Operaciones con NumPy

Operaciones vectorizadas con NumPy

La fuerza de NumPy está en operar sobre arrays completos sin escribir bucles. Esto se llama vectorización: aplicas una operación y NumPy la ejecuta sobre cada elemento de forma optimizada. El resultado es código más corto, más rápido y más fácil de leer.

Aritmética elemento a elemento

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

a + b    # [11 22 33 44]
a * b    # [10 40 90 160]
a ** 2   # [1 4 9 16]

# Con escalares se aplica a todos los elementos
a + 10   # [11 12 13 14]
a * 2    # [2 4 6 8]

Funciones matemáticas y estadísticas

data = np.array([23, 45, 67, 12, 89, 34, 56])

np.mean(data)    # promedio
np.median(data)  # mediana
np.std(data)     # desviación estándar
np.var(data)     # varianza
np.min(data)     # mínimo
np.max(data)     # máximo
np.percentile(data, 75)  # percentil 75

# Funciones aplicadas a cada elemento
arr = np.array([1, 4, 9, 16, 25])
np.sqrt(arr)     # [1. 2. 3. 4. 5.]
np.log(arr)      # logaritmo natural

Operaciones por eje

En una matriz, axis=0 recorre las filas (opera por columna) y axis=1 recorre las columnas (opera por fila).

matriz = np.array([[1, 2, 3],
                   [4, 5, 6],
                   [7, 8, 9]])

np.sum(matriz, axis=0)   # [12 15 18]  -> suma por columna
np.sum(matriz, axis=1)   # [6 15 24]   -> suma por fila
np.mean(matriz, axis=0)  # [4. 5. 6.]

Broadcasting

NumPy expande automáticamente dimensiones compatibles para operar sin copiar datos manualmente.

matriz = np.array([[1, 2, 3],
                   [4, 5, 6]])
vector = np.array([10, 20, 30])

matriz + vector
# [[11 22 33]
#  [14 25 36]]

Ejercicio práctico