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 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