M odulo 1 Numpy

Curso de Python Cient co Cesar Husillos Rodr guez

IAA-CSIC

Septiembre de 2013
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 1 / 126

 Indice

1 2 3 4

Antes de empezar... Introducci on Fundamentos Uso de NUMPY

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

2 / 126

Antes de empezar...

Indice

1 2 3 4

Antes de empezar... Introducci on Fundamentos Uso de NUMPY

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

3 / 126

Antes de empezar...

Antes de empezar
Versi on de NUMPY

La versi on estable de NUMPY a fecha de hoy es la v1.7.1. El c odigo se ha probado para esta versi on. Si tiene alg un problema relacionado con la compatibilidad, puede actualizar su versi on usando el comando pip. sudo pip install --upgrade numpy (en LINUX) Si no tiene pip instalado pruebe a ejecutar los comandos sudo apt-get install python-pip python-dev build-essential sudo pip install --upgrade pip (en LINUX tambi en)
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 4 / 126

Antes de empezar...

Antes de empezar
Lo obvio

Estas transparencias son s olo un resumen de NUMPY. Muchas de las funciones que se mencionan aqu , disponen de m as par ametros que los mostrados. Hemos seleccionado los fundamentales. Seguramente, surgir an m ultiples dudas a lo largo de la explicaci on. Como programadores con experiencia que somos en PYTHON, es conveniente que manejemos con soltura la ayuda, bien desde el int erprete o a trav es de la web.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 5 / 126

Antes de empezar...

Antes de empezar
Uso de la ayuda

Recordatorio sobre la consulta de ayuda

Una forma de acceder a la documentaci on desde el int erprete de PYTHON es con el comando help: help(modulo) o help(modulo.funci on) Las webs de referencia son: http://www.python.org/doc/ (PYTHON) http://docs.scipy.org/doc/numpy/reference/ (NUMPY)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

6 / 126

Antes de empezar...

Editando c odigo
L nea de comandos

Para ejecutar de forma interactiva usamos el int erprete de python (comando python). Si tenemos la posibilidad de instalar ipython tendremos mucho ganado: por ejemplo, la opci on de autocompletado elimina muchos de los errores que se producen al escribir c odigo.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

7 / 126

Antes de empezar...

Editando c odigo
Editores de texto

Cuando el script tiene que hacer operaciones complejas, est a compuesto por muchas l neas, o se quiere ejecutar m ultiples veces con diferentes par ametros de entrada, lo m as c omodo es escribir el programa en un chero *.py. Otra ventaja que supone esta forma de trabajo es la correcci on de errores, cambiando s olo la l nea donde se da el error sin tener que reescribir todo el c odigo. Los editores disponibles dependen de la plataforma: emacs, gedit, notepad, ... Cada programador tiene sus preferencias en funci on de su experiencia y conocimiento.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 8 / 126

Antes de empezar...

Editando c odigo
Entornos de Desarrollo Integrado (IDE)

Son aplicaciones que facilitan la generaci on, depurado y ejecuci on de c odigo. Disponen de: editor con resaltado de sintaxis, autocompletado de comandos, ayuda din amica, capacidad de ejecutar el script o unas pocas l neas, acceso a consola interactiva de PYTHON, acceso a variables de entorno, ... Un ejemplo de este tipo de programas es spyder. Recomiendo su uso. Es descargable en m ultiples plataformas desde el enlace code.google.com/p/spyderlib/
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 9 / 126

Antes de empezar...

Editando c odigo
Entornos de desarrollo intergrado (IDE)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

10 / 126

Introducci on

Indice

1 2 3 4

Antes de empezar... Introducci on Fundamentos Uso de NUMPY

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

11 / 126

Introducci on

Introducci on
Qu e es NUMPY?

NUMPY es el paquete fundamental para el trabajo de computaci on cient ca con PYTHON. Contiene
1 2

Tipos de datos Clases

3 4

Funciones M odulos

que posibilitan la creaci on y manejo de arrays n-dimensionales. El tipo de dato m as importante es el array (o ndarray, de n-dimensional array).
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 12 / 126

Introducci on

Introducci on
Ventajas
1 2

Multiplataforma. Potente conjunto de librer as. Puede clonar la funcionalidad de cualquier otro paquete de c alculo num erico (MATEM ATICA, MATLAB) Perfecta integraci on con el Core de PYTHON. Interact ua con los tipos de datos y estructuras propios del lenguaje.

Se pueden crear arrays de NUMPY a partir de estructuras de PYTHON.

4

Gratuito.
M odulo 1 Numpy Septiembre de 2013 13 / 126

Cesar Husillos Rodr guez (IAA-CSIC)

Introducci on

Introducci on
Qu e vamos a aprender en este M odulo?

Fundamentos sobre NUMPY: creaci on de arrays, indexaci on, operaciones (aritm eticas, relacionales y l ogicas), cambio de tipo de datos y valores especiales. Aplicaciones de NUMPY al tratamiento de datos cient cos: selecci on, ordenaci on, ajustes, interpolaciones, estad stica, polinomios, funciones matem aticas, arrays con m ascaras, ...

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

14 / 126

Fundamentos

Indice

1 2 3 4

Antes de empezar... Introducci on Fundamentos Uso de NUMPY

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

15 / 126

Fundamentos

Arrays
Denici on

Un array es... Un tipo de dato compuesto a partir de tipos de datos sencillos. Est an ordenados seg un una secuencia denida. Como en una lista o una tupla? - S en cuanto al requisito de ordenaci on. - No en cuanto al contenido, porque s olo admite un tipo de dato por array.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 16 / 126

Fundamentos

Arrays
Algunos tipos de datos
|Sn bool int int8 int16 int32 int64 uint8 uint16 uint32 uint64 float float32 float64 complex complex64 complex128 Cadena de texto (string) de n-caracteres Booleano (True o False). Se almacena como 1 bit Entero (int32 o int64, dependiendo de la plataforma) Byte (-128 a 127) Entero (-32768 a 32767) Entero (-2.147.483.648 a 2.147.483.647) Entero (-9.223.372.036.854.775.808 a 9.223.372.036.854.775.807) Entero sin signo (0 a 255) Entero sin signo (0 a 65535) Entero sin signo (0 a 4.294.967.295) Entero sin signo (0 a 18.446.744.073.709.551.615) Atajo para oat64 Decimal en precisi on simple. Decimal en doble precisi on. Atajo a complex128 N umero complejo, parte entera e imaginaria con oat32 N umero complejo, parte entera e imaginaria con oat64

Los tipos se referencian como cadena (int) o como constante numpy (numpy.int).
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 17 / 126

