diff --git a/.gitignore b/.gitignore
index 594c573..4ce4b8c 100644
--- a/.gitignore
+++ b/.gitignore
@@ -4,3 +4,4 @@ venv
 **.DS_Store
 **.ipynb
 build
+clases/**/*.csv
diff --git a/clases/01_introduccion/numpy_intro.py b/clases/01_introduccion/numpy_intro.py
index 59bb55a..89ff162 100644
--- a/clases/01_introduccion/numpy_intro.py
+++ b/clases/01_introduccion/numpy_intro.py
@@ -7,9 +7,9 @@
 #       extension: .py
 #       format_name: light
 #       format_version: '1.5'
-#       jupytext_version: 1.6.0
+#       jupytext_version: 1.5.1
 #   kernelspec:
-#     display_name: Python 3
+#     display_name: Python 3 (venv)
 #     language: python
 #     name: python3
 # ---
@@ -211,11 +211,13 @@
 print(f"b: {b.shape}")
 a + b
 
+# + tags=["raises-exception"]
 # Armamos un array que tenga distinta cantidad de filas y columnas que a
 b = np.array([5, 1, 8])
 print(f"a: {a.shape}")
 print(f"b: {b.shape}")
 a + b
+# -
 
 # Armamos un array que tenga la misma cantidad de filas que a
 b = np.array([[2], [1]])
diff --git a/clases/01_introduccion/pandas_intro.py b/clases/01_introduccion/pandas_intro.py
index 37c604d..c236859 100644
--- a/clases/01_introduccion/pandas_intro.py
+++ b/clases/01_introduccion/pandas_intro.py
@@ -7,9 +7,9 @@
 #       extension: .py
 #       format_name: light
 #       format_version: '1.5'
-#       jupytext_version: 1.6.0
+#       jupytext_version: 1.5.1
 #   kernelspec:
-#     display_name: Python 3
+#     display_name: Python 3 (venv)
 #     language: python
 #     name: python3
 # ---
@@ -30,11 +30,20 @@
 # Para comenzar, vamos a crear nuestro primer DataFrame a partir de un archivo CSV que contiene un [dataset sobre superhéroes](https://www.kaggle.com/claudiodavi/superhero-set/home).
 
 from collections import Counter
+import requests
+
+# Empezamos por descargarlo del drive de la materia.
+
+with requests.get(
+    "https://docs.google.com/spreadsheets/d/1nuJAaaH_IP8Q80CsyS940EVaePkbmqhN3vlorDxYMnA/export?format=csv"
+) as r, open("superheroes.csv", "wb") as f:
+    for chunk in r.iter_content():
+        f.write(chunk)
 
 # +
 import pandas as pd
 
-df = pd.read_csv('../../datasets/superheroes.csv')
+df = pd.read_csv("superheroes.csv")
 # -
 
 # También podemos crear dataframes desde listas, diccionarios y otras estructuras.
@@ -156,6 +165,8 @@ def rate_height(height):
 
 # ## Eliminar filas con nulos
 
+df
+
 df = df.dropna(subset=['Skin color'])
 df
 
@@ -167,9 +178,7 @@ def rate_height(height):
 
 # Tenemos duplicados!
 
-df.merge(df, left_on='Skin color', right_on='Skin color')[
-    ['Race_x', 'Race_y']
-].drop_duplicates()
+df.merge(df, left_on='Skin color', right_on='Skin color')[['Race_x', 'Race_y']]
 
 # Tenemos que sacar los que son iguales en ambas columnas!
 
@@ -178,6 +187,32 @@ def rate_height(height):
 ].drop_duplicates()
 same_skin_color[same_skin_color.Race_x != same_skin_color.Race_y]
 
