LifeLines librería especializada de Python

 

• Lifelines: una biblioteca de Python para análisis de supervivencia. Colección de herramientas muy potente, de las cuales solo unas pocas se superponen con la biblioteca de confiabilidad de Python. (Reliability)

---

Líneas de vida¶

lifelines es una biblioteca completa de análisis de supervivencia, escrita en Python puro. Qué ¿Qué beneficios tienen las líneas de vida?

• Fácil instalación

• métodos de trazado interno

• API sencilla e intuitiva

• maneja datos censurados a derecha, izquierda e intervalo

• Contiene los modelos paramétricos, semiparamétricos y no paramétricos más populares.

Instalación¶

pip install lifelines

o

conda install -c conda-forge lifelines

Código fuente y rastreador de problemas¶

Disponible en Github, CamDavidsonPilon/lifelines. Informe errores, problemas y extensiones de funciones allí. También tenemos un canal de discusión disponible para discutir análisis de supervivencia y líneas de vida:

Citando líneas de vida¶

El siguiente enlace lo llevará a una página donde puede encontrar la última cita de líneas de vida: Cita de líneas de vida

Documentación¶

Inicio rápido e introducción

• Inicio rápido
• Introducción al análisis de supervivencia

Modelos univariados

• Estimación de modelos univariados
• Modelos exponenciales por partes y creación de modelos personalizados
• Modelos de supervivencia discretos
• Tasas de conversión con desfase temporal y modelos de curación

Modelos de regresión

• Regresión de supervivencia
• Modelos de regresión personalizados
• Regresión de supervivencia variable en el tiempo
• Prueba de los supuestos de riesgo proporcional
• ¿Debo preocuparme por el supuesto de riesgo proporcional?

Documentación adicional

• Referencia API
• Más ejemplos y recetas

Acerca de las líneas de vida

• Registro de cambios
• Blog de desarrollo
• Citando líneas de vida
• Líneas de vida de apoyo

¿preguntas? ¿sugerencias?

• Foro de discusión
• Crea un problema en GitHub

Documentación para desarrolladores

• Contribuyendo a las líneas de vida
• Desarrollo

---

© Copyright 2014-2026, Cam Davidson-Pilon.

Construido con Sphinx usando a tema proporcionado por Read the Docs.

Como importar y leer archivos de Google Sheets con Python en Google Colab?

Cómo leer un Google Sheet desde Google Drive usando gspread y pandas

Este método es el más robusto ya que no requiere descargar el archivo ni lidiar con formatos de Excel, leyendo la hoja directamente desde la nube de Google.

>>from google.colab import auth

>>import gspread

>>from google.auth import default

>>import pandas as pd

>># 1. Autenticar el usuario de Google Colab

>>auth.authenticate_user()

>># 2. Obtener las credenciales del sistema

>>creds, _ = default()

>>gc = gspread.authorize(creds)

>># 3. Abrir la hoja de cálculo por su nombre (o por su URL completa)

>># Cambia 'Tabla C5 reliawiki' por el nombre exacto de tu archivo en Drive

>>nombre_archivo = 'Tabla C5 reliawiki'

>>sh = gc.open(nombre_archivo)

>># 4. Seleccionar la primera hoja de trabajo (worksheet)

>>worksheet = sh.get_worksheet(0)

>># 5. Obtener todos los valores y cargarlos en un DataFrame de pandas

>>valores = worksheet.get_all_values()

>>df_sheet = pd.DataFrame(valores[1:], columns=valores[0])

>># Mostrar las primeras filas del DataFrame importado

>>display(df_sheet.head())

>>>

	Número en el estado	Estado F o S	Tiempo hasta el fracaso
0	288	S	50
1	148	S	150
2	1	F	230
3	124	S	250
4	1	F	334

El ecosistema de Google Colab permite leer tablas de hojas de cálculos

alojadas en la nube de google drive de forma directa, para trabajar

con Python

Reliawiki - Otra mirada al parámetro beta de weibull - trabajando en google colab

Supongamos que un ingeniero de pruebas obtuvo los datos de vida que se muestran en la Tabla 1. Según Según la experiencia previa, se debe utilizar la distribución Weibull de 2 parámetros para ajustar los datos. El análisis utilizando Weibull++ muestra que β = 0,9812 y η = 73,6036, como se muestra en la Figura 1.

