# -*- coding: utf-8 -*-
"""
Editor de Spyder

Este es un archivo temporal
"""
# Donde empezar:

# Lo mas fácil para usar Python científico es utilizar
# la distribución Anaconda (que incluye muchos paquetes).
# http://continuum.io/downloads#py34

# Tutorial generico: http://www.diveintopython3.net/
# Documentacion de Python: https://docs.python.org/3/
# Tutorial científico: https://scipy-lectures.github.io/

# Paquetes:
# - Rutinas numéricas: http://www.numpy.org/
#                      http://www.scipy.org/
# - Graficos: http://matplotlib.org/
# - Manejo de Unidades: http://pint.readthedocs.org/

#==============================================================================
# IMPORTACIÓN DE LAS BIBLIOTECAS QUE NECESITAMOS USAR
#==============================================================================


import pandas as pd
import numpy as np
import matplotlib.mlab as mlab 
import matplotlib.pyplot as plt

#==============================================================================
# IMPORTACIÓN DE LOS DATOS DESDE UN ARCHIVO 
#==============================================================================
#uso la biblioteca 'pandas'

######### Desde un achivo de excel .csv
# Nombre del archivo con los datos, tiene que estar en la misma carpeta 
# donde guardamos el .py
file="histograma100b.csv"

# donde volcar datos
result = []

# Lee el archivo, separado por tabulaciones, salteando 0 lineas de header
#     y empleando el punto como separador decimal
#data = pd.read_csv(file, sep='\t', skiprows=0, decimal='.')# mirar que separador tiene configurado el excel
data = pd.read_csv(file, sep=';', skiprows=0, decimal='.')


# Convierte el dataframe de pandas a un array de numpy
nparray = data.values # Guardo en la variable nparray los datos que importé, en forma de array (es como una matriz)

# Remueve los posibles nans del archivo
nparray = nparray[~np.isnan(nparray).any(axis=1)]


# Asigna las columnas a variables de salida al array
for cols in range(nparray.shape[1]):
    out = nparray[:,cols]
    result.append(out) 


# para ver
print(result)
print(len(result[0]))

#==============================================================================
# GRAFICAR EL HISTOGRAMA DE LOS DATOS
#==============================================================================

# uso la biblioteca matplotlib.pyplot

plt.close('all') # antes de graficar, cierra todas las figuras que estan abiertas
plt.title("histograma")
#le pongo nombres a los ejes
plt.xlabel('Tiempo de pulsación(s)')
plt.ylabel('Cuentas')

#grafico histograma con bins intervalos
weights = np.ones(len(result[0]))/len(result[0])
n,bin_positions,p=plt.hist(result,bins=10,weights=weights, edgecolor="black")
print(n,bin_positions)

#==============================================================================
# CALCULAR LA MEDIA, LA DESVIACIÓN ESTÁNDAR DE LOS DATOS y EL NÚMERO TOTAL DE CUENTAS
#==============================================================================

# uso la biblioteca numpy

mu=np.mean(result[0]) # media

sigma=np.std(result[0]) #desviación estándar

N=len(result[0]) # número de cuentas

std_err = sigma / N**0.5 # error estándar

# muestro estos resultados
print( 'media: ', mu)
print( 'desviacion estandar de los datos: ', sigma)
print( 'total de cuentas: ', N)
print( 'desviación estandar del promedio: ', std_err)