Introduccion a NumPy

NumPy: cálculo numérico en Python

NumPy (Numerical Python) es la base de casi todo el ecosistema de datos. Aporta el array n-dimensional (ndarray), una estructura compacta y rápida sobre la que se construyen Pandas, scikit-learn y muchas otras librerías. Entender NumPy te da intuición sobre cómo se almacenan y procesan los datos por debajo.

¿Por qué un array y no una lista?

import numpy as np



lista = [1, 2, 3, 4, 5]

array = np.array([1, 2, 3, 4, 5])



# Un array guarda un solo tipo de dato y vive en memoria contigua,

# por eso las operaciones numéricas son mucho más rápidas que con listas.

Crear arrays

# Desde una lista

arr = np.array([1, 2, 3, 4, 5])



# Matriz 2D

matriz = np.array([[1, 2, 3],

                   [4, 5, 6],

                   [7, 8, 9]])



# Arrays especiales

ceros = np.zeros(5)            # [0. 0. 0. 0. 0.]

unos = np.ones((3, 3))         # matriz 3x3 de unos

rango = np.arange(0, 10, 2)    # [0 2 4 6 8]

lineal = np.linspace(0, 1, 5)  # [0. 0.25 0.5 0.75 1.]

Propiedades clave de un array

arr = np.array([[1, 2, 3], [4, 5, 6]])



arr.shape   # (2, 3) -> 2 filas, 3 columnas

arr.ndim    # 2      -> número de dimensiones

arr.size    # 6      -> total de elementos

arr.dtype   # int64  -> tipo de dato

Indexado y slicing

arr = np.array([10, 20, 30, 40, 50])

arr[0]    # 10

arr[-1]   # 50

arr[1:4]  # [20 30 40]

arr[::2]  # [10 30 50]



matriz = np.array([[1, 2, 3],

                   [4, 5, 6],

                   [7, 8, 9]])

matriz[1, :]    # [4 5 6]  -> fila 1 completa

matriz[:, 2]    # [3 6 9]  -> columna 2 completa

matriz[0:2, 1:] # [[2 3] [5 6]]

Ejercicio práctico