Tabla 1: Datos de falla

Estado (F o S)	Es hora de declarar	Índice de artículos
F	2	1
S	3	2
F	5	3
S	7	4
F	11	5
S	13	6
S	17	7
S	19	8
F	23	9
F	29	10
S	31	11
F	37	12
S	41	13
F	43	14
S	47	15
S	53	16
F	59	17
S	61	18
S	69	19
F	75	20

from reliability.Distributions import Weibull_Distribution

import matplotlib.pyplot as plt

dist = Weibull_Distribution(alpha=73.6036, beta= 0.9812)  # this created the distribution object

dist.PDF()  # this creates the plot of the PDF

plt.show()

# sub grupo 1: 3,7,13,19,29,37,43,53,61,75

# sub grupo 2: 2,5,11,17,23,31,41,47, 59,69

from reliability.Fitters import Fit_Weibull_2P

import matplotlib.pyplot as plt

data_1 = [3,7,13,19,29,37,43,53,61,75]

wb = Fit_Weibull_2P(failures=data_1)

plt.show()

Results from Fit_Weibull_2P (95% CI):

Analysis method: Maximum Likelihood Estimation (MLE)
Optimizer: TNC
Failures / Right censored: 10/0 (0% right censored) 

Parameter  Point Estimate  Standard Error  Lower CI  Upper CI
    Alpha         37.1085         8.81965   23.2899   59.1262
     Beta         1.39557         0.36808  0.832238   2.34021 

Goodness of fit    Value
 Log-likelihood -44.5643
           AICc   94.843
            BIC  93.7338
             AD  1.42278 

from reliability.Fitters import Fit_Weibull_2P

import matplotlib.pyplot as plt

data_2 = [2,5,11,17,23,31,41,47, 59,69]

wb = Fit_Weibull_2P(failures=data_2)

plt.show()

Results from Fit_Weibull_2P (95% CI):
Analysis method: Maximum Likelihood Estimation (MLE)
Optimizer: TNC
Failures / Right censored: 10/0 (0% right censored) 

Parameter  Point Estimate  Standard Error  Lower CI  Upper CI
    Alpha         32.7011         8.52932   19.6132   54.5229
     Beta         1.27127        0.335708   0.75763   2.13313 

Goodness of fit   Value
 Log-likelihood -43.802
           AICc 93.3182
            BIC 92.2091
             AD 1.42135 

Grupos 1 y 2 juntos

from reliability.Fitters import Fit_Weibull_2P

import matplotlib.pyplot as plt

data_3 = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29, 31, 37, 41, 47, 43, 53, 59, 61, 62, 69, 75]

wb = Fit_Weibull_2P(failures=data_3)

plt.show()

Results from Fit_Weibull_2P (95% CI):
Analysis method: Maximum Likelihood Estimation (MLE)
Optimizer: TNC
Failures / Right censored: 21/0 (0% right censored) 

Parameter  Point Estimate  Standard Error  Lower CI  Upper CI
    Alpha         36.5097          6.1597     26.23    50.818
     Beta         1.35493        0.248815   0.94538   1.94191 

Goodness of fit    Value
 Log-likelihood -93.6314
           AICc   191.93
            BIC  193.352
             AD  1.01308 

IA, Hugging Face, Aplicada a la ingeniería mecánica

Prompt for Gemini:

¿Cómo puedo aprovechar Hugging face desde Python? indícame ejemplos resueltos de aplicación relacionada con ingeniería mecánica

NOTA: si quieres saber en que consiste Hugging face haz clic aquí:

https://ingenieriamecanicaco.blogspot.com/2026/10/que-es-hugging-face-y-para-que-sirve.html

Ejemplo 1.

