MAT281 - Tarea N°01: Procesamiento de Imágenes y Análisis de Datos¶

Objetivos de la Tarea¶

Esta tarea integra las herramientas de la primera mitad del curso. En la Parte I trabajarás el modelo de color RGB manipulando imágenes como arreglos de NumPy (esteganografía simple: ocultar y descifrar imágenes). En la Parte II aplicarás pandas y visualización para analizar un conjunto de datos real, el World Happiness Report.

Objetivos específicos¶

1. Representar y manipular imágenes como arreglos de NumPy (modelo RGB).
2. Aplicar operaciones vectorizadas, indexación y reshape/concatenate/split.
3. Cargar, consolidar y limpiar datos de múltiples archivos con pandas.
4. Resumir datos con groupby, pivot_table y filtrado condicional.
5. Construir visualizaciones efectivas y comunicar conclusiones.

Instrucciones¶

1. Completa tus datos personales en la celda correspondiente:

   • Nombre:
   • Rol USM:

2. Este archivo debe ser actualizado con tus respuestas y luego subido a tu repositorio personal del curso. Asegúrate de incluir todos los archivos necesarios para su ejecución (datos, imágenes, scripts, etc.).

3. La evaluación de la tarea considerará los siguientes aspectos:

   • Desarrollo correcto de las soluciones solicitadas.
   • Claridad, legibilidad y calidad del código.
   • Calidad de las interpretaciones y conclusiones escritas.
   • Reproducibilidad: al ejecutar Kernel → Restart Kernel and Run All Cells, el notebook debe correr sin errores.

Nota: cada vez que veas una celda con # FIXME, reemplázala por tu solución. Cada vez que se pida una interpretación, responde en la celda de texto indicada.

Datos personales¶

• Nombre:
• Rol USM:

I.- Imagenception¶

Desde Wikipedia, RGB (red, green, blue) es un modelo de color basado en la síntesis aditiva: cada color se representa por la mezcla de tres colores primarios de luz. Cada componente se mide habitualmente en una escala de 0 a 255 (1 byte).

Para efectos prácticos, una imagen de $n \times m$ píxeles se representa como un arreglo de NumPy de dimensión $(n, m, 3)$, donde la última dimensión son las capas R, G y B. En Python usaremos la librería Pillow (PIL).

🖼️ Sugerencia de imagen — Modelo RGB: busca "modelo de color RGB cubo aditivo" (Google Imágenes / Unsplash / Wikimedia) y pega una imagen aquí para reforzar la idea de esta sección. Descárgala en la carpeta images/ y reemplaza el marcador siguiente:

![Modelo RGB](images/rgb_cube.png)

In [ ]:

import numpy as np
from PIL import Image

import numpy as np from PIL import Image

Abrir y visualizar una imagen es tan simple como:

In [ ]:

gatito = Image.open("images/gatito.png")
gatito

gatito = Image.open("images/gatito.png") gatito

Para obtener su representación como arreglo usamos np.array. Observa que el resultado tiene 3 dimensiones (alto, ancho, canales).

In [ ]:

gatito_np = np.array(gatito)
print(f"Dimensión: {gatito_np.shape}")
print(f"Tipo de dato: {gatito_np.dtype}")

gatito_np = np.array(gatito) print(f"Dimensión: {gatito_np.shape}") print(f"Tipo de dato: {gatito_np.dtype}")

1.- Encontrando la imagen oculta¶

La imagen gatito esconde otra imagen en la paridad de sus píxeles. Vamos a descifrarla.

1.1 Crea una lista vacía llamada secret_list.

In [ ]:

secret_list = # FIXME

secret_list = # FIXME

1.2 Itera por cada canal RGB (gatito_np.shape[2]). En cada iteración:

• Crea un arreglo secret_aux (2D, mismas dimensiones de píxeles) con valor 0 si el píxel del canal es par y 1 si es impar (usa el operador módulo %, sin iterar por filas/columnas).
• Escala secret_aux a valores 0 y 255.
• Cambia su dtype a np.uint8 (.astype(np.uint8)).
• Agrégalo a secret_list.

