Tema 3<\/strong>. (40 puntos) El DataFrame df contiene informaci\u00f3n de consumos nutricionales de pacientes. Cada fila representa el consumo mensual con las siguientes columnas:<\/p>\n\n\n\n Nota<\/strong>: La tabla adjunta muestra informaci\u00f3n de ejemplo.<\/p>\n\n\n\n Escriba c\u00f3digo para responder:<\/p>\n\n\n\n a. Agregue una columna llamada Edad_str que clasifique a los pacientes en:<\/p>\n\n\n\n Respuesta esperada<\/em><\/strong>: c\u00f3digo para agregar la nueva columna de tipo str.<\/p>\n\n\n\n b. Seleccione a los pacientes m\u00e1s longevos ('senior') y calcule el promedio de las calor\u00edas consumidas por ese grupo. Si no resolvi\u00f3 el literal anterior, asuma que la columna Edad_str ya existe.<\/p>\n\n\n\n Respuesta esperada<\/em><\/strong>: un n\u00famero (float) que representa el promedio, en la variable promedio.<\/p>\n\n\n\n c. \u00bfCu\u00e1l es el tipo de alimento cuyo promedio de Calor\u00edas es el m\u00e1s alto en el df?<\/p>\n\n\n\n Respuesta esperada<\/em><\/strong>: un str con el Tipo, en la variable resultado.<\/p>\n\n\n\n d. Considerando \u00fanicamente los registros del primer trimestre (meses 1 a 3) y el tipo de Alimento 'Cereales', calcule la cantidad total de registros correspondientes al sexo Respuesta esperada<\/em><\/strong>: un int en la variable total.<\/p>\n\n\n\n e. cree la variable pacientes a partir de df que contenga: <\/p>\n\n\n\n Considere que cada paciente tiene varios registros en el df original.<\/p>\n\n\n\n Finalmente, ordene los datos de pacientes por consumo de calor\u00edas (de mayor a menor) y guarde estos datos en un archivo CSV con el nombre 'calorias_paciente. csv'.<\/p>\n\n\n\n R\u00fabrica<\/strong>: literal a (extra 5 puntos), literal b (8 puntos), literal c (10 puntos), literal d (10 puntos), literal e (12 puntos),<\/p>\n","protected":false},"excerpt":{"rendered":" 2da Evaluaci\u00f3n 2025-2026 PAOI, Agosto 29, 2025 \/CCPG1043\/CCPG1801 Tema 3. (40 puntos) El DataFrame df contiene informaci\u00f3n de consumos nutricionales de pacientes. Cada fila representa el consumo mensual con las siguientes columnas: Nota: La tabla adjunta muestra informaci\u00f3n de ejemplo. i paciente sexo edad mes tipo calor\u00edas prote\u00ednas 0 P001 F 35 1 Frutas 5000 […]<\/p>\n","protected":false},"author":8043,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"wp-custom-template-entrada-fp-ejercicios","format":"standard","meta":{"footnotes":""},"categories":[96],"tags":[152],"class_list":["post-21634","post","type-post","status-publish","format-standard","hentry","category-fp-2eva30","tag-diccionarios"],"_links":{"self":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/21634","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/users\/8043"}],"replies":[{"embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/comments?post=21634"}],"version-history":[{"count":1,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/21634\/revisions"}],"predecessor-version":[{"id":21635,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/posts\/21634\/revisions\/21635"}],"wp:attachment":[{"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/media?parent=21634"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/categories?post=21634"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/blog.espol.edu.ec\/algoritmos101\/wp-json\/wp\/v2\/tags?post=21634"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}\n
i<\/th> paciente<\/th> sexo<\/th> edad<\/th> mes<\/th> tipo<\/th> calor\u00edas<\/th> prote\u00ednas<\/th><\/tr><\/thead> 0<\/td> P001<\/td> F<\/td> 35<\/td> 1<\/td> Frutas<\/td> 5000<\/td> 63<\/td><\/tr> 1<\/td> P001<\/td> F<\/td> 35<\/td> 2<\/td> Verduras<\/td> 4800<\/td> 60<\/td><\/tr> 2<\/td> P001<\/td> F<\/td> 35<\/td> 3<\/td> Cereales<\/td> 30000<\/td> 750<\/td><\/tr> 3<\/td> P002<\/td> M<\/td> 42<\/td> 1<\/td> Frutas<\/td> 5200<\/td> 65<\/td><\/tr> ...<\/td> <\/td> <\/td> <\/td> <\/td> <\/td> <\/td> <\/td><\/tr> 85<\/td> P012<\/td> M<\/td> 29<\/td> 1<\/td> Carnes<\/td> 2000<\/td> 480<\/td><\/tr> 86<\/td> P012<\/td> M<\/td> 29<\/td> 7<\/td> Frutas<\/td> 6200<\/td> 72<\/td><\/tr> 87<\/td> P003<\/td> F<\/td> 51<\/td> 5<\/td> Cereales<\/td> 22000<\/td> 831<\/td><\/tr> 88<\/td> P005<\/td> F<\/td> 80<\/td> 1<\/td> Frutas<\/td> 5800<\/td> 72<\/td><\/tr> ...<\/td> <\/td> <\/td> <\/td> <\/td> <\/td> <\/td> <\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n \n
Femenino.<\/p>\n\n\n\n\n