+# +
+# pd.merge?
+# -
+
+df1 = pd.DataFrame({'col': [1, 2, 3], 'val': [10, 11, 12]})
+df2 = pd.DataFrame({'col': [2, 3, 4], 'val': [13, 14, 15]})
+
+df1
+
+df2
+
+pd.merge(df1, df2, how='left', left_on='col', right_on='col')
+
+pd.merge(df1, df2, how='inner', left_on='col', right_on='col')
+
+pd.merge(df1, df2, how='right', left_on='col', right_on='col')
+
+pd.merge(df1, df2, how='outer', left_on='col', right_on='col')
+
+# +
+# df1.merge?
+
+# +
+# df1.join?
+# -
+
 # Por último, para ver los pares únicos
 
 same_skin_color = df.merge(df, left_on='Skin color', right_on='Skin color')[
@@ -213,9 +248,17 @@ def rate_height(height):
 # queremos ver los nombres
 df = df.reset_index()
 
+df
+
 df.groupby("Race")
 
-df.columns
+df.groupby("Race").agg(list)
+
+(df['Alignment'] == 'good').mean() * 100
+
+(df['Alignment'] == 'good').sum() / (df['Alignment'] == 'good').size
+
+df.groupby("Race")['Alignment'].apply(len)
 
 
 # +
@@ -238,6 +281,25 @@ def perc_good(grouping):
 
 df.Race.value_counts()
 
+# Y si lo queremos como porcentajes?
+
+df.Race.value_counts() / df.Race.value_counts().sum() * 100
+
+df.Race.value_counts(normalize=True)
+
+# Veamos como podemos obtener las filas del dataframe original donde la columna `Race` este entre aquellos valores con mas del 5% de repeticiones.
+
+over5 = df.Race.value_counts(normalize=True) > 0.05
+mutants_over5 = df.Race.value_counts()[over5]
+
+# Teniendo la indexacion, veamos como resolverlo con `isin`
+
+df[df.Race.isin(mutants_over5.index)].head(5)
+
+# Alternativamente, con `merge`
+
+df.merge(mutants_over5, left_on='Race', right_index=True, how='inner')
+
 # ## Pivoting
 
 
@@ -278,13 +340,13 @@ def alignment_to_numeric(alignment):
 
 # # Ordenando
 
-df.sort_index()
+df.set_index('name').sort_index()
 
 df.sort_values(by=['Height', 'Weight'], ascending=False)
 
 # # Operaciones de strings
 
-df.name.str.lower()
+df.name.apply(lambda x: x.lower())
 
 # Entre [otras](https://pandas.pydata.org/pandas-docs/stable/user_guide/text.html)
 
@@ -302,6 +364,7 @@ def alignment_to_numeric(alignment):
 
 descripciones = ['cuarentena', 'cumpleañito', 'hoy']
 desc_serie = pd.Series(data=descripciones, index=indice_fechas)
+desc_serie
 
 # ### to_datetime
 
@@ -326,16 +389,29 @@ def alignment_to_numeric(alignment):
 
 # ### Filtro por fecha
 #
-# Usamos un dataset que registra el clima y demás datos para distintas fechas de [alquiler de bicicletas](https://www.kaggle.com/c/bike-sharing-demand/data?select=train.csv)
+# Usamos un dataset que registra el clima y demás datos para distintas fechas de [alquiler de bicicletas](https://www.kaggle.com/c/bike-sharing-demand/data?select=train.csv).
+#
+# `pd.read_csv` nos deja leer archivos csv desde una URL. Este dataset esta tambien disponible en el drive de la materia. Leemos el dataset sin bajarlo a un archivo intermedio.
 
-bicis_df = pd.read_csv('../datasets/bicis.csv').set_index('datetime')
+# +
+GSPREADHSEET_DOWNLOAD_URL = (
+    "https://docs.google.com/spreadsheets/d/{gid}/export?format=csv&id={gid}".format
+)
+
+bicis_df = pd.read_csv(
+    GSPREADHSEET_DOWNLOAD_URL(gid="1YocUXbrd6uYpOLpU53uMS-AD9To8y_r30KbZdsSSiVQ")
+).set_index('datetime')
 bicis_df
+# -
 
 bicis_df.loc['2012-12-19 20:00:00']
 
+# Para poder quedarnos con un rango de fechas, debemos tener el índice ordenado
+bicis_df = bicis_df.sort_index()
 bicis_df.loc['2012-11-19 20:00:00':'2012-12-30 20:00:00']
 
 bicis_df.truncate(before='2012-11-19 22:00:00', after='2012-12-01 00:00:00')
+# -
 
