tag combinando funciones.</p><p>En estos casos lo mejor es recurrir a mi compañero personal de mil batallas “Google” y la sorpresa fue que existe un paquete similar a lo que es Shiny en R que me permitía acceder a un sin numero de ejemplos y casos de uso, “Bueno tengo algo por donde partir”</p><p>La idea de este post no es dejarles un paso a paso con las instrucciones para hacer un dashboard. Créanme, es difícil. Sin embargo hoy en día los sistemas opensource que existe permiten hacer mucho, con muy poco.</p><p>Lo que verán a continuación es un ejemplo de que no se necesita partir de cero para crear algo, solo tomando los trabajos hechos por colegas, podemos armarnos de un sistema que no será como un Power BI o SAS Visual Analitics. pero nos costará prácticamente nada en cuanto a costo monetario.</p><h3><strong>Dash</strong></h3><p>Antes de comenzar es bueno tener una referencia del trabajo hecho, por tanto <a href="https://github.com/salibaud/Dashboard-Python">aquí</a> dejo el repositorio donde se encuentra todo el trabajo.</p><p>Utilizando la definición dada por <a href="https://openwebinars.net/blog/que-es-dash/#:~:text=Dash%20es%20un%20framework%20de,dashboard%20o%20cuadro%20de%20mando.">openwebinars</a> pude notar que el paquete dash es en rigor:</p><blockquote>Un framework de Python que está pensado para construir aplicaciones web, pero se utiliza también mucho para crear visualizaciones, porque permite customizar mucho tu dashboard o cuadro de mando.</blockquote><blockquote>Dash está basado principalmente en <strong>Flask, Plotly y ReactJS</strong>, y estas tres herramientas en las que se basa hacen que tenga las siguientes características.</blockquote><p>Un momento, ¿Flask? Parece que de esta no me salvo, pero un par de horas de debugeo pude notar lo simple que es generar un dashboard con este paquete.</p><p>Para crear el reporte, me base en uno que se encuentra en la galería de <a href="https://dash-gallery.plotly.host/dash-salesforce-crm/">dash</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*w-gYxNclhIn9tjqTggJXDg.png" /><figcaption><a href="https://dash-gallery.plotly.host/dash-salesforce-crm/">https://dash-gallery.plotly.host/dash-salesforce-crm/</a></figcaption></figure><p>El formato que yo pude descubrir respecto a los Dash es el siguiente:</p><p>(lose lose, dije que no escribiría código pero bueno, nace del alma):</p><p><strong>Layout: </strong>Tenemos una variable llamada layout donde va todo el cuerpo HTML del reporte (incluidas las hojas de estilo). Esto se puede ver mas o menos así para mi encabezado o head:</p><pre>layout = html.Div(<br>    className=&#39;header&#39;,<br>    children=html.Div(<br>        className=&#39;container-width&#39;,<br>        style={&#39;height&#39;: &#39;100%&#39;},<br>        children=[<br>            html.Img(src=&#39;assets/dash-logo-stripe.svg&#39;,className=&#39;logo&#39;),<br>            #html.Img(src=app.get_asset_url(https://medium.com/&quot;logo_jpn.png&quot;)),<br>            html.Div(className=&#39;links&#39;, children=[<br>                #html.Div(id=&#39;panel1&#39;, className=&#39;link1&#39;),<br>                #html.Div(id=&#39;panel2&#39;, className=&#39;link1&#39;),<br>                html.Div(id=&#39;separador&#39;, className=&#39;link&#39;),<br>                html.Div(id=&#39;administrador&#39;, className=&#39;link&#39;),<br>                html.Div(id=&#39;user-name&#39;, className=&#39;link&#39;),<br>                html.Div(id=&#39;logout&#39;, className=&#39;link&#39;),<br>                <br>            ]),<br>            html.Div(className=&#39;links1&#39;, children=[<br>                html.Div(id=&#39;panel1&#39;, className=&#39;link1&#39;),<br>                html.Div(id=&#39;panel2&#39;, className=&#39;link1&#39;),<br>                html.Div(id=&#39;registro_visitas&#39;, className=&#39;link&#39;),<br>               # html.Div(id=&#39;logout&#39;, className=&#39;link&#39;)<br>            ]),<br>        ]<br>    )<br>)</pre><p>Donde las funciones HTML del paquete dash_html_components contienen TAG que pueden ser invocados (Div, Link, Buttom).</p><p>Por otra parte, tenemos las <strong>ClassName</strong> que no son mas que la llamada a la hoja de estilo para el formato.</p><p>Por último están los llamados <strong>id </strong>(datos dinámicos).</p><p><strong>CallBack: </strong>Nuestro <strong>id </strong>queremos que se actualice en base a información que tengamos en python, para esto están los callback, al terminar el layout vamos a proceder a actualizar nuestros id (para este ejemplo solo ocupare el id=’logout’) que observamos en el código anterior.</p><pre><a href="http://twitter.com/app">@app</a>.callback(<br>    Output(&#39;logout&#39;, &#39;children&#39;),<br>    [Input(&#39;page-content&#39;, &#39;children&#39;)])<br>def user_logout(input1):<br>    if current_user.is_authenticated():<br>        return html.A(&#39;Salir&#39;, href=&#39;/logout&#39;)<br>    else:<br>        return &#39;&#39;</pre><p>En este caso se escribe app.callback o callback dependiendo de como llamaste al paquete.