Fundamentos

Arrays
Propiedades

Un array es un objeto y tiene propiedades (y m etodos):

Propiedad ndarray.shape ndarray.ndim ndarray.size ndarray.itemsize ndarray.nbytes ndarray.dtype ndarray.real ndarray.imag
Cesar Husillos Rodr guez (IAA-CSIC)

Descripci on Tupla con las dimensiones. N umero de dimensiones. N umero de elementos. Tama no de uno de los elementos en bytes. Tama no total ocupado por los elementos. Tipo de dato de los elementos. Parte real. Parte imaginaria.
M odulo 1 Numpy Septiembre de 2013 18 / 126

Fundamentos

Arrays
Propiedades: ejemplo

>>> a array ([[1 , 2 , 3] , [4 , 5 , 6]]) >>> a . shape (2 , 3) >>> a . ndim 2 >>> a . size 6 >>> a . itemsize 8
Cesar Husillos Rodr guez (IAA-CSIC)

>>> a . nbytes 48 >>> a . dtype dtype ( int64 ) >>> a . real array ([[1 , 2 , 3] , [4 , 5 , 6]]) >>> a . imag array ([[0 , 0 , 0] , [0 , 0 , 0]])

M odulo 1 Numpy

Septiembre de 2013

19 / 126

Fundamentos

Manejo b asico
Indice

Creaci on. Indexaci on. Operaciones aritm eticas (reglas de broadcasting), relacionales y l ogicas. Cambio de tipo (casting). Valores especiales (nan e inf).

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

20 / 126

Fundamentos

Manejo b asico
Creaci on de arrays

En principio, veremos 4 formas: 1 A partir de secuencias (listas o tuplas) de PYTHON. 2 Haciendo uso de funciones propias de NUMPY. 3 Lectura de datos desde chero. 4 Copiando otro array.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

21 / 126

Fundamentos

Creaci on de arrays
1. Uso tipos de dato nativos de PYTHON

numpy.array(secuencia, tipo dato)

>>> import numpy >>> numpy . array ([1 , 5 , 4.3 , 1+3 j ]) # casting i m p l i c i t o array ([ 1 , 5 , 4.3 , (1+3 j ) ] , dtype = | S6 ) >>> tupla = (3 , 5 , 7.7) >>> a2 = numpy . array ( tupla ) >>> a2 array ([ 3. , 5. , 7.7]) >>> a3 = numpy . array ([]) >>> a3 array ([] , dtype = float64 ) >>> a4 = numpy . array ([ linea1 , linea2 , 33] , dtype = | S3 ) array ([ lin , lin , 33 ] , dtype = | S3 ) >>> # casting e x p l i c i t o

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

22 / 126

Fundamentos

Creaci on de arrays
1. Uso tipos de dato nativos de PYTHON

Usando una lista de listas. Arrays n-dimensionales

>>>a = numpy . array ([[1 , 2 , 3 , 4] ,[5 , 6 , 7 , 8] , [9 , 10 , 11 , 12]] , \ dtype = numpy . int ) >>> a . shape (3 , 4) >>> a array ([[ 1 , 2 , 3 , 4] , [ 5 , 6 , 7 , 8] , [ 9 , 10 , 11 , 12]])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

23 / 126

Fundamentos

Creaci on de arrays
2. Mediante el uso de funciones de NUMPY

numpy.arange([start], stop[, step], dtype=None) Equivalente a la funci on range(start, stop, step) de PYTHON. A tener en cuenta... 1. El step puede ser decimal (novedad!!). 2. El extremo nal del intervalo no se incluye. >>> numpy . arange (5 , 6 , 0.1) array ([ 5. , 5.1 , 5.2 , 5.3 , 5.6 , 5.7 , 5.8 , 5.9])
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy

5.4 ,

5.5 ,

Septiembre de 2013

24 / 126

Fundamentos

Creaci on de arrays
2. Mediante el uso de funciones de NUMPY

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False)

Devuelve un array en el que se ha dividido el intervalo [start, stop] (endpoint=True, por defecto) en num fragmentos. >>> numpy . linspace (5 , 6 , 5) array ([ 5. , 5.25 , 5.5 , 5.75 , 6. ]) >>> numpy . linspace (5 , 6 , 5 , False , True ) ( array ([ 5. , 5.2 , 5.4 , 5.6 , 5.8]) , 0.2)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

25 / 126

Fundamentos

Creaci on de arrays
2. Mediante el uso de funciones de NUMPY

numpy.ones(shape, dtype=None)
shape, es la forma del array de salida (entero o lista/tupla). Si le pasamos una lista o tupla, crea un array n-dimensional con la forma (shape) dada por la lista/tupla. dtype, cualquiera de los tipos de datos de NUMPY. >>> numpy . ones (4 , dtype = numpy . complex128 ) array ([ 1.+0. j , 1.+0. j , 1.+0. j , 1.+0. j ]) >>> numpy . ones ([2 ,3] , dtype = int ) array ([[1 , 1 , 1] , [1 , 1 , 1]])
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 26 / 126

Fundamentos

Creaci on de arrays
2. Mediante el uso de funciones de NUMPY

numpy.zeros(shape, dtype=float) Exactamente el mismo comportamiento que numpy.ones.

>>> numpy . zeros ((2 ,3 ,4)) array ([[[ 0. , 0. , 0. , 0.] , [ 0. , 0. , 0. , 0.] , [ 0. , 0. , 0. , 0.]] , [[ 0. , [ 0. , [ 0. ,
Cesar Husillos Rodr guez (IAA-CSIC)

0. , 0. , 0. ,

0. , 0. , 0. ,

0.] , 0.] , 0.]]])

Septiembre de 2013 27 / 126

M odulo 1 Numpy

Fundamentos

Creaci on de array
3. Lectura de cheros

La funci on de lectura y sus par ametros dependen del formato del chero. Supongamos el chero datos.csv con el formato siguiente:

line 1 -> objID , RAJ2000 , e_RAJ2000 , DEJ2000 , e_DEJ2000 , upmag , e_upmag , gpmag , e_gpmag , rpmag , e_rpma line 2 -> 1237657610717364296 ,138.692294 ,0.002 ,46.253899 ,0.002 ,18.049 ,0.015 ,16.904 ,0.033 ,16. ...