 # ### `dt` accessor
 
diff --git a/clases/01_introduccion/python_intro.py b/clases/01_introduccion/python_intro.py
index 5a68082..85563fe 100644
--- a/clases/01_introduccion/python_intro.py
+++ b/clases/01_introduccion/python_intro.py
@@ -63,6 +63,9 @@
 
 # Los strings en python puden escribirse tanto con comillas simples (`'`) como comillas dobles (`"`). Normalmente vemos texto entre comillas triples para escribir _docstrings_, segun la guia de estilo de Python, el PEP8.
 
+"""Esto es un docstring.
+"""
+
 # ### Declaracion de variables
 
 string = 'Hola'
@@ -97,7 +100,6 @@
 
 # Ojo que las variables pueden cambiar de tipo!
 
-# +
 elemento = 1
 print(elemento)
 print(type(elemento))
@@ -107,7 +109,7 @@
 print(type(elemento))
 
 # +
-elemento = ['dos']
+elemento = [2]
 
 print(elemento)
 print(type(elemento))
@@ -134,21 +136,30 @@
 lista.append(1)  # Inserto un 1 al final
 lista.append("dos")  # Inserto un "dos" al final
 lista.append(3.0)  # Inserto un 3.0 al final
+lista
+# -
+
 lista.insert(2, 10)  # Inserto en posicion 2 un 10
 print(lista)
-# -
 
 len(lista)
 
 lista.pop()
 
+lista
+
 lista.index(10)
 
 lista.remove(10)
 lista
 
+# + tags=["raises-exception"]
 for elemento in lista:
     print(elemento)
+    print(elemento + 1)
+# -
+
+lista
 
 for i, elemento in enumerate(lista):
     print(f"{i}-ésimo elemento: {elemento}")
@@ -177,6 +188,13 @@
 print(tupla[1])
 
 tupla[1] = 3  # Falla. No se puede mutar
+# -
+
+l = [1, 2]
+l
+
+l[1] = 3
+l
 
 # + [markdown] slideshow={"slide_type": "slide"}
 # #### Diferencia entre lista y tupla
@@ -193,9 +211,15 @@
 
 print(numeros[2])  # Imprimo elemento en la posición 2
 
+numeros[len(numeros) - 1]
+
 print(numeros[-1])  # # Imprimo elemento en la última posición
 
-print(numeros[0:2])  # Imprimo de la pos 0 a la pos 2
+
+numeros[-2]
+
+
+print(numeros[0:3])  # Imprimo de la pos 0 a la pos 2
 
 print(numeros[-4:-2])
 
@@ -205,7 +229,16 @@
 
 print(numeros[3:])
 
-print(numeros[::2])
+print(numeros[0:10:2])
+
+# ```python
+# lista[<inicio>:<final>:<step>]
+# ```
+
+l1 = [1, 2]
+l2 = [3, 4]
+l1 + l2
+
 
 numeros[7] = 'siete'  # Las listas se pueden mutar
 print(numeros)
@@ -224,11 +257,11 @@
 print(palabra[3:])
 
 # +
-tupla = (0, 1)
+tupla = (0, 1, 2, 3, 4)
 
 print(tupla)
-print(tupla[0])
-print(tupla[1])
+print(tupla[:2])
+print(tupla[2:])
 
 # + [markdown] slideshow={"slide_type": "slide"}
 # #### Diccionarios de Python
@@ -281,12 +314,25 @@
 
 # +
 # diccionario.get?
+# -
+
+help(diccionario.get)
 
 # + slideshow={"slide_type": "slide"}
-diccionario.get('clave1000', 2)
+print(diccionario.get('clave1000'))
 
 # + slideshow={"slide_type": "slide"}
 print('clave1' in diccionario)  # Verifico si la clave está en el diccionario
+# -
+
+l = [1, 2, 3, 4]
+2 in l
+
+for clave, valor in diccionario.items():
+    print("la clave es %s y el valor es %s" % (clave, valor))
+
+for clave, valor in diccionario.items():
+    print("la clave es {} y el valor es {}".format(clave, valor))
 
