mirror of
https://github.com/freeCodeCamp/freeCodeCamp.git
synced 2026-03-11 04:01:15 -04:00
chore(i18n,learn): processed translations (#48588)
This commit is contained in:
camperbot
@@ -10,123 +10,75 @@ dashedName: demographic-data-analyzer
|
||||
|
||||
Estarás <a href="https://replit.com/github/freeCodeCamp/boilerplate-demographic-data-analyzer" target="_blank" rel="noopener noreferrer nofollow">trabajando en este proyecto con nuestro código inicial en Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
|
||||
|
||||
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:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Curso de video de Python para todos< /a>(14 horas)</p></li>
|
||||
|
||||
<li>
|
||||
<p spaces-before="0">
|
||||
<a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Cómo analizar datos con Python Pandas</a> (10 horas)
|
||||
</p>
|
||||
</li></ul>
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a> (14 hours)
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--instructions--
|
||||
</h1>
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
<p spaces-before="0">
|
||||
En este desafío debe analizar los datos demográficos usando Pandas. Se le da un conjunto de datos demográficos que fueron extraidos de la base de datos del censo de 1994. Aquí hay un ejemplo de cómo se debería ver:
|
||||
</p>
|
||||
# --instructions--
|
||||
|
||||
<pre><code class="markdown">| | age | workclass | fnlwgt | education | education-num | marital-status | occupation | relationship | race | sex | capital-gain | capital-loss | hours-per-week | native-country | salary |
|
||||
En este desafío debe analizar los datos demográficos usando Pandas. Se le da un conjunto de datos demográficos que fueron extraidos de la base de datos del censo de 1994. Aquí hay un ejemplo de cómo se debería ver:
|
||||
|
||||
```markdown
|
||||
| | age | workclass | fnlwgt | education | education-num | marital-status | occupation | relationship | race | sex | capital-gain | capital-loss | hours-per-week | native-country | salary |
|
||||
|---:|------:|:-----------------|---------:|:------------|----------------:|:-------------------|:------------------|:---------------|:-------|:-------|---------------:|---------------:|-----------------:|:-----------------|:---------|
|
||||
| 0 | 39 | State-gov | 77516 | Bachelors | 13 | Never-married | Adm-clerical | Not-in-family | White | Male | 2174 | 0 | 40 | United-States | <=50K |
|
||||
| 1 | 50 | Self-emp-not-inc | 83311 | Bachelors | 13 | Married-civ-spouse | Exec-managerial | Husband | White | Male | 0 | 0 | 13 | United-States | <=50K |
|
||||
| 2 | 38 | Private | 215646 | HS-grad | 9 | Divorced | Handlers-cleaners | Not-in-family | White | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 3 | 53 | Private | 234721 | 11th | 7 | Married-civ-spouse | Handlers-cleaners | Husband | Black | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 4 | 28 | Private | 338409 | Bachelors | 13 | Married-civ-spouse | Prof-specialty | Wife | Black | Female | 0 | 0 | 40 | Cuba | <=50K |
|
||||
</code></pre>
|
||||
| 0 | 39 | State-gov | 77516 | Bachelors | 13 | Never-married | Adm-clerical | Not-in-family | White | Male | 2174 | 0 | 40 | United-States | <=50K |
|
||||
| 1 | 50 | Self-emp-not-inc | 83311 | Bachelors | 13 | Married-civ-spouse | Exec-managerial | Husband | White | Male | 0 | 0 | 13 | United-States | <=50K |
|
||||
| 2 | 38 | Private | 215646 | HS-grad | 9 | Divorced | Handlers-cleaners | Not-in-family | White | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 3 | 53 | Private | 234721 | 11th | 7 | Married-civ-spouse | Handlers-cleaners | Husband | Black | Male | 0 | 0 | 40 | United-States | <=50K |
|
||||
| 4 | 28 | Private | 338409 | Bachelors | 13 | Married-civ-spouse | Prof-specialty | Wife | Black | Female | 0 | 0 | 40 | Cuba | <=50K |
|
||||
```
|
||||
|
||||
<p spaces-before="0">
|
||||
Debes usar Pandas para responder a las siguientes preguntas:
|
||||
</p>
|
||||
Debes usar Pandas para responder a las siguientes preguntas:
|
||||
|
||||
<ul>
|
||||
<li>
|
||||
¿Cuántas personas de cada raza están representadas en este dataset? Esta debería ser una Pandas series con nombres de raza como las etiquetas de índice. (columna <code>race</code>)
|
||||
</li>
|
||||
<li>
|
||||
¿Cuál es la edad promedio de los hombres?