Al finalizar, secret_list debe tener tres arreglos.

In [ ]:

for channel in # FIXME
    secret_aux = # FIXME
    secret_aux = # FIXME
    secret_aux = # FIXME
    secret_list.append(secret_aux)

print(f"secret_list tiene {len(secret_list)} elementos")

for channel in # FIXME secret_aux = # FIXME secret_aux = # FIXME secret_aux = # FIXME secret_list.append(secret_aux) print(f"secret_list tiene {len(secret_list)} elementos")

1.3 Crea secret_np concatenando horizontalmente los elementos de secret_list (np.concatenate o np.hstack).

In [ ]:

secret_np = # FIXME
secret_np.shape

secret_np = # FIXME secret_np.shape

1.4 Crea secret_img con Image.fromarray, asegurando dtype np.uint8 y usando mode="L" (escala de grises). Visualízala.

In [ ]:

secret_img = Image.fromarray(# FIXME, mode="L")
secret_img

secret_img = Image.fromarray(# FIXME, mode="L") secret_img

2.- Escondiendo una nueva imagen¶

Ahora tú esconderás una imagen.

2.1 Selecciona una imagen en blanco y negro de 2160 × 3840 px (en images/ se incluye black_and_white_example.jpg) y cárgala en my_img con Image.open().

🖼️ Sugerencia de imagen — Esteganografía: busca "esteganografia ocultar imagen en imagen" (Google Imágenes / Unsplash / Wikimedia) y pega una imagen aquí para reforzar la idea de esta sección. Descárgala en la carpeta images/ y reemplaza el marcador siguiente:

![Esteganografía](images/stegano.png)

In [ ]:

my_img = Image.open(# FIXME)

my_img = Image.open(# FIXME)

2.2 Crea my_img_np con np.array(my_img). Verifica que su shape sea (2160, 3840) (2D, por ser blanco y negro).

In [ ]:

my_img_np = np.array(my_img)
print(my_img_np.shape)

my_img_np = np.array(my_img) print(my_img_np.shape)

2.3 Crea my_img_np_aux aplicando un umbral:

• 1 si el píxel es mayor al umbral, 0 si es menor o igual.
• dtype = np.uint8. Para black_and_white_example.jpg un umbral de 20 funciona bien.

In [ ]:

umbral = 20
my_img_np_aux = # FIXME

Image.fromarray(my_img_np_aux * 255)  # vista previa

umbral = 20 my_img_np_aux = # FIXME Image.fromarray(my_img_np_aux * 255) # vista previa

2.4 Divide la imagen en tres arreglos de tamaño (2160, 1280) y guárdalos en la lista my_img_split (np.split / np.hsplit).

In [ ]:

my_img_split = # FIXME

for img_array in my_img_split:
    print(img_array.shape)

my_img_split = # FIXME for img_array in my_img_split: print(img_array.shape)

2.5 La imagen portadora es images/gatito_original.png (2160 × 1280). Cárgala en cat y crea cat_np; verifica cat_np.shape == (2160, 1280, 3).

In [ ]:

cat = Image.open(# FIXME)
cat_np = # FIXME
print(cat_np.shape)

cat = Image.open(# FIXME) cat_np = # FIXME print(cat_np.shape)

2.6 Convierte todos los valores de cat_np a pares (suma 1 a los impares). 2.7 Itera por canal RGB y suma a cada capa uno de los arreglos de my_img_split.

In [ ]:

# 2.6
cat_np = # FIXME

# 2.7
for channel in # FIXME
    cat_np[# FIXME] += # FIXME

# 2.6 cat_np = # FIXME # 2.7 for channel in # FIXME cat_np[# FIXME] += # FIXME

2.8 Crea cat_secret_im con Image.fromarray(cat_np) y guárdala como images/my_secret.png.

In [ ]:

cat_secret_im = Image.fromarray(# FIXME)
cat_secret_im.save(# FIXME)

cat_secret_im = Image.fromarray(# FIXME) cat_secret_im.save(# FIXME)

2.9 Escribe una función imagenception(filepath) que reciba la ruta de una imagen y descifre la imagen oculta (reutiliza los pasos de la Parte 1). Pruébala con images/my_secret.png.

