3. Computación numérica y visualización base#
Note
Duración: 2 horas. Librerías: NumPy, Pandas, Matplotlib. Conjunto de datos: Perfiles de lances CTD oceanográficos en formato CSV.
3.1. Arreglos de NumPy: cálculo vectorizado#
NumPy proporciona arreglos multidimensionales (ndarray) optimizados en
memoria, fundamentales para operar sobre miles de registros
oceanográficos simultáneamente sin usar bucles lentos:
import numpy as np
# Mediciones de temperatura in situ y salinidad práctica
depth = np.array([0.0, 10.0, 25.0, 50.0, 100.0, 200.0, 400.0])
temp = np.array([25.4, 25.1, 23.8, 19.5, 14.2, 10.8, 7.5])
sal = np.array([35.2, 35.2, 35.1, 34.8, 34.5, 34.4, 34.5])
# Calculo de anomalia respecto a la media de la columna
temp_anomaly = temp - np.mean(temp)
print(f"Anomalias de temperatura: {temp_anomaly.round(2)}")
3.2. DataFrames con Pandas: Limpieza de cruceros oceanográficos#
Pandas es la herramienta estándar para el manejo de datos tabulares estructurados (archivos .csv, .tsv o bases de datos):
import pandas as pd
# Simulacion de lectura de datos de crucero CTD
data = {
"station": ["B01", "B01", "B01", "B02", "B02", "B02"],
"lat": [24.5, 24.5, 24.5, 24.8, 24.8, 24.8],
"lon": [-111.2, -111.2, -111.2, -111.5, -111.5, -111.5],
"depth_m": [5.0, 50.0, 150.0, 5.0, 50.0, 150.0],
"temperature_C": [24.1, 18.2, 12.4, 23.8, 17.9, 11.8],
"salinity_psu": [35.1, 34.9, 34.6, 35.0, 34.8, 34.5],
"qc_flag": [1, 1, 1, 1, 1, 4] # 1 = Bueno, 4 = Dato dudoso
}
df = pd.DataFrame(data)
# Filtrado de calidad y calculo agrupado por estacion
valid_data = df[df["qc_flag"] == 1]
station_stats = valid_data.groupby("station")["temperature_C"].agg(["mean", "min", "max"])
print("Estadísticas por estación oceanográfica:")
print(station_stats)
3.3. Visualización de perfiles oceanográficos con Matplotlib#
En oceanografía física y química es una convención estándar graficar la profundidad en el eje vertical invertido (con la superficie en 0 metros en la parte superior):
import matplotlib.pyplot as plt
# Configuración de figura científica de dos paneles
fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 6), sharey=True)
# Panel 1: Temperatura
ax1.plot(temp, depth, color="firebrick", marker="o", linewidth=2)
ax1.set_xlabel("Temperatura (C)")
ax1.set_ylabel("Profundidad (m)")
ax1.set_title("Perfil Termico")
ax1.grid(True, linestyle="--", alpha=0.6)
ax1.invert_yaxis() # Invertir eje: la superficie arriba
# Panel 2: Salinidad
ax2.plot(sal, depth, color="navy", marker="s", linewidth=2)
ax2.set_xlabel("Salinidad (PSU)")
ax2.set_title("Perfil Halino")
ax2.grid(True, linestyle="--", alpha=0.6)
plt.suptitle("Crucero Oceanográfico - Estación CTD Principal", fontsize=13)
plt.tight_layout()
plt.show()
3.4. Ejercicios de la sesión#
Cargue un archivo CSV de un crucero con datos de oxigeno disuelto y clorofila.
Genere una figura de publicacion con tres paneles que compare perfiles de temperatura, salinidad y oxigeno disuelto compartiendo el eje Y invertido.