|
||||
</li>
|
||||
<li>
|
||||
¿Cuál es el porcentaje de personas que tienen un grado de licenciatura?
|
||||
</li>
|
||||
<li>
|
||||
¿Que porcentaje de personas con una educación avanzada (<code>Bachelors</code>, <code>Masters</code> o <code>Doctorate</code>) generan mas de 50k?
|
||||
</li>
|
||||
<li>
|
||||
¿Que porcentaje de personas sin una educación avanzada generan mas de 50k?
|
||||
</li>
|
||||
<li>
|
||||
¿Cuál es el mínimo número de horas que una persona trabaja por semana?
|
||||
</li>
|
||||
<li>
|
||||
¿Qué porcentaje de personas que trabajan el minimo de horas por semana tienen un salario de mas de 50k?
|
||||
</li>
|
||||
<li>
|
||||
¿Qué país tiene el mas alto porcentaje de personjas que ganan >50k y cual es ese porcentaje?
|
||||
</li>
|
||||
<li>
|
||||
Identifica la ocupacion mas popular de aquellos que ganan >50k en India.
|
||||
</li>
|
||||
</ul>
|
||||
- How many people of each race are represented in this dataset? This should be a Pandas series with race names as the index labels. (`race` column)
|
||||
- What is the average age of men?
|
||||
- What is the percentage of people who have a Bachelor's degree?
|
||||
- What percentage of people with advanced education (`Bachelors`, `Masters`, or `Doctorate`) make more than 50K?
|
||||
- What percentage of people without advanced education make more than 50K?
|
||||
- What is the minimum number of hours a person works per week?
|
||||
- What percentage of the people who work the minimum number of hours per week have a salary of more than 50K?
|
||||
- What country has the highest percentage of people that earn >50K and what is that percentage?
|
||||
- Identify the most popular occupation for those who earn >50K in India.
|
||||
|
||||
<p spaces-before="0">
|
||||
Utilice el código de inicio en el archivo <code>demographic_data_analyzer</code>. Actualice el código para que todas las variables definidas como "None" se establezcan al cálculo o código apropiado. Redondea todos los decimales a la décima más cercana.
|
||||
</p>
|
||||
Utilice el código de inicio en el archivo `demographic_data_analyzer`. Actualice el código para que todas las variables definidas como "None" se establezcan al cálculo o código apropiado. Redondea todos los decimales a la décima más cercana.
|
||||
|
||||
<p spaces-before="0">
|
||||
Las pruebas unitarias están escritas para ti en <code>test_module.py</code>.
|
||||
</p>
|
||||
Las pruebas unitarias están escritas para ti en `test_module.py`.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Desarrollo
|
||||
</h2>
|
||||
## Desarrollo
|
||||
|
||||
<p spaces-before="0">
|
||||
Para el desarrollo, puedes utilizar <code>main.py</code> para probar tus funciones. Haz clic en el botón "run" y se ejecutará <code>main.py</code>.
|
||||
</p>
|
||||
Para el desarrollo, puedes utilizar `main.py` para probar tus funciones. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Pruebas
|
||||
</h2>
|
||||
## Pruebas
|
||||
|
||||
<p spaces-before="0">
|
||||
Importamos las pruebas de <code>test_module.py</code> a <code>main.py</code> para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que presiones el botón "run".
|
||||
</p>
|
||||
Importamos las pruebas de `test_module.py` a `main.py` para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que presiones el botón "run".
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Envío
|
||||
</h2>
|
||||
## Envío
|
||||
|
||||
<p spaces-before="0">
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
</p>
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Fuente de datos
|
||||
</h2>
|
||||
## Fuente de datos
|
||||
|
||||
<p spaces-before="0">
|
||||
Dua, D. y Graff, C. (2019). <a href="http://archive.ics.uci.edu/ml" target="_blank" rel="noopener noreferrer nofollow">UCI Machine Learning Repositorio</a>. Irvine, CA: University of California, School of Information and Computer Science.
|
||||
</p>
|
||||
Dua, D. y Graff, C. (2019). <a href="http://archive.ics.uci.edu/ml" target="_blank" rel="noopener noreferrer nofollow">UCI Machine Learning Repositorio</a>. Irvine, CA: University of California, School of Information and Computer Science.