>>! pip install transformers

............................................................................................................................
Requirement already satisfied: transformers in /usr/local/lib/python3.13/dist-packages (5.17.0)
Requirement already satisfied: huggingface-hub<2.0,>=1.5.0 in /usr/local/lib/python3.13/dist-packages (from transformers) (1.31.0)
Requirement already satisfied: numpy>=1.17 in /usr/local/lib/python3.13/dist-packages (from transformers) (2.1.3)
Requirement already satisfied: packaging>=20.0 in /usr/local/lib/python3.13/dist-packages (from transformers) (26.3)
Requirement already satisfied: pyyaml>=5.1 in /usr/local/lib/python3.13/dist-packages (from transformers) (6.0.3)
Requirement already satisfied: regex>=2025.10.22 in /usr/local/lib/python3.13/dist-packages (from transformers) (2025.11.3)
Requirement already satisfied: tokenizers<0.24.0,>=0.23.1 in /usr/local/lib/python3.13/dist-packages (from transformers) (0.23.2)
Requirement already satisfied: typer in /usr/local/lib/python3.13/dist-packages (from transformers) (0.27.2)
Requirement already satisfied: safetensors>=0.8.0 in /usr/local/lib/python3.13/dist-packages (from transformers) (0.8.0)
Requirement already satisfied: tqdm>=4.60 in /usr/local/lib/python3.13/dist-packages (from transformers) (4.67.3)
Requirement already satisfied: click<9.0.0,>=8.4.2 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (8.5.0)
Requirement already satisfied: filelock>=3.10.0 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (3.32.7)
Requirement already satisfied: fsspec>=2023.5.0 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (2025.12.0)
Requirement already satisfied: hf-xet<2.0.0,>=1.5.2 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (1.6.0)
Requirement already satisfied: httpx<1,>=0.23.0 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (0.28.1)
Requirement already satisfied: typing-extensions>=4.1.0 in /usr/local/lib/python3.13/dist-packages (from huggingface-hub<2.0,>=1.5.0->transformers) (4.16.0)
Requirement already satisfied: shellingham>=1.3.0 in /usr/local/lib/python3.13/dist-packages (from typer->transformers) (1.5.4)
Requirement already satisfied: rich>=13.8.0 in /usr/local/lib/python3.13/dist-packages (from typer->transformers) (13.9.4)
Requirement already satisfied: annotated-doc>=0.0.2 in /usr/local/lib/python3.13/dist-packages (from typer->transformers) (0.0.5)
Requirement already satisfied: anyio in /usr/local/lib/python3.13/dist-packages (from httpx<1,>=0.23.0->huggingface-hub<2.0,>=1.5.0->transformers) (4.15.1)
Requirement already satisfied: certifi in /usr/local/lib/python3.13/dist-packages (from httpx<1,>=0.23.0->huggingface-hub<2.0,>=1.5.0->transformers) (2026.7.22)
Requirement already satisfied: httpcore==1.* in /usr/local/lib/python3.13/dist-packages (from httpx<1,>=0.23.0->huggingface-hub<2.0,>=1.5.0->transformers) (1.0.9)
Requirement already satisfied: idna in /usr/local/lib/python3.13/dist-packages (from httpx<1,>=0.23.0->huggingface-hub<2.0,>=1.5.0->transformers) (3.19)
Requirement already satisfied: h11>=0.16 in /usr/local/lib/python3.13/dist-packages (from httpcore==1.*->httpx<1,>=0.23.0->huggingface-hub<2.0,>=1.5.0->transformers) (0.16.0)
Requirement already satisfied: markdown-it-py>=2.2.0 in /usr/local/lib/python3.13/dist-packages (from rich>=13.8.0->typer->transformers) (4.2.0)
Requirement already satisfied: pygments<3.0.0,>=2.13.0 in /usr/local/lib/python3.13/dist-packages (from rich>=13.8.0->typer->transformers) (2.21.0)
Requirement already satisfied: mdurl~=0.1 in /usr/local/lib/python3.13/dist-packages (from markdown-it-py>=2.2.0->rich>=13.8.0->typer->transformers) (0.1.2)

...............................................................................................

