Saltar al contenido

Lección 6 de 14 · Lectura y práctica

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.

Del concepto a la práctica

Taller de esta lección

Las operaciones por eje resumen una matriz manteniendo una dirección. Con axis=0 se combinan valores de cada columna; con axis=1, valores de cada fila. Es esencial declarar qué representa cada número antes de interpretar el resultado.

Ejemplo resuelto

python
import numpy as np

consumo = np.array([[2, 3, 5], [4, 1, 7]])
print(consumo.sum(axis=0))
print(consumo.mean(axis=1))
# [ 6  4 12]
# [3.33333333 4.        ]
  1. La primera salida suma las dos observaciones de cada columna.

  2. La segunda calcula un promedio separado para cada fila.

  3. La columna central suma 3 más 1, por eso vale 4.

  4. La segunda fila promedia 4, 1 y 7 para obtener 4.

Un error frecuente es decir “total por fila” al leer axis=0. Corrígelo comprobando la longitud de la salida: sumar columnas deja tres valores y sumar filas deja dos.

Pruébalo

Usa [[10, 20], [5, 15], [3, 9]]. Calcula suma por columna y promedio por fila.

Comprueba tu resultado

La suma por columna debe ser [18, 44]; los promedios por fila deben ser [15.0, 10.0, 6.0].

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 ↗

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]]

Atención

El broadcasting solo funciona si las dimensiones son compatibles (iguales o una de ellas vale 1). Si ves un error operands could not be broadcast together, revisa los shape de tus arrays.

En una matriz, ¿qué calcula np.sum(matriz, axis=0)?

axis=0 recorre las filas hacia abajo, por lo que el resultado es la suma de cada columna.

Ejercicio práctico

Objetivo: usar la vectorización para calcular métricas reales.

  1. Crea un array con 10 temperaturas en grados Celsius.
  2. Conviértelas a Fahrenheit con una sola operación vectorizada (C * 9/5 + 32).
  3. Calcula media, mínimo, máximo y desviación estándar del array original.
  4. Crea una matriz 3x4 de ventas y obtén el total por columna (axis=0) y por fila (axis=1).

Entregable: notebook con el array convertido, las estadísticas y los totales por eje.

Para recordar

  • La vectorización aplica operaciones a todo el array sin bucles explícitos.
  • axis=0 = por columna; axis=1 = por fila.
  • El broadcasting combina arrays de distinto tamaño si sus dimensiones son compatibles.

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.