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--hints--
|
||||
</h1>
|
||||
# --hints--
|
||||
|
||||
<p spaces-before="0">
|
||||
Debería pasar todas las pruebas de Python.
|
||||
</p>
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
<pre><code class="js">
|
||||
</code></pre>
|
||||
```js
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--solutions--
|
||||
</h1>
|
||||
```
|
||||
|
||||
<pre><code class="py"> # Python challenges don't need solutions,
|
||||
# --solutions--
|
||||
|
||||
```py
|
||||
# Python challenges don't need solutions,
|
||||
# because they would need to be tested against a full working project.
|
||||
# Please check our contributing guidelines to learn more.
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
@@ -10,33 +10,27 @@ dashedName: mean-variance-standard-deviation-calculator
|
||||
|
||||
Estarás <a href="https://replit.com/github/freeCodeCamp/boilerplate-mean-variance-standard-deviation-calculator" target="_blank" rel="noopener noreferrer nofollow" mark="crwd-mark ">trabajando en este proyecto con nuestro código de inicio Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
|
||||
|
||||
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:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Curso de video de Python para todos< /a>(14 horas)</p></li>
|
||||
|
||||
<li>
|
||||
<p spaces-before="0">
|
||||
<a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Cómo analizar datos con Python Pandas</a> (10 horas)
|
||||
</p>
|
||||
</li></ul>
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--instructions--
|
||||
</h1>
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
<p spaces-before="0">
|
||||
Crea una función llamada <code>calculate()</code> en <code>mean_var_std.py</code> 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.
|
||||
</p>
|
||||
# --instructions--
|
||||
|
||||
<p spaces-before="0">
|
||||
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.
|
||||
</p>
|
||||
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.
|
||||
|
||||
<p spaces-before="0">
|
||||
El diccionario retornado debería seguir este formato:
|
||||
</p>
|
||||
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.
|
||||
|
||||
<pre><code class="py">{
|
||||
El diccionario retornado debería seguir este formato:
|
||||
|
||||
```py
|
||||
{
|
||||
'mean': [axis1, axis2, flattened],
|
||||
'variance': [axis1, axis2, flattened],
|
||||
'standard deviation': [axis1, axis2, flattened],
|
||||
@@ -44,17 +38,14 @@ Todavía estamos desarrollando la parte interactiva del currículo de Python. Po
|
||||
'min': [axis1, axis2, flattened],
|
||||
'sum': [axis1, axis2, flattened]
|
||||
}
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
<p spaces-before="0">
|
||||
Si una lista que contiene menos de 9 elementos es pasada a la función, debería levantar una excepción de <code>ValueError</code> con el mensaje: "La lista debe contener nueve números". Los valores en el diccionario devuelto deben ser listas y no matrices Numpy.
|
||||
</p>
|
||||
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.
|
||||
|
||||
<p spaces-before="0">
|
||||
Por ejemplo, <code>calculate([0,1,2,3,4,5,6,7,8])</code> debe regresar:
|
||||
</p>
|
||||
Por ejemplo, `calculate([0,1,2,3,4,5,6,7,8])` debe regresar:
|
||||
|
||||
<pre><code class="py">{
|
||||
```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],
|
||||
@@ -62,52 +53,34 @@ Todavía estamos desarrollando la parte interactiva del currículo de Python. Po
|
||||
'min': [[0, 1, 2], [0, 3, 6], 0],
|
||||
'sum': [[9, 12, 15], [3, 12, 21], 36]
|
||||
}
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
<p spaces-before="0">
|
||||
Las pruebas unitarias para este proyecto están en <code>test_module.py</code>.
|
||||
</p>
|
||||
Las pruebas unitarias para este proyecto están en `test_module.py`.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Desarrollo
|
||||
</h2>
|
||||
## Desarrollo
|
||||
|
||||
<p spaces-before="0">
|
||||
Durante el desarrollo, puede usar <code>main.py</code> para probar su función <code>calculate()</code>. Haz clic en el botón "run" y se ejecutará <code>main.py</code>.
|
||||
</p>
|
||||
Durante el desarrollo, puede usar `main.py` para probar su función `calculate()`. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Pruebas
|
||||
</h2>
|
||||
## Pruebas
|
||||
|
||||
<p spaces-before="0">
|
||||
Hemos importado las pruebas de <code>test_module.py</code> a <code>main.py</code> para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
</p>
|
||||
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".
