Saltar al contenido

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

python
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 5
  1. Hay dos filas y tres columnas, por eso shape es (2, 3).

  2. Dos dimensiones producen ndim == 2.

  3. Seis celdas producen size == 6.

  4. 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.

Flujo de datos: dos formatos de la misma fecha se normalizan y un vacío queda marcado antes de comprobar tipos, duplicados y unidades.
CursaloMapa de práctica
Antes del gráfico, revisa los datos

Antes 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?

El primer número de 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.

  1. Crea un array 1D con np.arange que contenga los números del 0 al 11.
  2. Conviértelo en una matriz 3x4 (lo verás a fondo en la siguiente lección, prueba reshape(3, 4)).
  3. Imprime shape, ndim, size y dtype de la matriz.
  4. 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 ndarray es la estructura central; guarda un solo tipo de dato en memoria contigua.
  • shape, ndim, size y dtype describen 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.

01 / ELEGIR UNA RUTA

El próximo paso

Aprende IA mientras construyes algo que sí necesitas.

Empieza por el curso inicial o explora el catálogo para encontrar una práctica alineada con tu trabajo.