</p><p>Luego colocamos los input y output. Entonces, traeremos el contenido de la página solo para tener un input (no lo usaremos). Pero si preguntamos, es que acaso el usuario esta logueado, si es afirmativo, entonces devolvemos el link a el layout de “salir”, en caso contrario no mostrará nada.</p><p>¿Simple o no?. uff..</p><p>Volvamos a nuestro dashboard escogido,para cambiar la conexión de datos desde CRM salesforce a una base de datos csv se debe identificar donde se carga la información. En mi caso lo encontré en la carpeta view (vean más adelante la imagen), este se encontraba en un código de linea que llama a los datos de saleforce.</p><p>Simplemente tocó cambiarlos por una base simple.</p><pre>dcc.Store(id=&quot;leads_df&quot;,data=pd.read_csv(&quot;maestro.csv&quot;).to_json(orient=&quot;split&quot;)),</pre><p>Es curioso como siempre que uno busca algo, debe partir por lo lógico, en mi caso el objeto que contiene los datos se llama df, era cosa de tiempo que diera con él.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*F5vurdkR67GAY9l4ZydOMQ.png" /><figcaption>Vista principal</figcaption></figure><p>Con los datos ya modificados, solo es necesario debuguear el contenido para poder identificar y cambiar las variables en caso de ser necesario.</p><p>Pero haciendo todo este proceso aun estoy lejos de poder terminar, ya que necesito agregar un login.</p><h3><strong>Flask-Login</strong></h3><p>En este caso utilice nuevamente a mi amigo “google” para encontrar un trabajo realizado por Rafael Miguelino (no lo conozco la verdad) pero encontré que su paquete estaba genial. Les dejo <a href="https://github.com/RafaelMiquelino/dash-flask-login">aquí el repositorio</a>.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*bP8VmWxYS72LdsSGDo30Lg.gif" /><figcaption>tomado del sitio web gitub de rafael</figcaption></figure><p>Entonces, lo que queda es construir un frankenstein de dos paquetes creados con estructuras distintas.</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*CzB3NNdEl_jZ9RcBDZmc5g.jpeg" /></figure><p>Para combinar esto nuevamente recurro a mi técnica favorita, el debugueo. Esto es similar a lo que hace un técnico que repara computadoras, donde este abre su CPU y guarda los tornillos y componentes. Pues bien aquí toca ver que hace cada cosa, variables, funciones y todo lo construido, ah y claro equivocarse varias veces hasta dar con la construcción ideal. <strong>Nadie dijo que esto seria fácil.</strong></p><p>Una vez cargado este proceso, que deriva a un layout llamado <em>succes </em>y que yo cambie por mi primer <em>panel,</em> podía tener lo que era mi primer prototipo de portal de reportes en python.</p><p>¿Como se ve?</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*OAnuY8IXA_DUC2Zuu5T1AA.png" /><figcaption>login simple</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*t-dMREHToF7btCsctybAEw.png" /><figcaption>Vista a los reportes</figcaption></figure><p>Ya entrando en confianza, generé una función para determinar si el usuario es administrador y poder tener un link que lo lleve a la administración (ver registro de usuario o crear usuario). Por ahora es poco lo que desarrolle en este caso, pero podría ser más.</p><p>Adicionalmente tiene una página que permite ver el detalle de los datos con opción de descargar.</p><p>Lo interesante de todo este proceso es darme cuenta de que podemos hacer prácticamente de todo cuando tenemos un poco de curiosidad y sistemas que permiten a la gente compartir conocimiento, es cosa simplemente de tener las ganas de intentarlo.</p><p>Cuento aparte en medium como repositorio de conocimiento (creo que es mi sistema de referencia principal).</p><h3><strong>¿Como lo hacemos funcionar?</strong></h3><p>En mi caso, tengo acceso a un servidor vps que solamente tiene ubuntu instalado (si.. una pantalla negra con comando que no conozco), pero hasta este punto, las cosas desconocidas no me han detenido, por tanto con un poco de mi amigo “google” pude descargar desde mi <a href="https://github.com/salibaud/Dashboard-Python">github</a> el proyecto y luego correr.</p><p>Usualmente una sentencia para correr este tipo de .py seria mediante consola de comandos.</p><pre>python app.py</pre><p>Pero en este caso, varia un poco, porque quiero dejarlo corriendo constantemente.</p><pre>nohup python3 app.py &amp;</pre><p>y listo tenemos una salida y un portal de reportes corriendo.</p><p>Parar app.py debes conocer un poco mas de linux, pero yo usando mis contactos pude encontrar que el código que permite ver procesos y matar en caso de ser necesario es:</p><pre>ps -fea | grep python</pre><pre>kill -9 numerodelPID</pre><p>No tengo mucho mas que indicar</p><blockquote>Anímense a experimentar y tratar de generar con cosas desconocidas, usualmente en el error esta la evolución</blockquote><p>Hoy en día, puedes crear y aprender prácticamente de todo porque todos estamos colaborando con ello.</p><p>Les dejo el repositorio nuevamente <a href="https://github.com/salibaud/Dashboard-Python">aqu</a>í</p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=36b085785615" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>