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Envío
|
||||
</h2>
|
||||
## Envío
|
||||
|
||||
<p spaces-before="0">
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
</p>
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--hints--
|
||||
</h1>
|
||||
# --hints--
|
||||
|
||||
<p spaces-before="0">
|
||||
Debería pasar todas las pruebas de Python.
|
||||
</p>
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
<pre><code class="js">
|
||||
</code></pre>
|
||||
```js
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--solutions--
|
||||
</h1>
|
||||
```
|
||||
|
||||
<pre><code class="py"> # Python challenges don't need solutions,
|
||||
# --solutions--
|
||||
|
||||
```py
|
||||
# Python challenges don't need solutions,
|
||||
# because they would need to be tested against a full working project.
|
||||
# Please check our contributing guidelines to learn more.
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
@@ -10,366 +10,87 @@ dashedName: medical-data-visualizer
|
||||
|
||||
Estarás <a href="https://replit.com/github/freeCodeCamp/boilerplate-medical-data-visualizer" target="_blank" rel="noopener noreferrer nofollow">trabajando en este proyecto con nuestro código de inicio Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
|
||||
|
||||
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:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Curso de video de Python para todos< /a>(14 horas)</p></li>
|
||||
|
||||
<li>
|
||||
<p spaces-before="0">
|
||||
<a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Cómo analizar datos con Python Pandas</a> (10 horas)
|
||||
</p>
|
||||
</li></ul>
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--instructions--
|
||||
</h1>
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
<p spaces-before="0">
|
||||
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.
|
||||
</p>
|
||||
# --instructions--
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Descripción de datos
|
||||
</h2>
|
||||
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.
|
||||
|
||||
<p spaces-before="0">
|
||||
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.
|
||||
</p>
|
||||
## Descripción de datos
|
||||
|
||||
<p spaces-before="0">
|
||||
Nombre del archivo: medical_examination.csv
|
||||
</p>
|
||||
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.
|
||||
|
||||
<table spaces-before="0">
|
||||
<tr>
|
||||
<th align="center">
|
||||
Característica
|
||||
</th>
|
||||
|
||||
<th align="center">
|
||||
Tipo de variable
|
||||
</th>
|
||||
|
||||
<th align="center">
|
||||
Variable
|
||||
</th>
|
||||
|
||||
<th align="center">
|
||||
Tipo de unidad
|
||||
</th>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Edad
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica objetivo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>age</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
int (días)
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Altura
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica objetivo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>height</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
int (cm)
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Peso
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica objetivo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>weight</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
float (kg)
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Sexo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica objetivo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>gender</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
código de categoría
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Presión arterial sistólica
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Características del examen
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>ap_hi</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
int
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Presión arterial diastólica
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica del examen
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>ap_lo</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
int
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Colesterol
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica del examen
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>cholesterol</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Glucosa
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica del examen
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>gluc</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Fumador
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica subjetiva
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>smoke</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
binario
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Consumo de alcohol