La primera l nea contiene el nombre de los campos. Las siguientes, los valores de cada objeto, separados por ,.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

28 / 126

Fundamentos

Creaci on de arrays
3. Lectura de cheros

numpy.loadtxt(fname, dtype=numpy.float, comments="#", delimiter=None, converters=None, skiprows=0, usecols=None, unpack=False, ndmin=0) >>> array = numpy . loadtxt ( datos . csv , \ delimiter = , , skiprows =1) >>> array . dtype dtype ( float64 ) >>> array . size 189 >>> array . shape (9 , 21)
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 29 / 126

Fundamentos

Creaci on de arrays
4. Mediante copia de otro array

Para copiar un array, basta con asignarlo a otra variable.

>>> a = numpy . arange (3) >>> b = a # asignacion peligrosa !! >>> b [0] = -3 >>> b array ([ -3 , 1 , 2]) >>> a array ([ -3 , 1 , 2])

Copia y original comparten memoria. ATENCION: Este tipo de copia se denomina copia por referencia.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 30 / 126

Fundamentos

Creaci on de arrays
4. Mediante copia de otro array

Hay altenativas para la copia de arrays de forma que uno y otro sean objetos diferentes: Crear uno a partir de una operaci on con el otro. Usar la funci on copy de NUMPY. Este tipo de copia se denomina copia por valor.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

31 / 126

Fundamentos

Creaci on de arrays
4. Mediante copia de otro array

Mediante operaci on ... >>> a = numpy . arange (3) >>> a array ([0 , 1 , 2]) >>> # Operacion aritm . >>> b = a + 0 >>> b [0] = -3 >>> b array ([ -3 , 1 , 2]) >>> a array ([0 , 1 , 2])
Cesar Husillos Rodr guez (IAA-CSIC)

M etodo/Funci on copy... >>> a = numpy . arange (3) >>> # metodo >>> b = a . copy () >>> # funcion >>> b = numpy . copy ( a ) >>> b [0] = -3 >>> b array ([ -3 , 1 , 2]) >>> a array ([0 , 1 , 2])
Septiembre de 2013 32 / 126

M odulo 1 Numpy

Fundamentos

Manejo b asico de arrays

Indexaci on

Se reere a la selecci on un elementos concretos del array.

A tener en cuenta... Se accede a un elemento del array dando su posici on en el array, mediante un ndice entero entre corchetes ([]) nombre array[posicion] El primer ndice es el 0 (como en C/C++). Si el ndice es mayor que el n umero de elementos de array, lanzar a una excepci on (IndexError).
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 33 / 126

Fundamentos

Indexaci on
Posibilidades

Tipo de selecci on Un s olo elemento Varios elementos consecutivos Elementos en orden cualesquiera
(Novedad respecto a PYTHON Core.)

Sintaxis array[posicion] array[inicio:fin] array[[p1, p2,..., pn]]

donde [p1, ,...,pn] es una lista o array.

Recordatorio Los ndices pueden tomar valores negativos. Al igual que en las secuencias de PYTHON cuentan las posiciones desde el nal del array.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

34 / 126

Fundamentos

Indexaci on
Posibilidades

>>> a = numpy . arange (10) array ([0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9]) >>> a [1] , a [ -1] (1 , 9) >>> a [3: -4] array ([3 , 4 , 5]) >>> a [0:9:2] array ([0 , 2 , 4 , 6 , 8]) >>> a [[3 ,5 ,9]] array ([3 , 5 , 9]) NOTA: El extraer varios elementos de un array genera otro array!.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 35 / 126

Fundamentos

Complicando un poco...

Arrays N-dimensionales

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

36 / 126

Fundamentos

Arrays n-dimensionales
Creaci on

Se pueden crear desde cero como hemos visto. Usando la funci on array y pas andole una lista/tupla de listas/tuplas. Usando funciones NUMPY que tengan el par ametro shape. Leyendo desde chero. Copiando/extrayendo submatriz de otro array. O se puede modicar un array existente, haciendo uso de la propiedad shape o del m etodo reshape.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

37 / 126

Fundamentos

Arrays n-dimensionales
Creaci on

Creaci on ad-hoc
>>> numpy . ones ((2 , 3)) array ([[ 1. , 1. , 1.] , [ 1. , 1. , 1.]])

Uso de la propiedad shape

>>> a = numpy . ones (10) >>> a . shape (10 ,) >>> a . shape = [2 ,5] >>> a array ([[ 1. , 1. , 1. , [ 1. , 1. , 1. ,

1. , 1. ,

1.] , 1.]])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

38 / 126

Fundamentos

Arrays n-dimensionales
Creaci on
Uso de la m etodo reshape >>> a = numpy . ones (10) >>> a . shape (10 ,) >>> b = a . reshape ((2 ,5)) >>> a . shape (10 ,) >>> b . shape (2 , 5)

# lista o tupla

Atenci on a las dimensiones nales

>>> c = a . reshape ((3 ,4)) ValueError : total size of new array must be unchanged

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

39 / 126

Fundamentos

Arrays n-dimensionales
Indexado

Se hace referencia a cada elemento del array con tantos ndices, separados por comas, como dimensiones tiene el array. La combinaci on de ndices va entre corchetes tras el nombre del array. nombreArray[indexDim1, indexDim2, ..., indexDimN]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

40 / 126

Fundamentos

Arrays n-dimensionales
Indexado

El operador : sustituye a todo el rango de ndices posibles en la dimensi on en la que aparece.

>>> a = numpy . linspace (0 , 1 , 5) >>> a array ([ 0. , 0.25 , 0.5 , 0.75 , 1. >>> a [:] array ([ 0. , 0.25 , 0.5 , 0.75 , 1. >>> b = numpy . arange (4). reshape ((2 ,2)) >>> b array ([[0 , 1] , [2 , 3]]) >>> b [: ,1] array ([1 , 3]) >>> b [0 , :] array ([0 , 1])

]) ])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

41 / 126

Fundamentos

Ejemplo
Indexado
>>> a = numpy . arange (24 , \ dtype = int ) >>> a = a . reshape ((2 , 3 , 4)) >>> a array ([[[ 0 , 1 , 2 , 3] , [ 4 , 5 , 6 , 7] , [ 8 , 9 , 10 , 11]] , [[12 , 13 , 14 , 15] , [16 , 17 , 18 , 19] , [20 , 21 , 22 , 23]]]) # equivalente a: # a [0 ,: ,:] array ([[ 0 , 1 , 2 , 3] , [ 4 , 5 , 6 , 7] , [ 8 , 9 , 10 , 11]]) >>> a [0 ,0] # e q u i v a l e n t e a : # a [0 , 0 , :] array ([0 , 1 , 2 , 3]) >>> a [0 ,0 ,0] 0 >>> a [0]

Pregunta... Que resultado obtendr a si escribo a[1,1:3,:2]?