>>from transformers import pipeline

>>classifier = pipeline("sentiment-analysis")

>>resultado = classifier("¡Me encanta aprender sobre inteligencia artificial!")

>>print(resultado)

..........................................................................

[transformers] No model was supplied, defaulted to distilbert/distilbert-base-uncased-finetuned-sst-2-english and revision 714eb0f.
Using a pipeline without specifying a model name and revision in production is not recommended.
Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads.
WARNING:huggingface_hub.utils._http:Warning: You are sending unauthenticated requests to the HF Hub. Please set a HF_TOKEN to enable higher rate limits and faster downloads.

config.json: 100%

 629/629 [00:00<00:00, 73.0kB/s]

model.safetensors: reconstructing file: 100%

  268MB /  268MB, 20.7MB/s  

model.safetensors: downloading bytes: 

  250MB, 21.9MB/s  

Loading weights: 100%

 104/104 [00:00<00:00, 3059.60it/s]

tokenizer_config.json: 100%

 48.0/48.0 [00:00<00:00, 5.33kB/s]

vocab.txt: 100%

 232k/232k [00:00<00:00, 3.04MB/s]

[{'label': 'NEGATIVE', 'score': 0.9969039559364319}]

.........................................................................

¡Excelente pregunta! Hugging Face es una plataforma sumamente poderosa que va mucho más allá del análisis de sentimiento básico.

Antes de ver los ejemplos de ingeniería mecánica, es importante notar por qué tu celda anterior clasificó la frase "¡Me encanta aprender sobre inteligencia artificial!" como NEGATIVE (con un 99.6% de confianza). Esto ocurrió porque el pipeline por defecto utiliza un modelo entrenado únicamente en inglés (distilbert-base-uncased-finetuned-sst-2-english). Al recibir texto en español, el modelo se confunde por completo.

A continuación, te presento una guía práctica con ejemplos resueltos y adaptados a la Ingeniería Mecánica utilizando modelos multilingües o específicos para resolver tareas de:

1. Clasificación de fallas y reportes de mantenimiento (Análisis de texto técnico).
2. Extracción de información (NER) en especificaciones de maquinaria.
3. Búsqueda semántica / Preguntas y Respuestas (Q&A) sobre manuales de operación.

### 1. Clasificación de Reportes de Mantenimiento y Fallas de Maquinaria

En ingeniería mecánica, a menudo se reciben reportes de fallas escritos por operarios en texto libre. Podemos clasificar automáticamente estos reportes en categorías de criticidad o por subsistemas mecánicos involucrados (por ejemplo: *Estructural, Hidráulico, Eléctrico, Térmico*).

Utilizaremos un clasificador "Zero-Shot" (que no requiere reentrenamiento) compatible con español.

>>from transformers import pipeline

>># Cargamos un pipeline de clasificación zero-shot compatible con español

>>classifier = pipeline(

    "zero-shot-classification",

    model="facebook/bart-large-mnli"

)

>># Reporte técnico real de un entorno industrial

>>reporte = "Se observa un incremento de vibraciones anormales y ruido metálico

en la zona del rodamiento del eje principal, acompañado de un ligero aumento de temperatura."