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica subjetiva
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>alco</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
binario
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Actividad física
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Característica subjetiva
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>active</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
binario
|
||||
</td>
|
||||
</tr>
|
||||
|
||||
<tr>
|
||||
<td align="center">
|
||||
Presencia o ausencia de enfermedades cardiovasculares
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
Variable objetivo
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
<code>cardio</code>
|
||||
</td>
|
||||
|
||||
<td align="center">
|
||||
binario
|
||||
</td>
|
||||
</tr>
|
||||
</table>
|
||||
Nombre del archivo: medical_examination.csv
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Tareas
|
||||
</h2>
|
||||
| Característica | Tipo de variable | Variable | Tipo de unidad |
|
||||
|:-----------------------------------------------------:|:--------------------------:|:-------------:|:---------------------------------------------------------------------:|
|
||||
| Edad | Característica objetivo | `age` | int (días) |
|
||||
| Altura | Característica objetivo | `height` | int (cm) |
|
||||
| Peso | Característica objetivo | `weight` | float (kg) |
|
||||
| Sexo | Característica objetivo | `gender` | 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 | `cholesterol` | 1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal |
|
||||
| Glucosa | Característica del examen | `gluc` | 1: normal, 2: por encima de lo normal, 3: muy por encima de lo normal |
|
||||
| Fumador | Característica subjetiva | `smoke` | binario |
|
||||
| Consumo de alcohol | Característica subjetiva | `alco` | binario |
|
||||
| Actividad física | Característica subjetiva | `active` | binario |
|
||||
| Presencia o ausencia de enfermedades cardiovasculares | Variable objetivo | `cardio` | binario |
|
||||
|
||||
<p spaces-before="0">
|
||||
Crear un gráfico similar a <code>ejemplos/Figure_1. ng</code>, donde mostramos las cifras de resultados buenos y malos para las variables <code>colesterol</code>, <code>gluc</code>, <code>alco</code>, <code>activo</code> y <code>humo</code> en los pacientes con cardio=1 y cardio=0 en diferentes paneles.
|
||||
</p>
|
||||
## Tareas
|
||||
|
||||
<p spaces-before="0">
|
||||
Utiliza los datos para completar las siguientes tareas en <code>medical_data_visualizer.py</code>:
|
||||
</p>
|
||||
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.
|
||||
|
||||
<ul>
|
||||
<li>
|
||||
Agrega una columna de <code>sobrepeso</code> 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.
|
||||
</li>
|
||||
<li>
|
||||
Normaliza los datos haciendo 0 siempre bueno y 1 siempre malo. Si el valor de <code>cholesterol</code> o <code>gluc</code> es 1, haga que el valor 0. Si el valor es mayor que 1, haga el valor 1.
|
||||
</li>
|
||||
<li>
|
||||
Convierte los datos en formato largo y crea un gráfico que muestre el recuento de valores de las características categóricas usando <code>catplot()</code> de seaborn. El conjunto de datos debe dividirse por 'Cardio', así que hay un gráfico por cada valor de <code>cardio</code>. El gráfico debería verse como <code>examples/Figure_1.png</code>.
|
||||
</li>
|
||||
<li>
|
||||
Limpia los datos. Filtrar los siguientes segmentos de pacientes que representan datos incorrectos: <ul>
|
||||
<li>
|
||||
la presión diastólica es más alta que la máxima (Mantén los datos correctos con <code>(df['ap_lo'] <= df['ap_hi'])</code>)
|
||||
</li>
|
||||
<li>
|
||||
la altura es menor que el 2.5º percentil (Mantén los datos correctos con <code>(df['height'] >= df['height'].quantile(0.025))</code>)
|
||||
</li>
|
||||
<li>
|
||||
la altura es superior al 97,5º percentil
|
||||
</li>
|
||||
<li>
|
||||
el peso es menor que el 2,5º percentil
|
||||
</li>
|
||||
<li>
|
||||
el peso es superior al 97,5º percentil
|
||||
</li>
|
||||
</ul>
|
||||
</li>
|
||||
<li>
|
||||
Crear una matriz de correlación usando el conjunto de datos. Grafica la matriz de correlación usando la función <code>heatmap()</code> de seaborn. Enmascarar el triángulo superior de la matriz. El gráfico debería verse como <code>examples/Figure_2.png</code>.
|
||||
</li>
|
||||
</ul>
|
||||
Utiliza los datos para completar las siguientes tareas en `medical_data_visualizer.py`:
|
||||
|
||||
<p spaces-before="0">
|
||||
Cada vez que una variable está establecida en <code>Ninguno</code>, asegúrese de establecerla en el código correcto.
|
||||
</p>
|
||||
- Add an `overweight` column to the data. To determine if a person is overweight, first calculate their BMI by dividing their weight in kilograms by the square of their height in meters. If that value is > 25 then the person is overweight. Use the value 0 for NOT overweight and the value 1 for overweight.