(T omese su tiempo y escriba la respuesta en un papel)
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 42 / 126

Fundamentos

Indexado
Arrays n-dimensionales

Respuesta >>> a array ([[[ 0 , [ 4, [ 8, 1 , 2 , 3] , 5 , 6 , 7] , 9 , 10 , 11]] ,

[[12 , 13 , 14 , 15] , [16 , 17 , 18 , 19] , [20 , 21 , 22 , 23]]]) >>> a [1 ,1:3 ,:2] array ([[16 , 17] , [20 , 21]])
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 43 / 126

Fundamentos

Ejercicios

Del 1 al 7
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

44 / 126

Fundamentos

Otras alternativas para cambiar la formade un array

Algo parecido a lo que hac amos con las listas de PYTHON:
Funci on numpy.insert(arr, obj, values, axis=None) numpy.append(arr, values, axis=None) numpy.delete(arr, obj, axis=None) Descripci on Inserta en las posiciones dadas por obj del eje axis, los valores values (escalar o secuencia). Agrega al nal del array arr en el eje axis el valor o valores dados por values (escalar o secuencia). Devuelve un array en el que se han borrado los elementos dados por los ndices obj del eje axis.

>>> a = numpy . arange (3) >>> print numpy . insert (a , (0 , -1) , -1) [ -1 0 1 2 0] >>> print numpy . append (a , -3) [ 0 1 2 -3] >>> print numpy . delete (a , 0) [1 2]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 45 / 126

Fundamentos

Otras alternativas para cambiar la formade un array

M etodo array.flatten(order=C) M etodo que permite cambiar de un array n-dimensional a otro 1D.
>>> a = numpy . arange (6). reshape ((3 , 2)) >>> print a [[0 1] [2 3] [4 5]] >>> print a . flatten ( order = " C " ) [0 1 2 3 4 5] >>> print a . flatten ( order = " F " ) [0 2 4 1 3 5]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

46 / 126

Fundamentos

Otras alternativas para cambiar la formade un array

Funci on numpy.ravel(array, order=C) Funci on que permite cambiar de un array n-dimensional a otro 1D.
>>> a = numpy . arange (10). reshape ((5 ,2)) >>> print a [[0 1] [2 3] [4 5] [6 7] [8 9]] >>> print numpy . ravel (a , order = " C " ) [0 1 2 3 4 5 6 7 8 9] >>> print numpy . ravel (a , order = " F " ) [0 2 4 6 8 1 3 5 7 9]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 47 / 126

Fundamentos

Otras alternativas para cambiar la formade un array

Funci on de concatenaci on de arrays.
Funci on numpy.concatenate((a1, a2, ...), axis=0) con (a1, a2, ...) una secuencia de arrays. Su shape debe coincidir, a excepci on de la dimensi on dada por axis. axis es la dimensi on donde se van a unir los arrays.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

48 / 126

Fundamentos

Otras alternativas de cambiar la formade un array

>>> >>> (2 , >>> >>> (1 , >>> [[1 [3 [5 >>> (2 , >>> [[1 [3 a = numpy . array ([[1 , 2] , [3 , 4]]) print a . shape 2) b = numpy . array ([[5 , 6]]) print b . shape 2) print numpy . concatenate (( a , b ) , axis =0) 2] 4] 6]] print b . T . shape 1) print numpy . concatenate (( a , b . T ) , axis =1) 2 5] 4 6]]

NOTA: b.T retorna la traspuesta del array b.

Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 49 / 126

Fundamentos

Otras alternativas para cambiar la formade un array

Funci on numpy.hstack(seq) numpy.vstack(seq) Descripci on Apila los arrays de la secuencia seq horizontalmente (agrega columnas). Apila los arrays de la secuencia seq verticalmente (agrega las).

>>> a = numpy . array ([[1 , 2 , 3] , [4 , 5 , 6]]) >>> b = numpy . zeros (2) >>> c = numpy . arange (8). reshape ((2 ,4)) >>> print numpy . vstack (( a .T , b )) [[ 1. 4.] [ 2. 5.] [ 3. 6.] [ 0. 0.]] >>> print numpy . hstack (( a , c )) [[1 2 3 0 1 2 3] [4 5 6 4 5 6 7]]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 50 / 126

Fundamentos

Operaciones aritm eticas

Supongamos que quiero sumar un n umero a un array. C omo se hace?. Caso de listas PYTHON
>>> >>> >>> >>> ... >>> [4 , >>> >>> inicial = [1 , 3 , 6 , -1] # sumar 3 final = list () for elem in inicial : final . append ( elem + 3) final 6 , 9 , 2] o mas pythonicamente final = [ elem + 3 for elem in inicial ]
M odulo 1 Numpy Septiembre de 2013 51 / 126

Cesar Husillos Rodr guez (IAA-CSIC)

Fundamentos

Operaciones aritm eticas

En el caso de arrays, la simplicaci on es notable.
>>> a_inicial = numpy . array ([1 , 3 , 6 , -1] , dtype = int ) >>> a_inicial array ([ 1 , 3 , 6 , -1]) >>> a_final = a_inicial + 3 >>> a_final array ([4 , 6 , 9 , 2])

para listas PYTHON >>> inicial = [1 , 3 , 6 , -1] >>> final = inicial + 3 TypeError : can only concatenate list ( not " int " ) to list

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

52 / 126

Fundamentos

Operaciones aritm eticas

Podemos +, -, * y / cualquier array con un n umero. Tendremos problemas si realizamos operaciones de valor no denido. Resultados no denidos
>>> a = numpy . arange (4) >>> print a [0 1 2 3] >>> b = a /0. >>> print b [ nan inf inf inf ]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

53 / 126

Fundamentos

Operaciones aritm eticas

Entre arrays

Para arrays con id enticas dimensiones: Las operaciones se

realizan entre cada par de elementos que ocupan la misma posici on. Resultados no denidos
>>> op1 = numpy . zeros ([2 ,3]) + 3 >>> op2 = numpy . array ([[0 ,1 ,2] ,[3 ,4 ,5]]) >>> op1 array ([[ 3. , [ 3. , >>> op2 array ([[0 , 1 , [3 , 4 , >>> op1 * op2 array ([[ 0. , [ 9. ,

3. , 3. , 2] , 5]]) 3. , 12. ,

3.] , 3.]])

6.] , 15.]])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

54 / 126

Fundamentos

Operaciones aritm eticas

Entre arrays

Cuando los arrays tienen formas y dimensiones diferentes hay que andarse con cuidado. El t ermino broadcasting se emplea para describir la forma en la que NUMPY trata las operaciones entre arrays de diferente shape. Reglas de broadcasting
1

El n umero de dimensiones no tiene por qu e ser el mismo. Es posible cuando las dimensiones nales son iguales. Vale cuando una de las dimensiones nales es 1.