 # + slideshow={"slide_type": "slide"}
 # Cómo iterar un diccionario elemento por elemento
@@ -297,7 +343,7 @@
     diccionario.items()
 ):  # diccionario.items() va devolviendo tuplas con el formato (clave,valor)
     print(
-        f"{clave}: {valor}"
+        f"la clave es {clave} y el valor es {valor}"
     )  # con esta sintaxis se desempaquetan en clave y valor (similar a enumerate)
 
 # + slideshow={"slide_type": "slide"}
@@ -340,6 +386,15 @@
 #
 # Algo importante para notar es que los bloques se definen por **niveles de identacion**.
 
+v = 1
+if v == 1:
+    print("uno")
+elif v == 2:
+    print("dos")
+else:
+    print("ni idea")
+    print(v)
+
 # ## Iteraciones
 #
 # ```python
@@ -354,14 +409,21 @@
 #
 # Para iterar sobre un rango de valores, usamos `range`
 
-for i in range(1, 11, 2):
+for i in range(1, 11, 3):
     print(i)
 
-
 # ## Operadores logicos
 #
 # `not`, `or`, `and`
 
+if True or False:
+    print("yay")
+
+1 == 2
+
+1 != 2
+
+
 # + [markdown] slideshow={"slide_type": "slide"}
 # ## Funciones en Python
 
@@ -384,6 +446,16 @@ def busqueda_binaria(lista, elemento):
 print(busqueda_binaria([1, 4, 6, 7, 9, 10], 2))
 
 
+# +
+def a(b):
+    if a == 1:
+        print(a)
+    return (b, b, b)
+
+
+print(a(3))
+
+
 # + slideshow={"slide_type": "slide"} tags=["raises-exception"]
 def suma(a, b):
     return a + b
@@ -401,13 +473,18 @@ def suma(a, b):
 # El valor por default de divisor es 1
 
 
-def division(dividendo, divisor=1):
+def division(dividendo, divisor=2):
     return dividendo / divisor
 
 
 print(division(4))  # Usa el valor por default
+
+# + tags=["raises-exception"]
 print(division(1, 2))  # Parámetros por orden
 print(division(dividendo=1, divisor=2))  # Parámetros por nombre
+print(division(divisor=2))
+# -
+
 print(division(divisor=2, dividendo=1))
 
 # +
@@ -422,7 +499,7 @@ def division(dividendo, divisor=1):
 
 separadas = "hola, don, pepito".split(",")
 print(separadas)
-unidas = "".join(separadas)
+unidas = " - ".join(separadas)
 print(unidas)
 # -
 
@@ -435,11 +512,14 @@ def division(dividendo, divisor=1):
 
 print(math.pi)
 
-from math import pi
+# +
+from math import pi, e
 
-print(pi)
+print(pi, e)
 # -
 
+math.gcd(56, 78)
+
 # ## Manejo de excepciones
 #
 # Se pueden encapsular errores esperados en un bloque 'try/except' para evitar cortar el flujo del programa
@@ -450,8 +530,10 @@ def division(dividendo, divisor=1):
 
 try:
     division(1, 0)
-except ZeroDivisionError:
-    print('No se puede dividir por cero, ojo!')
+except (ZeroDivisionError, TypeError) as e:
+    print('No se puede dividir por cero, ojo!', e)
+finally:
+    print(1)
 
 # + [markdown] slideshow={"slide_type": "slide"}
 # ## Lectura y escritura de archivos
@@ -481,6 +563,10 @@ def division(dividendo, divisor=1):
 with open('archivo.csv', 'r') as f:
     print(f.read())
 
+f = open('archivo.csv', 'w')
+f.write("algo, algo")
+f.close()
+
 
 # + [markdown] slideshow={"slide_type": "slide"}
 # ## Objetos
diff --git a/requirements.txt b/requirements.txt
index e7c3450..c53711f 100644
--- a/requirements.txt
+++ b/requirements.txt
@@ -14,6 +14,7 @@ pandas
 pandas-profiling
 plotly
 pre-commit
+requests
 scikit-learn
 seaborn
 sklearn