|
||||
- Normalize the data by making 0 always good and 1 always bad. If the value of `cholesterol` or `gluc` is 1, make the value 0. If the value is more than 1, make the value 1.
|
||||
- Convert the data into long format and create a chart that shows the value counts of the categorical features using seaborn's `catplot()`. The dataset should be split by 'Cardio' so there is one chart for each `cardio` value. The chart should look like `examples/Figure_1.png`.
|
||||
- Clean the data. Filter out the following patient segments that represent incorrect data:
|
||||
- diastolic pressure is higher than systolic (Keep the correct data with `(df['ap_lo'] <= df['ap_hi'])`)
|
||||
- height is less than the 2.5th percentile (Keep the correct data with `(df['height'] >= df['height'].quantile(0.025))`)
|
||||
- height is more than the 97.5th percentile
|
||||
- weight is less than the 2.5th percentile
|
||||
- weight is more than the 97.5th percentile
|
||||
- Create a correlation matrix using the dataset. Plot the correlation matrix using seaborn's `heatmap()`. Mask the upper triangle. The chart should look like `examples/Figure_2.png`.
|
||||
|
||||
<p spaces-before="0">
|
||||
Las pruebas unitarias están escritas en <code>test_module.py</code>.
|
||||
</p>
|
||||
Cada vez que una variable está establecida en `Ninguno`, asegúrese de establecerla en el código correcto.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Desarrollo
|
||||
</h2>
|
||||
Las pruebas unitarias están escritas en `test_module.py`.
|
||||
|
||||
<p spaces-before="0">
|
||||
Para el desarrollo, puedes usar <code>main.py</code> para probar tus funciones. Haz clic en el botón "run" y se ejecutará <code>main.py</code>.
|
||||
</p>
|
||||
## Desarrollo
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Pruebas
|
||||
</h2>
|
||||
Para el desarrollo, puedes usar `main.py` para probar tus funciones. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
<p spaces-before="0">
|
||||
Hemos importado las pruebas de <code>test_module.py</code> a <code>main.py</code> para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
</p>
|
||||
## Pruebas
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Envío
|
||||
</h2>
|
||||
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".
|
||||
|
||||
<p spaces-before="0">
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
</p>
|
||||
## Envío
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--hints--
|
||||
</h1>
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
<p spaces-before="0">
|
||||
Debería pasar todas las pruebas de Python.
|
||||
</p>
|
||||
# --hints--
|
||||
|
||||
<pre><code class="js">
|
||||
</code></pre>
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--solutions--
|
||||
</h1>
|
||||
```js
|
||||
|
||||
<pre><code class="py"> # Python challenges don't need solutions,
|
||||
```
|
||||
|
||||
# --solutions--
|
||||
|
||||
```py
|
||||
# Python challenges don't need solutions,
|
||||
# because they would need to be tested against a full working project.
|
||||
# Please check our contributing guidelines to learn more.
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
@@ -10,11 +10,16 @@ dashedName: page-view-time-series-visualizer
|
||||
|
||||
Estarás <a href="https://replit.com/github/freeCodeCamp/boilerplate-page-view-time-series-visualizer" target="_blank" rel="noopener noreferrer nofollow">trabajando en este proyecto con nuestro código de inicio Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
|
||||
|
||||
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:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Curso de vídeo de Python para todos</a>(14 horas)
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Cómo analizar datos con Python Pandas</a> (10 horas)
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
# --instructions--
|
||||
|
||||
@@ -22,11 +27,11 @@ Para este proyecto, visualizarás los datos de las series temporales utilizando
|
||||
|
||||
Utiliza los datos para completar las siguientes tareas:
|
||||
|
||||
- Utiliza Pandas para importar los datos de "fcc-forum-pageviews.csv". Establece el índice de la columna `date`.
|
||||
- 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 las etiquetas de los meses 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 de los meses en la parte inferior comiencen en `Jan` y que los ejes x e y estén etiquetados correctamente. El boilerplate incluye comandos para preparar los datos.
|
||||
- Use Pandas to import the data from "fcc-forum-pageviews.csv". Set the index to the `date` column.
|
||||
- Clean the data by filtering out days when the page views were in the top 2.5% of the dataset or bottom 2.5% of the dataset.