En caso de intentar hacer una operaci on imposible, se lanza una excepci on del tipo ValueError.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 55 / 126

Fundamentos

Operaciones aritm eticas

Entre arrays

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

56 / 126

Fundamentos

Operaciones relacionales
Son las que comparan un array con un dato simple o las que comparan arrays entre s . El resultado es un array de valores booleanos (True/False).
Operadores relacionales >, <, >=, <=, (mayor que, menor que, mayor o igual que, menor o igual que) == (igual que) ! = (distinto que)
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 57 / 126

Fundamentos

Operaciones relacionales
Ejemplo 1
>>> a = numpy . arange (4) >>> print a [0 1 2 3] >>> print a > 2 [ False False False True ] >>> print a >= 2 [ False False True True ] >>> print a < 9 [ True True True True ] >>> print a <=1 [ True True False False ] >>> b = numpy . array ([0 , 1 , 3 , 3]) >>> print a == a [ True True True True ] >>> print a == b [ True True False True ] >>> print a != b [ False False True False ]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 58 / 126

Fundamentos

Operaciones L ogicas
Son las que se dan entre datos (ya sean tipos simples o arrays) de tipo booleano. El resultado es un valor o array de tipo booleano (True/False). Se realizan elemento a elemento.
Operadores l ogicos & (y/AND l ogico) | (o/OR l ogico) (no/NOT l ogico). Este operador es unario (s olo necesita un operando).
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 59 / 126

Fundamentos

Operaciones l ogicas
Ejemplo 1

>>> a = numpy . arange (4) >>> ab = a > 1 >>> print ab [ False False True True ] >>> b = numpy . ones (4 , dtype = numpy . bool ) >>> print b [ True True True True ] >>> print ab & b [ False False True True ] >>> print ~ ab [ True True False False ] >>> print ab | b [ True True True True ]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

60 / 126

Fundamentos

Funciones relacionales y l ogicas de NUMPY

Funci on all(a[, axis]) any(a[, axis]) Descripci on Testeo de valor True Comprueba si todos los elementos del eje axis del array son True. Comprueba si alg un elemento del eje axis del array es True. Relacionales Devuelve True si los arrays tienen sus elementos iguales dentro de un intervalo de tolerancia. True si dos arrays tienen la misma forma y elementos. False en caso contrario. Devuelve el valor de la comparaci on (x 1 > x 2) elemento a elemento. Devuelve el valor de la comparaci on (x 1 >= x 2) elemento a elemento. Devuelve el valor de la comparaci on (x 1 < x 2) elemento a elemento. Devuelve el valor de la comparaci on (x 1 <= x 2) elemento a elemento. Devuelve (x 1 == x 2) elemento a elemento. Devuelve (x 1! = x 2) elemento a elemento.
M odulo 1 Numpy Septiembre de 2013 61 / 126

allclose(a, b[, rtol, atol]) array equal(a1, a2) greater(x1, x2) greater equal(x1, x2) less(x1, x2) less equal(x1, x2) equal(x1, x2) not equal(x1, x2)
Cesar Husillos Rodr guez (IAA-CSIC)

Fundamentos

Funciones relacionales y l ogicas de NUMPY

Funci on logical and(x1, x2) logical or(x1, x2) logical not(x)

Descripci on L ogicas Determina el valor de x1 AND x2 elemento a elemento. Determina el valor de x1 OR x2 elemento a elemento. Determina el valor del NOT x1 elemento a elemento.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

62 / 126

Fundamentos

Funciones NUMPY relacionales y l ogicas

Ejemplo 1

>>> a = numpy . arange (4) >>> b = numpy . array ([0 , 1 , 2.2 , 3.1]) >>> print numpy . allclose (a , b , atol =0.25) True >>> print numpy . allclose (a , b , atol =0.15) False >>> c = numpy . array ([[ False , False ] , [ True , True ]]) >>> print c [[ False False ] [ True True ]] >>> print numpy . all (c , axis =0) [ False False ] >>> print numpy . all (c , axis =1) [ False True ]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

63 / 126

Fundamentos

Funciones NUMPY relacionales y l ogicas

Ejemplo 1
>>> a = numpy . arange (4) >>> b = numpy . array ([0 , 1 , 2.2 , 3.1]) >>> print numpy . array_equal (a , b ) False >>> print numpy . array_equal (a , a ) True >>> print numpy . greater (a , b ) [ False False False False ] >>> print numpy . greater_equal (a , b ) [ True True False False ] >>> print numpy . less (a , b ) [ False False True True ] >>> print numpy . less_equal (a , b ) [ True True True True ] >>> print numpy . equal (a , b ) [ True True False False ] >>> print numpy . not_equal (a , b ) [ False False True True ]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 64 / 126

Fundamentos

Consulta de tipos de datos

La forma m as sencilla es a trav es de la propiedad dtype. >>> a = numpy . arange (4) >>> print a . dtype int64 >>> a . dtype dtype ( int64 ) >>> a . dtype . name int64 Otras formas incluyen el uso de funciones NUMPY.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

65 / 126

Fundamentos

Consulta de tipos de datos

Funciones NUMPY
Funci on iscomplex(x) iscomplexobj(x) isreal(x) isrealobj(x) isscalar(num) Descripci on Devuelve un array de booleanos, con True para los elementos complejos. Comprueba el tipo complejo para un array. True si es complejo. Devuelve un array de booleanos, con True en aquellas posiciones donde el elemento es real. Devuelve True si x no es de tipo complejo o un array de n umeros complejos. Devuelve True si el tipo de num es escalar.

>>> a = numpy . arange (4 , dtype = numpy . complex ) >>> print numpy . iscomplex ( a ) [ False False False False ] >>> print numpy . iscomplexobj ( a ) True >>> print numpy . isreal ( a ) [ True True True True ] >>> print numpy . isrealobj ( a ) False >>> print numpy . isscalar ( a ) False >>> print numpy . isscalar (1) Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy True

Septiembre de 2013

66 / 126

Fundamentos

Cambio de tipo de dato en un array

Procedimiento conocido como casting de tipos. Imaginemos que leo un chero y tengo el array
>>> a array ([ 1 , 2 , 3 , 4 ] , dtype = | S1 )

Qu e sucede si intento sumar el n umero entero 2?

