Python & PHP SKool

Una variable es una caja con nombre donde guardamos un valor. En Python el tipo se deduce solo; en PHP toda variable empieza con $. Ambos son tipado dinámico: la caja cambia de tipo según lo que metes.

Condicionales y bucles son el esqueleto de cualquier programa. En Python el bloque se define por indentación (espacios); en PHP por llaves { }. Ambos funcionan igual en lógica, distinto en forma.

Una función es un bloque de código con nombre que puedes reutilizar. Recibe parámetros (entradas) y puede devolver un valor (salida). El principio DRY: Don't Repeat Yourself — si copias código, convierte eso en función.

Las listas (Python) y arrays (PHP) son colecciones de valores bajo un mismo nombre. Se accede a cada elemento por su índice, que empieza siempre en 0. Son la estructura de datos más usada junto con los diccionarios/arrays asociativos.

Una clase es una plantilla. Un objeto es una instancia de esa plantilla. Si "Perro" es la clase, "Laika" y "Rex" son objetos. Cada objeto tiene sus propios atributos (datos) y métodos (funciones). Este paradigma se llama POO — Programación Orientada a Objetos.

Una librería es código escrito por otros que importas para no reinventar la rueda. NumPy trabaja con números y matrices; Pandas con tablas de datos (piensa en Excel programable). En PHP las librerías más usadas son las propias del lenguaje para web: base de datos, JSON, fechas.

NumPy — cálculo numérico

Pandas — tablas de datos

Mapa rápido de librerías por uso:

Buscar un elemento, comprobar si existe y filtrar por condición son las operaciones más frecuentes cuando un LLM te devuelve datos en forma de lista. Python tiene sintaxis muy expresiva para esto; PHP usa funciones de librería estándar.

El texto es el tipo de dato más frecuente cuando trabajas con LLMs. Limpiar, buscar, dividir y recomponer strings es imprescindible. Python trata los strings como objetos con métodos; PHP usa funciones con prefijo str_.

Cuando algo falla, el programa lanza una excepción. Si no la capturas, el programa se detiene. El bloque try/except (Python) o try/catch (PHP) intercepta el error y permite continuar. El código que generan los LLMs casi siempre incluye esto.

JSON es el formato universal de intercambio de datos en la web. Cuando un LLM te genera código que llama a una API — o cuando tú llamas a un LLM por API — los datos viajan en JSON. Entender cómo convertir entre JSON y estructuras nativas es esencial.

Las expresiones regulares son patrones para buscar, validar y extraer texto. Un LLM las genera con frecuencia para limpiar datos o validar formularios. No hace falta memorizarlas — sí hace falta reconocerlas y saber qué buscar.

Cuando un LLM genera código de machine learning con Keras o TensorFlow, aparecen siempre los mismos bloques. No necesitas ejecutarlo — sí necesitas reconocer qué hace cada parte: dónde están los datos, dónde se define la red, dónde se entrena y dónde se predice.

Leer y escribir archivos es una tarea básica en cualquier backend. Python usa el gestor de contexto with open(); PHP tiene fopen/fclose y funciones de alto nivel. Además veremos el buffer de salida, control de errores, locale y zona horaria — y las cookies en PHP.

En PHP, $_POST y $_GET son arrays superglobales que permiten acceder a los datos enviados a través de los métodos HTTP POST y GET, respectivamente.

$_GET: Los datos se envían a través de la URL (ej: pagina.php?nombre=Sergio). Son visibles y se usan para consultas simples.
$_POST: Los datos se envían en el cuerpo de la petición HTTP (no visibles en la URL). Se usan para formularios con información sensible (ej: contraseñas).

// Ejemplo de $_GET
if (isset($_GET['nombre'])) {
    echo "Hola, " . htmlspecialchars($_GET['nombre']);
} else {
    echo "No se recibió el parámetro 'nombre' en la URL.";
}

// Ejemplo de $_POST (simulado para el editor)
if ($_SERVER['REQUEST_METHOD'] === 'POST' && isset($_POST['edad'])) {
    echo "Tu edad es: " . intval($_POST['edad']);
} else {
    echo "No se recibió el parámetro 'edad' por POST.";
}
          

TensorFlow.js es una librería de JavaScript que permite ejecutar modelos de Machine Learning directamente en el navegador. Aquí tienes un ejemplo sencillo con tensores locales (sin necesidad de descargar modelos externos).

// Ejemplo de TensorFlow.js con tensores locales
async function runTFJSExample() {
  const outputDiv = document.getElementById('out-tfjs');
  outputDiv.innerHTML = '
Cargando TensorFlow.js...
';
  
  try {
    // Crear un tensor simple
    const tensor = tf.tensor2d([[1, 2], [3, 4]]);
    const result = tensor.mul(2); // Multiplicar por 2
    
    // Mostrar resultado en el HTML
    outputDiv.innerHTML = `
      
salida
      

        Tensor original: [[1, 2], [3, 4]]

        Resultado (x2): [[${result.get(0, 0)}, ${result.get(0, 1)}], [${result.get(1, 0)}, ${result.get(1, 1)}]]
      
    `;
  } catch (error) {
    outputDiv.innerHTML = `
Error
${error.message}
`;
  }
}
          

Con pandas, puedes leer y manipular archivos CSV directamente en el navegador usando Pyodide. Aquí tienes un ejemplo con datos de ejemplo generados en el código.

import pandas as pd
from io import StringIO

data = "nombre,edad,ciudad\nAna,25,Madrid\nLuis,30,Barcelona"
df = pd.read_csv(StringIO(data))
repr(df)  
# Esto devuelve una cadena con la representación del DataFrame
          

Hasta ahora has ejecutado Python y PHP directamente en tu navegador, sin servidor. Vamos a hacer lo mismo con una base de datos relacional: aquí corre SQLite real, compilado a WebAssembly (sql.js), igual que Pyodide hace con Python. No hay servidor MySQL/MariaDB detrás, no se toca infodocencia.net para nada: tu base de datos vive solo en tu navegador.

Para practicar usaremos una mini librería online, con 5 tablas ya cargadas con datos de ejemplo:

DDL (Data Definition Language) es el SQL que define la estructura: qué tablas existen, qué columnas tiene cada una, de qué tipo, y cómo se relacionan entre sí mediante claves. Es el "plano" de la base de datos.

Con la estructura ya creada, el DML (Data Manipulation Language) mete y modifica los datos que viven dentro: INSERT, UPDATE y DELETE.

El DQL (Data Query Language) es, en la práctica, un único comando con muchas piezas: SELECT. Filtra con WHERE, ordena con ORDER BY, limita con LIMIT, y busca patrones de texto con LIKE.

Los datos están repartidos en varias tablas a propósito (para no repetirlos). JOIN las vuelve a juntar en el momento de consultar. Una subconsulta es un SELECT completo metido dentro de otro, para usar su resultado como filtro.

Las funciones de agregación resumen muchas filas en una: COUNT, SUM, AVG, MIN, MAX. GROUP BY las aplica por grupo (por autor, por cliente, por ciudad...) en vez de a toda la tabla.