|
||||
- Create a `draw_line_plot` function that uses Matplotlib to draw a line chart similar to "examples/Figure_1.png". The title should be `Daily freeCodeCamp Forum Page Views 5/2016-12/2019`. The label on the x axis should be `Date` and the label on the y axis should be `Page Views`.
|
||||
- Create a `draw_bar_plot` function that draws a bar chart similar to "examples/Figure_2.png". It should show average daily page views for each month grouped by year. The legend should show month labels and have a title of `Months`. On the chart, the label on the x axis should be `Years` and the label on the y axis should be `Average Page Views`.
|
||||
- Create a `draw_box_plot` function that uses Seaborn to draw two adjacent box plots similar to "examples/Figure_3.png". These box plots should show how the values are distributed within a given year or month and how it compares over time. The title of the first chart should be `Year-wise Box Plot (Trend)` and the title of the second chart should be `Month-wise Box Plot (Seasonality)`. Make sure the month labels on bottom start at `Jan` and the x and y axis are labeled correctly. The boilerplate includes commands to prepare the data.
|
||||
|
||||
Para cada gráfico, asegúrese de usar una copia de los datos. Las pruebas unitarias están escritas para en `test_module.py`.
|
||||
|
||||
|
||||
@@ -10,105 +10,62 @@ dashedName: sea-level-predictor
|
||||
|
||||
Estarás <a href="https://replit.com/github/freeCodeCamp/boilerplate-sea-level-predictor" target="_blank" rel="noopener noreferrer nofollow">trabajando en este proyecto con nuestro código de inicio Replit</a>.
|
||||
|
||||
- Start by importing the project on Replit.
|
||||
- Next, you will see a `.replit` window.
|
||||
- Select `Use run command` and click the `Done` button.
|
||||
|
||||
|
||||
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:
|
||||
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Curso de video de Python para todos< /a>(14 horas)</p></li>
|
||||
|
||||
<li>
|
||||
<p spaces-before="0">
|
||||
<a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">Cómo analizar datos con Python Pandas</a> (10 horas)
|
||||
</p>
|
||||
</li></ul>
|
||||
- <a href="https://www.freecodecamp.org/news/python-for-everybody/" target="_blank" rel="noopener noreferrer nofollow">Python for Everybody Video Course</a>(14 hours)
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--instructions--
|
||||
</h1>
|
||||
- <a href="https://www.freecodecamp.org/news/how-to-analyze-data-with-python-pandas/" target="_blank" rel="noopener noreferrer nofollow">How to Analyze Data with Python Pandas</a> (10 hours)
|
||||
|
||||
<p spaces-before="0">
|
||||
Analizará un conjunto de datos sobre el cambio del nivel medio del mar a nivel mundial desde 1880. Utilizarás los datos para predecir el cambio del nivel del mar hasta el año 2050.
|
||||
</p>
|
||||
# --instructions--
|
||||
|
||||
<p spaces-before="0">
|
||||
Utiliza los datos para completar las siguientes tareas:
|
||||
</p>
|
||||
Analizará un conjunto de datos sobre el cambio del nivel medio del mar a nivel mundial desde 1880. Utilizarás los datos para predecir el cambio del nivel del mar hasta el año 2050.
|
||||
|
||||
<ul>
|
||||
<li>
|
||||
Utiliza Pandas para importar los datos de <code>epa-sea-level.csv</code>.
|
||||
</li>
|
||||
<li>
|
||||
Utilice matplotlib para crear un gráfico de dispersión utilizando la columna <code>Year</code> como eje x y la columna <code>CSIRO Adjusted Sea Level</code> como eje y.
|
||||
</li>
|
||||
<li>
|
||||
Usa la función <code>linregress</code> de <code>scipy.stats</code> para obtener la pendiente e intersección con el eje y de la línea de mejor encaje. Dibuja la línea de mejor encaje sobre el diagrama de dispersión. Haz que la línea pase por el año 2050 para predecir el aumento del nivel del mar en ese año.
|
||||
</li>
|
||||
<li>
|
||||
Traza una nueva línea de mejor encaje utilizando datos del año 2000 hasta el año más reciente del conjunto de datos. Haz que la línea pase también por el año 2050 para predecir la subida del nivel del mar en 2050 si el ritmo de subida continúa como desde el año 2000.
