Lección 5 de 14 · Lectura y práctica
Introducción 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.
Del concepto a la práctica
Taller de esta lección
En NumPy, shape describe la geometría y dtype describe el tipo almacenado. Leer ambos antes de operar evita interpretar una matriz como si fuera una lista plana. El índice de una matriz se escribe como fila y columna.
Ejemplo resuelto
import numpy as np
m = np.array([[2, 4, 6], [1, 3, 5]], dtype=int)
print(m.shape, m.ndim, m.size, m[1, 2])
# (2, 3) 2 6 5Hay dos filas y tres columnas, por eso
shapees(2, 3).Dos dimensiones producen
ndim == 2.Seis celdas producen
size == 6.La fila 1 y columna 2, contando desde cero, contienen 5.
Un error frecuente es usar m[2, 1] pensando en posiciones humanas desde uno. Corrígelo recordando que NumPy empieza en cero y que el máximo índice de fila aquí es 1.
Pruébalo
Crea np.array([[7, 8], [9, 10], [11, 12]]) y consulta la forma, el tamaño y el valor de la última fila, primera columna.
Comprueba tu resultado
La forma debe ser (3, 2), el tamaño 6 y el valor consultado 11.

Mapa de prácticaAntes de analizar, comprueba los tipos, valores vacíos, duplicados y unidades. Decide cómo tratar cada problema según el contexto y conserva la trazabilidad del cambio. Un gráfico solo es útil si los datos de entrada son coherentes.
Ver la infografía en tamaño completo ↗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.
Nota
Las operaciones de NumPy están escritas en C y se aplican a todo el array de golpe (vectorización). Eso evita los bucles lentos de Python y es la razón de su velocidad.
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]]
Para un array con shape = (4, 3), ¿cuántas filas y columnas tiene?
shape es el número de filas (4) y el segundo el de columnas (3).Ejercicio práctico
Objetivo: familiarizarte con la creación e inspección de arrays.
- Crea un array 1D con
np.arangeque contenga los números del 0 al 11. - Conviértelo en una matriz 3x4 (lo verás a fondo en la siguiente lección, prueba
reshape(3, 4)). - Imprime
shape,ndim,sizeydtypede la matriz. - Extrae la segunda fila completa y la última columna usando slicing.
Entregable: notebook con la matriz, sus propiedades y los dos cortes impresos.
Para recordar
- El
ndarrayes la estructura central; guarda un solo tipo de dato en memoria contigua. shape,ndim,sizeydtypedescriben cualquier array.- El slicing
matriz[fila, columna]selecciona filas, columnas o subbloques.
Sigue con Python para Data Science
Esta lección forma parte de un curso de Cursalo. Revisa su programa y elige entre la compra individual o el acceso a toda la escuela.
Si ya tenías acceso a este curso, entra con tu cuenta: tus derechos y tu progreso se conservan. No necesitas comprarlo de nuevo.