>># Categorías mecánicas que queremos evaluar

>>categorias = ["Falla Estructural", "Problema de Lubricación", "Desgaste Mecánico", "Anomalía Térmica"]

>># Realizamos la clasificación

>>resultado = classifier(reporte, candidate_labels=categorias)

>># Mostramos los resultados

>>print(f"Reporte analizado: '{reporte}'\n")

>>print("Predicciones de fallas de ingeniería:")

>>for label, score in zip(resultado['labels'], resultado['scores']):

>>    print(f"- {label}: {score:.2%}")

...............................................................................................

config.json: 100%

 1.15k/1.15k [00:00<00:00, 111kB/s]

model.safetensors: reconstructing file: 100%

 1.63GB / 1.63GB,  102MB/s  

model.safetensors: downloading bytes: 

 1.09GB, 72.3MB/s  

Loading weights: 100%

 515/515 [00:00<00:00, 5896.39it/s]

tokenizer_config.json: 100%

 26.0/26.0 [00:00<00:00, 3.37kB/s]

vocab.json: 100%

 899k/899k [00:00<00:00, 6.75MB/s]

merges.txt: 100%

 456k/456k [00:00<00:00, 23.9MB/s]

tokenizer.json: 100%

 1.36M/1.36M [00:00<00:00, 28.7MB/s]

Reporte analizado: 'Se observa un incremento de vibraciones anormales y ruido metálico en la zona del rodamiento del eje principal, acompañado de un ligero aumento de temperatura.'

Predicciones de fallas de ingeniería:
- Anomalía Térmica: 39.33%
- Desgaste Mecánico: 25.57%
- Falla Estructural: 18.60%
- Problema de Lubricación: 16.50%
...............................................................................................

### 2. Extracción de Entidades (NER) en Manuales de Maquinaria y Planos
Podemos procesar texto de especificaciones técnicas o requerimientos de diseño mecánico para extraer automáticamente componentes,
mediciones o parámetros críticos de operación (como temperaturas, presiones o materiales).

>># Cargamos un modelo de Reconocimiento de Entidades Nombradas (NER)
>># En este caso, utilizaremos un modelo genérico que identifica organizaciones, locaciones y componentes.
>>ner_pipeline = pipeline(
    "ner",
    model="mrm8488/bert-spanish-cased-finetuned-ner",
    aggregation_strategy="simple"
)

>>texto_tecnico = "La bomba hidráulica de desplazamiento positivo debe operar a una presión nominal de 150 bar usando aceite lubricante ISO VG 46 de la marca Repsol."

>>entidades = ner_pipeline(texto_tecnico)

>>print("Entidades clave identificadas en la especificación mecánica:")
>>for ent in entidades:
>>    print(f"- Texto: '{ent['word']}' | Categoría: {ent['entity_group']} | Confianza: {ent['score']:.2%}")
 
config.json: 100%
 829/829 [00:00<00:00, 81.1kB/s]
pytorch_model.bin: reconstructing file: 100%
  439MB /  439MB, 34.9MB/s  
pytorch_model.bin: downloading bytes: 
  417MB, 36.4MB/s  
Loading weights: 100%
 199/199 [00:00<00:00, 6365.23it/s]
[transformers] BertForTokenClassification LOAD REPORT from: mrm8488/bert-spanish-cased-finetuned-ner
Key                      | Status     |  | 
-------------------------+------------+--+-
bert.pooler.dense.bias   | UNEXPECTED |  | 
bert.pooler.dense.weight | UNEXPECTED |  | 

Notes:
- UNEXPECTED:	can be ignored when loading from different task/architecture; not ok if you expect identical arch.
tokenizer_config.json: 100%
 136/136 [00:00<00:00, 17.9kB/s]
model.safetensors: reconstructing file:  64%
  281MB /  439MB, 9.03MB/s  
model.safetensors: downloading bytes: 
  361MB, 30.2MB/s  
vocab.txt: 100%
 242k/242k [00:00<00:00, 8.57MB/s]
special_tokens_map.json: 100%
 112/112 [00:00<00:00, 2.78kB/s]
Entidades clave identificadas en la especificación mecánica:
- Texto: 'ISO VG 46' | Categoría: MISC | Confianza: 99.85%
- Texto: 'Repsol' | Categoría: ORG | Confianza: 95.96%