Open hlgh164469 opened 3 weeks ago
import requests import pandas as pd def obtener_datos_api(url): respuesta = requests.get(url) if respuesta.status_code == 200: return respuesta.json() else: raise Exception(f"Error al obtener datos: {respuesta.status_code}")
url_api = 'https://www.topitop.pe/hombre/casacas-hombre' datos = obtener_datos_api(url_api)
df = pd.DataFrame(datos) print(df.head())
df = df.dropna() # Eliminar filas con valores nulos df_normalizado = (df - df.mean()) / df.std() # Normalización from sklearn.decomposition import FastICA
n_componentes = 2
ica = FastICA(n_components=n_componentes) componentes_independientes = ica.fit_transform(df_normalizado)
df_ica = pd.DataFrame(componentesindependientes, columns=[f'Componente{i+1}' for i in range(n_componentes)]) print(df_ica.head()) import matplotlib.pyplot as plt
plt.figure(figsize=(10, 5)) plt.scatter(df_ica['Componente_1'], df_ica['Componente_2']) plt.title('Componentes Independientes') plt.xlabel('Componente 1') plt.ylabel('Componente 2') plt.grid() plt.show()
import requests import pandas as pd def obtener_datos_api(url): respuesta = requests.get(url) if respuesta.status_code == 200: return respuesta.json()
else: raise Exception(f"Error al obtener datos: {respuesta.status_code}")
url_api = 'https://www.topitop.pe/hombre/casacas-hombre' datos = obtener_datos_api(url_api)
df = pd.DataFrame(datos) print(df.head())
df = df.dropna() # Eliminar filas con valores nulos df_normalizado = (df - df.mean()) / df.std() # Normalización from sklearn.decomposition import FastICA
n_componentes = 2
Aplicar ICA
ica = FastICA(n_components=n_componentes) componentes_independientes = ica.fit_transform(df_normalizado)
df_ica = pd.DataFrame(componentesindependientes, columns=[f'Componente{i+1}' for i in range(n_componentes)]) print(df_ica.head())
import matplotlib.pyplot as plt
plt.figure(figsize=(10, 5)) plt.scatter(df_ica['Componente_1'], df_ica['Componente_2']) plt.title('Componentes Independientes') plt.xlabel('Componente 1') plt.ylabel('Componente 2') plt.grid() plt.show()