Ángel Ramírez iangelmx

## covid_analisis_jupyter.py
#!/usr/bin/env python
# coding: utf-8

# In[1]:


# Importamos la librería pandas y le ponemos el alias pd
import pandas as pd
import matplotlib

## covid_analisis_jupyter_05.py
#Obtenemos los datos de la pivot table y los graficamos
axes = table.plot(kind='bar', rot=15)
#Leyendas en los ejes
axes.set_ylabel('Millones de pruebas realizadas')
axes.set_xlabel('Países')
#Cambiamos escala en Y
axes.set_ylim(0,7000000)

fig = axes.get_figure()
#Cambiamos tamaño de gráfica

## covid_analisis_jupyter_04.py
# Hacemos que la columna Entity sea un índice
f_2 = filtered.set_index('Entity')
# Volvemos a filtrar, pero ahora los países potencia junto con México
power_countries = f_2.loc[ ['Mexico', 'United States' ,
                            'United Kingdom', 'Russia',
                            'South Korea'] ]

#Creamos una Pivot table que sume todas las pruebas de cada país
table = pd.pivot_table(
    power_countries,

## covid_analisis_jupyter_03.py
#Para hacer una copia y no modificar el dataframe original
from copy import copy
# Para que las gráficas se vean coquetas xP
import seaborn as sns
sns.set()

#Clonamos content_file
aux = copy(content_file)

#Obtenemos la fecha inicial del análisis

## covid_analisis_jupyter_02.py
#Importamos la clase datetime
from datetime import datetime, timedelta
#Convertimos la columna Date a tipo datetime, para que la podamos manipular.
content_file['Date'] = content_file['Date'].apply( lambda x: datetime.strptime( x, '%b %d, %Y' ) )
#Mostramos los países que se incluyen en los datos
content_file['Entity'].unique()

## covid_analisis_jupyter_01.py
# Importamos la librería pandas y le ponemos el alias pd
import pandas as pd

# Leemos el archivo CSV con los datos a analizar
content_file = pd.read_csv('full-list-covid-19-tests-per-day.csv')

# Si ponemos las variables o procesos en linea al final del bloque
# del jupyter notebook nos imprimirá en pantalla el resultado
content_file

## analisis_datos_jupyter_01.py
import pymysql

#Es la clase que emplearemos para conectarnos a la base de datos.
class Bd():

  #Constructor de nuestro conector a la base de datos.
  def __init__(self,database, hostname='localhost', username='root', password=''):
    self.hostname=hostname; self.username=username; self.password=password; self.database=database

  #Declaramos el método que emplearemos para obtener los datos de la base de datos.

## run_azure_repo_cmd.bat
python -m venv env
env\Scripts\activate.bat
pip install -r requirements.txt
deactivate

SET FLASK_APP=application.py
SET FLASK_ENV=development
FLASK run --cert=adhoc

## requirements_example_azure.txt
click==7.1.1
Flask==1.1.2
Flask-Cors==3.0.8
Flask-JWT-Extended==3.24.1
itsdangerous==1.1.0
Jinja2==2.11.2
MarkupSafe==1.1.1
Werkzeug==1.0.1

## clone_repo_template.sh
git clone https://github.com/iangelmx/flask-azure-template.git
	#!/usr/bin/env python
	# coding: utf-8

	# In[1]:


	# Importamos la librería pandas y le ponemos el alias pd
	import pandas as pd
	import matplotlib
	#Obtenemos los datos de la pivot table y los graficamos
	axes = table.plot(kind='bar', rot=15)
	#Leyendas en los ejes
	axes.set_ylabel('Millones de pruebas realizadas')
	axes.set_xlabel('Países')
	#Cambiamos escala en Y
	axes.set_ylim(0,7000000)

	fig = axes.get_figure()
	#Cambiamos tamaño de gráfica
	# Hacemos que la columna Entity sea un índice
	f_2 = filtered.set_index('Entity')
	# Volvemos a filtrar, pero ahora los países potencia junto con México
	power_countries = f_2.loc[ ['Mexico', 'United States' ,
	'United Kingdom', 'Russia',
	'South Korea'] ]

	#Creamos una Pivot table que sume todas las pruebas de cada país
	table = pd.pivot_table(
	power_countries,
	#Para hacer una copia y no modificar el dataframe original
	from copy import copy
	# Para que las gráficas se vean coquetas xP
	import seaborn as sns
	sns.set()

	#Clonamos content_file
	aux = copy(content_file)

	#Obtenemos la fecha inicial del análisis
	#Importamos la clase datetime
	from datetime import datetime, timedelta
	#Convertimos la columna Date a tipo datetime, para que la podamos manipular.
	content_file['Date'] = content_file['Date'].apply( lambda x: datetime.strptime( x, '%b %d, %Y' ) )
	#Mostramos los países que se incluyen en los datos
	content_file['Entity'].unique()
	# Importamos la librería pandas y le ponemos el alias pd
	import pandas as pd

	# Leemos el archivo CSV con los datos a analizar
	content_file = pd.read_csv('full-list-covid-19-tests-per-day.csv')

	# Si ponemos las variables o procesos en linea al final del bloque
	# del jupyter notebook nos imprimirá en pantalla el resultado
	content_file
	import pymysql

	#Es la clase que emplearemos para conectarnos a la base de datos.
	class Bd():

	#Constructor de nuestro conector a la base de datos.
	def __init__(self,database, hostname='localhost', username='root', password=''):
	self.hostname=hostname; self.username=username; self.password=password; self.database=database

	#Declaramos el método que emplearemos para obtener los datos de la base de datos.
	python -m venv env
	env\Scripts\activate.bat
	pip install -r requirements.txt
	deactivate

	SET FLASK_APP=application.py
	SET FLASK_ENV=development
	FLASK run --cert=adhoc
	click==7.1.1
	Flask==1.1.2
	Flask-Cors==3.0.8
	Flask-JWT-Extended==3.24.1
	itsdangerous==1.1.0
	Jinja2==2.11.2
	MarkupSafe==1.1.1
	Werkzeug==1.0.1