|
||||
</li>
|
||||
<li>
|
||||
La etiqueta x debe ser <code>Year</code>, la etiqueta y debe ser <code>Sea Level (pulgadas)</code> y el título debe ser <code>Rise in Sea Level</code>.
|
||||
</li>
|
||||
</ul>
|
||||
Utiliza los datos para completar las siguientes tareas:
|
||||
|
||||
<p spaces-before="0">
|
||||
Las pruebas unitarias están escritas para en <code>test_module.py</code>.
|
||||
</p>
|
||||
- Use Pandas to import the data from `epa-sea-level.csv`.
|
||||
- Use matplotlib to create a scatter plot using the `Year` column as the x-axis and the `CSIRO Adjusted Sea Level` column as the y-axix.
|
||||
- Use the `linregress` function from `scipy.stats` to get the slope and y-intercept of the line of best fit. Plot the line of best fit over the top of the scatter plot. Make the line go through the year 2050 to predict the sea level rise in 2050.
|
||||
- Plot a new line of best fit just using the data from year 2000 through the most recent year in the dataset. Make the line also go through the year 2050 to predict the sea level rise in 2050 if the rate of rise continues as it has since the year 2000.
|
||||
- The x label should be `Year`, the y label should be `Sea Level (inches)`, and the title should be `Rise in Sea Level`.
|
||||
|
||||
<p spaces-before="0">
|
||||
El boilerplate también incluye los comandos para guardar y devolver la imagen.
|
||||
</p>
|
||||
Las pruebas unitarias están escritas para en `test_module.py`.
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Desarrollo
|
||||
</h2>
|
||||
El boilerplate también incluye los comandos para guardar y devolver la imagen.
|
||||
|
||||
<p spaces-before="0">
|
||||
Para el desarrollo, puedes utilizar <code>main.py</code> para probar tus funciones. Haz clic en el botón "run" y se ejecutará <code>main.py</code>.
|
||||
</p>
|
||||
## Desarrollo
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Pruebas
|
||||
</h2>
|
||||
Para el desarrollo, puedes utilizar `main.py` para probar tus funciones. Haz clic en el botón "run" y se ejecutará `main.py`.
|
||||
|
||||
<p spaces-before="0">
|
||||
Importamos las pruebas de <code>test_module.py</code> a <code>main.py</code> para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
</p>
|
||||
## Pruebas
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Envío
|
||||
</h2>
|
||||
Importamos las pruebas de `test_module.py` a `main.py` para tu conveniencia. Las pruebas se ejecutarán automáticamente cada vez que pulses el botón "run".
|
||||
|
||||
<p spaces-before="0">
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
</p>
|
||||
## Envío
|
||||
|
||||
<h2 spaces-before="0">
|
||||
Fuente de datos
|
||||
</h2>
|
||||
Copia el enlace de tu proyecto y envíalo a freeCodeCamp.
|
||||
|
||||
<p spaces-before="0">
|
||||
|
||||
## Fuente de datos
|
||||
|
||||
<a href="https://datahub.io/core/sea-level-rise" target="_blank" rel="noopener noreferrer nofollow">Global Average Absolute Sea Level Change</a>, 1880-2014 de la Agencia de Protección Ambiental de los Estados Unidos utilizando datos de CSIRO, 2015; NOAA, 2015.
|
||||
</p>
|
||||
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--hints--
|
||||
</h1>
|
||||
# --hints--
|
||||
|
||||
<p spaces-before="0">
|
||||
Debería pasar todas las pruebas de Python.
|
||||
</p>
|
||||
Debería pasar todas las pruebas de Python.
|
||||
|
||||
<pre><code class="js">
|
||||
</code></pre>
|
||||
```js
|
||||
|
||||
<h1 spaces-before="0">
|
||||
--solutions--
|
||||
</h1>
|
||||
```
|
||||
|
||||
<pre><code class="py"> # Python challenges don't need solutions,
|
||||
# --solutions--
|
||||
|
||||
```py
|
||||
# Python challenges don't need solutions,
|
||||
# because they would need to be tested against a full working project.
|
||||
# Please check our contributing guidelines to learn more.
|
||||
</code></pre>
|
||||
```
|
||||
|
||||
Reference in New Issue
Block a user