In [ ]:

def imagenception(filepath):
    # FIXME
    return secret_img


my_secret_img = imagenception("images/my_secret.png")
my_secret_img

def imagenception(filepath): # FIXME return secret_img my_secret_img = imagenception("images/my_secret.png") my_secret_img

II.- Analizando la Felicidad¶

Este ejercicio es de análisis de datos: lectura, corrección de errores, métricas agrupadas y unión de datos. Usaremos el World Happiness Report (Kaggle), con un archivo por año (2015, 2016 y 2017).

🖼️ Sugerencia de imagen — World Happiness: busca "world happiness report mapa felicidad" (Google Imágenes / Unsplash / Wikimedia) y pega una imagen aquí para reforzar la idea de esta sección. Descárgala en la carpeta images/ y reemplaza el marcador siguiente:

![World Happiness](images/happiness_map.png)

In [ ]:

import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns

pd.set_option("display.max_columns", 999)
sns.set_theme(style="whitegrid")

import pandas as pd import matplotlib.pyplot as plt import seaborn as sns pd.set_option("display.max_columns", 999) sns.set_theme(style="whitegrid")

2.1 Lectura y consolidación¶

Los tres reportes no tienen las mismas columnas (p. ej. 2017 no trae Region). Una buena práctica es leer una cantidad variable de archivos.

Tu tarea:

1. Carga los tres archivos en df15, df16, df17.
2. Agrega a cada uno una columna Year y consolida un conjunto de columnas común en un único DataFrame df con pd.concat.

In [ ]:

base = "https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/homeworks/data/world-happiness"
df15 = pd.read_csv(f"{base}/2015.csv")
df16 = pd.read_csv(f"{base}/2016.csv")
df17 = pd.read_csv(f"{base}/2017.csv")

# FIXME

base = "https://raw.githubusercontent.com/fralfaro/MAT281/main/docs/homeworks/data/world-happiness" df15 = pd.read_csv(f"{base}/2015.csv") df16 = pd.read_csv(f"{base}/2016.csv") df17 = pd.read_csv(f"{base}/2017.csv") # FIXME

2.2 Procesado y corrección¶

Tu tarea:

1. El reporte 2017 perdió la columna Region: recupérala usando 2015/2016 (merge o map país → región). Reporta los países sin región.
2. Revisa tipos de datos, valores nulos y países duplicados dentro de un año.

In [ ]:

# FIXME

# FIXME

2.3 Análisis¶

Tu tarea:

1. Happiness Score promedio por región (ordenado).
2. Tabla wide con pivot_table: filas = región, columnas = año.
3. Top 10 países más felices y menos felices en 2017.
4. Interpreta: ¿qué región es consistentemente más feliz? ¿qué variable correlaciona más con la felicidad?

In [ ]:

# FIXME

# FIXME

Interpretación (2.3): (escribe aquí)

2.4 Visualización¶

Tu tarea: construye al menos cuatro gráficos con su respectiva lectura:

1. Histograma/KDE del Happiness Score (2017).
2. Heatmap de correlaciones.
3. Scatter de Economy (GDP per Capita) vs Happiness Score, coloreado por región.
4. Boxplot del score por región.

🖼️ Sugerencia de imagen — Tipos de gráficos: busca "data visualization chart types cheat sheet" (Google Imágenes / Unsplash / Wikimedia) y pega una imagen aquí para reforzar la idea de esta sección. Descárgala en la carpeta images/ y reemplaza el marcador siguiente:

![Tipos de gráficos](images/chart_types.png)

In [ ]:

# FIXME

# FIXME

III.- Conclusiones¶

Redacta 3 a 5 conclusiones respaldadas por tu análisis: ¿qué factores se asocian con países más felices? ¿qué patrones regionales y temporales observaste? ¿qué limitaciones tienen estos datos?

Conclusiones: (escribe aquí)