>>> a + 2 TypeError : unsupported operand type ( s ) for +: numpy . ndarray and int
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 67 / 126

Fundamentos

Cambio de tipo de dato en un array

Lo que vemos es que tenemos la informaci on que queremos, pero el tipo no es correcto. Solucionamos cambiando el tipo. Procedimientos: 1 Volvemos a generar el array con numpy.array(..., dtype=typeNumpy) 2 Usamos la funci on de NUMPY: numpy.typeNumpy(array) 3 Usamos el m etodo de los arrays: nombrearray.astype(typeNumpy) typeNumpy es cualquiera de dados en la transparencia 17.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 68 / 126

Fundamentos

Cambio de tipo de dato en un array

Generamos nuevo array >>> a . dtype dtype ( S1 ) >>> a1 = numpy . array (a , dtype = int ) >>> a1 . dtype dtype ( int64 ) >>> # otra forma de escribir el tipo >>> a2 = numpy . array (a , dtype = numpy . float32 ) >>> a2 . dtype dtype ( float32 )

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

69 / 126

Fundamentos

Cambio de tipo de dato en un array

Funciones/m etodos de cambio de tipo >>> a array ([ 1 , 2 , 3 , 4 ] , dtype = | S1 ) >>> a3 = numpy . complex64 ( a ) >>> a3 array ([ 1.+0. j , 2.+0. j , 3.+0. j , 4.+0. j ] , dtype = complex64 ) >>> a4 = a . astype ( int8 ) >>> a4 . dtype dtype ( int8 )

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

70 / 126

Fundamentos

Ejercicios

Del 8 al 15
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

71 / 126

Uso de NUMPY

Indice

1 2 3 4

Antes de empezar... Introducci on Fundamentos Uso de NUMPY

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

72 / 126

Uso de NUMPY

M etodos de Entrada/Salida
ndarray.tolist() ndarray.tofile(fid[,sep,format]) Devuelve el array como una lista. Escribe el array en un chero, en formato texto o binario (defecto). fid, puede ser un objeto chero con permiso de escritura o una cadena de caracteres con la ruta al chero. Vuelca la serializaci on del array al chero le. Se puede leer con el m odulo pickles. Devuelve la serializaci on del array como cadena de caracteres. El formato es que usa el m odulo pickle. pickle.loads o numpy.loads pueden convertir esa cadena en array.

ndarray.dump(file) ndarray.dumps()

El volcado de arrays en chero es u til cuando se trabaja siempre con el mismo conjunto de datos (aceleramos su lectura), o cuando se quiere almacenar datos durante la ejecuci on de un script.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 73 / 126

Uso de NUMPY

M etodos de Entrada/Salida
Ejemplo de I/O

>>> a = numpy . arange (0 , 1 , 0.2) >>> a . tolist () [0.0 , 0.2 , 0.4 , 0.6000000000000001 , 0.8] >>> a . tofile ( datos . dat , ; , " %4.2 f " ) # c o n t e n i d o fichero : " 0 . 0 0 ; 0 . 2 0 ; 0 . 4 0 ; 0 . 6 0 ; 0 . 8 0 " >>> a . tofile ( binario . dat ) # c o n t e n i d o fichero : " \ 0 0 \ 0 0 \ 0 0 \ 0 0 \ 0 0 \ 0 0 \ 0 0 \ 0 0 \ 9 A \ 9 9 \ 9 9 \ 9 9 \ 9 9 \ 9 9 \ C9 ?\ >>> a . dump ( datos . pick ) # volcado de datos a fichero >>> import pickle >>> f = open ( datos . pick , r ) >>> b = pickle . load ( f ) >>> f . close () >>> b array ([ 0. , 0.2 , 0.4 , 0.6 , 0.8]) >>> a . dumps () \ x80 \ x02cnumpy . core . multiarray \ n_reconstruct \ nq \ x01cnumpy \ nndarray \ n >>> pickle . loads ( a . dumps ()) array ([ 0. , 0.2 , 0.4 , 0.6 , 0.8])
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 74 / 126

Uso de NUMPY

M etodos de Entrada/salida
Funci on numpy.genfromtxt

Gen erica y potente de carga de datos desde chero en formato texto. numpy.genfromtxt(fname, dtype=float, comments=#, delimiter=None, skip header=0, skip footer=0, converters=None, missing=, missing values=None, filling values=None, usecols=None, names=None, excludelist=None, deletechars=None, replace space= , autostrip=False, case sensitive=True, defaultfmt=f %i, unpack=None, usemask=False, loose=True, invalid raise=True) Esto es lo m as en cuanto a lectura de cheros en un formato no nativo PYTHON/NUMPY.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 75 / 126

Uso de NUMPY

M etodos de Entrada/salida
Funci on numpy.genfromtxt

Par ametros m as importantes:

fname, nombre del chero. dtype, tipo de datos a leer. Si se da el valor None, la funci on elige el tipo que mejor se ajuste a cada columna. comments, car acter usado como comentario. Todo lo que venga detr as se ignora. delimiter, cadena usada para separar campos. skip header, n umero de l neas a ignorar al principio del chero. skip footer, n umero de l neas a ignorar al nal del chero. missing values, conjuntop de cadenas que corresponden a valores perdidos. filling values, conjunto de valores usados para sustiuir a los valores perdidos. usecols, (lista/tupla) ndices de las columnas que se van a usar (empiezan en 0). names, None, True, string or sequence Nombres con los que identicar las columnas. Si es True, lee la primera columna tras skip header y toma los nombre de all . si es una cadena, los nombres se separan por comas.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 76 / 126

Uso de NUMPY

M etodos de Entrada/salida
Funci on numpy.genfromtxt

Par ametros m as importantes:

excludelist, lista de nombres a excluir. Ya incluye [return,le,print]. deletechars, cadena con caracteres a eliminar de los nombres. autostrip, booleano que indica s ise quitan espacios al principio y al nal de las cadenas de texto que se leen como variables.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

77 / 126

Uso de NUMPY

Funci on numpy.genfromtxt
Ejemplo 1

Para los ejercicios que siguen, usaremos los datos del chero NucleosPoblacion.csv, disponible en la web del curso. Es un chero en formato texto. la primera l nea contiene los nombres de los campos. El car acter separador es ,.
>>> data = numpy . genfromtxt ( N uc l e o s P o b l a c i o n . csv , delimiter = , , \ dtype = None , names = True ) >>> data . dtype . names # acceso a nombres de c o l u m n a s ( FID , OBJECTID , CodINE , Texto , Poblacion , CodMun , Municipio , CodProvin , Provincia , X , Y ) >>> data [ Poblacion ]. dtype # acceso a cada array por c o l u m n a s dtype ( float64 ) >>> data [ Municipio ]. size 852
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 78 / 126

Uso de NUMPY

Ordenaci on de arrays
Toda la informaci on se maneja mejor cuando hay alg un tipo de ordenaci on. NUMPY proporciona rutinas para ordenar arrays, sean del tipo o dimensi on que sean.
Funci on numpy.sort(a, axis=-1) Descripci on Devuelve un array el mismo tipo y forma, ordenado de menor a mayor seg un el eje axis. Si es None, transforma el array a 1D y ordena. Devuelve un array de posiciones que ordenar a el original de menor a mayor seg un axis dado. Si axis=None, transforma a 1D y retorna los ndices.

numpy.argsort(a, axis=-1)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

79 / 126

Uso de NUMPY

Ordenaci on de arrays
Ejemplo 1

>>> a = numpy . array ([3 , 2 , 4 , 1 , -1] , dtype = int ) >>> b = numpy . sort ( a ) # no cambia el array >>> b array ([ -1 , 1 , 2 , 3 , 4]) >>> index = numpy . argsort ( a ) >>> index array ([4 , 3 , 1 , 0 , 2]) >>> a [ index ] # A t e n c i o n a la s e l e c c i o n array ([ -1 , 1 , 2 , 3 , 4])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

80 / 126

Uso de NUMPY

B usqueda en arrays
Se buscan elementos en funci on de uno o varios criterios. Esos criterios se combinan en un array de booleanos.
numpy.where(condici on, a1, a2) condici on es un array de booleanos. Devuelve un array con los elementos de a1 donde la condici on es cierta, y con los de a2 si la condici on es falsa. Los 3 par ametros son arrays de la misma forma (shape), o compatibles seg un reglas de broadcast. Devuelve los elementos de array donde condici on es True. Devuelve siempre un array unidimensional, independientemente de la dimensi on del array inicial. condici on y a, deben tener la misma forma. Es la generalizaci on de extract. Retorna un array n-dimensional. La condici on puede aplicarse a una u otras dimensiones, seg un el array a de entrada. Si la longitud de la condici on es menor que el tama no del array en ese eje, la salida se trunca a la longitud de la condici on.
M odulo 1 Numpy Septiembre de 2013 81 / 126

numpy.extract(condici on, a)

numpy.compress(condici on, a, axis=None)

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

B usqueda en arrays
Ejemplo 1

>>> arr = numpy . arange (12). reshape ((3 , 4)) >>> arr array ([[ 0 , 1 , 2 , 3] , [ 4 , 5 , 6 , 7] , [ 8 , 9 , 10 , 11]]) >>> condition = numpy . mod ( arr , 3)==0 >>> condition array ([[ True , False , False , True ] , [ False , False , True , False ] , [ False , True , False , False ]] , dtype = bool ) >>> numpy . extract ( condition , arr ) array ([0 , 3 , 6 , 9])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

82 / 126

Uso de NUMPY

B usqueda en arrays
Ejemplo 2

>>> a = numpy . array ([[1 , 2] , [3 , 4] , [5 , 6]]) >>> a array ([[1 , 2] , [3 , 4] , [5 , 6]]) >>> numpy . compress ([0 , 1] , a , axis =0) array ([[3 , 4]]) >>> numpy . compress ([ False , True , True ] , a , axis =0) array ([[3 , 4] , [5 , 6]]) >>> numpy . compress ([ False , True ] , a , axis =1) array ([[2] , [4] , [6]])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

83 / 126

Uso de NUMPY

B usqueda en arrays
Valores especiales
Funci on argmax(a[, axis=None]) nanargmax(a[, axis=None]) Descripci on Devuelve los ndices de los valores iguales al m aximo seg un el eje axis. Si axis=None buscan en todo el array. Devuelve los ndices de los valores iguales al m aximo en el eje dado por axis. Ignora los NaNs. Si axis=None busca en todo el array. Devuelve los ndices de los valores iguales al m nimo seg un el eje axis. Si axis=None buscan en todo el array. Devuelve los ndices de los valores iguales al m nimo seg un el eje axis. Ignora los NaNs. Si axis=None buscan en todo el array. Devuelve una tupla de arrays, una por cada dimensi on de a, conteniendo los ndices de los elementos que no son cero en esa dimensi on. Devuelve los ndices de los elementos que no son cero en la versi on 1D del array a.

argmin(a[, axis=None])

nanargmin(a[, axis=None])

nonzero(a)

flatnonzero(a)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

84 / 126

Uso de NUMPY

B usqueda en arrays

Funci on nonzero(a) isnan(a)

isinf(a)

Descripci on Devuelve los ndices de los elementos que no son cero. Devuelve un array de booleanos: - True en las posiciones donde hay nan - False en caso contrario. Devuelve un array de booleanos: - True en las posiciones donde hay valores innite - False en caso contrario.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

85 / 126

Uso de NUMPY

Valores especiales
Ejemplo 1
>>> b = numpy . arange (10) >>> b = b . reshape ((2 ,5)) >>> b array ([[0 , 1 , 2 , 3 , 4] , [5 , 6 , 7 , 8 , 9]]) >>> numpy . argmax ( b ) 9 >>> numpy . argmax (b , axis =0) array ([1 , 1 , 1 , 1 , 1]) >>> numpy . argmax (b , axis =1) array ([4 , 4]) >>> d = numpy . arange (4) >>> e = d / 0. >>> e array ([ nan , inf , inf , inf ]) >>> numpy . isnan ( e ) array ([ True , False , False , False ] , dtype = bool ) >>> numpy . isinf ( e ) array ([ False , True , True , True ] , dtype = bool )
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 86 / 126

Uso de NUMPY

Ejercicios

Del 16 al 21
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

87 / 126

Uso de NUMPY

Operaciones matem aticas

Trigonom etricas sin(x) cos(x) tan(x) arcsin(x) arccos(x) arctan(x) hypot(x, y) degrees(x) radians(x) deg2rad(x) rad2deg(x) Redondeo around(a[, decimals]) round (a[, decimals,]) rint(x) x(x) oor(x) ceil(x) trunc(x) Hyperb olicas sinh(x) cosh(x) tanh(x) acrsinh(x) arctan(x) Exp & Logs exp(x) exp1m(x) exp2(x) log(x) log10(x) log2(x) log1p(x) Miscel anea sqrt(x) power(x) fbas(x) sign(x) nan to num(x) Sum. & Prod. & Di. prod(a[, axis]) sum(a[, axis]) nansum(a[, axis])) cumprod(a[, axis]) cumsum(a[, axis]) gradient(f, *varargs) cross(a, b)

x e y son arrays. Las operaciones se realizan elemento a elemento. Las entradas a funciones trigom etricas que requieran de angulos se dan en radianes.
REFERENCIA: http://docs.scipy.org/doc/numpy/reference/routines.math.html
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 88 / 126

Uso de NUMPY

Estad stica b asica

De ordenaci on
Funci on numpy.amin(a, axis=None) numpy.amax(a, axis=None) numpy.nanmin(a, axis=None) Descripci on Devuelve un array (o escalar) con el valor m nimo del array a lo largo del eje dado por axis. Devuelve un array (o escalar) con el valor m aximo del array a lo largo del eje dado por axis. Devuelve un array (o escalar) con el valor m nimo del array a lo largo del eje dado por axis. Ignora los valores NaN. Devuelve un array (o escalar) con el valor m aximo del array a lo largo del eje dado por axis. Ignora los valores NaN. Devuelve el rango de valores (m aximo - m nimo) en el axis dado. El nombre de esta funci on viene del acr onimo peak to peak. Calcula y devuelve el percentil q- esimo del array a en el eje axis especicado. q (escalar) en [0,100].

numpy.nanmax(a, axis=None)

numpy.ptp(a, axis=None)

numpy.percentile(a, q, axis=None)

NOTA: Si axis=None, se trabaja sobre la versi on transformada a 1D del array, devolviendo un u nico valor (escalar) para todo el array.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 89 / 126

Uso de NUMPY

Estad stica b asica

Ejemplo 1
>>> a = numpy . array ([[5 , 6 , 1] , [2 , 3 , 8]]) >>> print a [[5 6 1] [2 3 8]] >>> print numpy . amax ( a ) 8 >>> print numpy . amax (a , axis =0) [5 6 8] >>> print numpy . amax (a , axis =1) [6 8] >>> print numpy . percentile (a , 25) 2.25 >>> print numpy . percentile (a , 25 , axis =0) [ 2.75 3.75 2.75] >>> print numpy . percentile (a , 25 , axis =1) [ 3. 2.5] >>> print numpy . ptp ( a ) 7 >>> print numpy . ptp (a , axis =1) [5 6]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 90 / 126

Uso de NUMPY

Estad stica b asica

Ejemplo 2
>>> b = numpy . array ([[5 , numpy . nan , 1] , [2 , 3 , numpy . nan ]]) >>> print numpy . amin ( b ) nan >>> print numpy . amax ( b ) nan >>> print numpy . nanmin ( b ) 1.0 >>> print numpy . nanmin (b , axis =0) [ 2. 3. 1.] >>> print numpy . nanmin (b , axis =1) [ 1. 2.] >>> print numpy . nanmax (b , axis =1) [ 5. 3.] >>> print numpy . ptp ( b ) nan >>> print numpy . ptp (b , axis =0) [ 3. nan nan ] >>> print numpy . ptp (b , axis =1) [ nan nan ]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 91 / 126

Uso de NUMPY

Estad stica b asica

C omo obviar el problema de los NaN?

Posibles soluciones: Seleccionar el sub-array de elementos que no son NaN. Usar arrays con m ascara (masked arrays ) (m as adelante).
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 92 / 126

Uso de NUMPY

Estad stica b asica

Valores promedio y varianzas
Funci on numpy.average(a, axis=None, weights=None) Descripci on Devuelve un escalar o array con la media pesada del array a por los valores weights en el eje axis seleccionado. Los pesos pueden ser arrays 1-D, en cuyo caso ha de tener la misma longitud que a en el eje seleccionado. Si weights=None se asume el mismo peso (valor=1) para todos los elementos. Devuelve un escalar o array con la media aritm etica del array sobre el axis dado. dtype establece el tipo de datos de entrada sobre el que promediar. El valor asignado por defecto es el del tipo del array. Devuelve un escalar o array con la mediana del array para el eje seleccionado. Devuelve un escalar o array con la desviaci on est andar en el eje seleccionado. ddof es el acr onimo de Delta Degrees of Freedom. El denominador usado en los c alculos es N ddof , donde N es el n umero de elementos. Devuelve un escalar o array con la varianza de los elementos del array en el eje seleccionado. Misma leyenda que std para el resto de par ametros.
M odulo 1 Numpy Septiembre de 2013 93 / 126

numpy.mean(a, axis=None, dtype=None)

numpy.median(a, axis=None) numpy.std(a, axis=None, dtype=None, ..., ddof=0)

numpy.var(a, axis=None, dtype=None, ..., ddof=0)

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

Estad stica b asica

Ejemplo 3
>>> a = numpy . arange (4). reshape ((2 , 2)) >>> a array ([[0 , 1] , [2 , 3]]) >>> print numpy . average (a , axis =1 , weights =(0 , 1)) [ 1. 3.] >>> print numpy . mean (a , axis =0) [ 1. 2.] >>> print numpy . mean (a , axis =1) [ 0.5 2.5] >>> print numpy . median ( a ) 1.5 >>> print numpy . median (a , axis =1) [ 0.5 2.5] >>> print numpy . std ( a ) 1.11803398875 >>> print numpy . var ( a ) 1.25 >>> print numpy . std ( a ) * numpy . std ( a ) 1.25
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 94 / 126

Uso de NUMPY

Estad stica b asica

Histogramas
Funci on numpy.histogram(a, bins=10, range=None, normed=False, weights=None, density=None) Descripci on Devuelve una tupla con dos arrays: (histograma, bins) de la versi on 1D del array. bins, puede ser un n umero, lista o array ( con intervalos no uniformes). Si normed=True, retorna el histograma normalizado. Pueden pesarse los elementos del array. Si weights=None todos los elementos cuentan como 1. Si no, debe ser un array de la misma forma que a. normed afecta tambi en a weights. density es un booleano. Si es False el histograma devuelve el n umero de elementos por cada bin. Si no devuelve el valor de la funci on densidad de probabilidad de cada bin, normalizada a todo el rango de bins. Devuelve la tupla de arrays: (histo, bins x, bins y) x e y son arrays. bins puede tomar: - un valor entero (n um. divisiones en cada dimensi on), - [entero, entero] (num. divisiones en cada eje), - un array (v alido para los dos ejes) o - [array, array], uno para cada dimensi on.
M odulo 1 Numpy Septiembre de 2013 95 / 126

numpy.histogram2d(x, y, bins=10, range=None, normed=False, weights=None)

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

Estad stica b asica

Histogramas

Funci on numpy.digitize(a, bins, right=False)

numpy.bincount(x, weights=None, minlength=None)

Descripci on Devuelve un array de ndices. Cada ndice indica a qu e intervalo de bins pertenece el elemento del array. bins debe ser mon otono creciente o decreciente. Si los valores de a est an fuera del rango de bins, devuelve 0 para ese elemento. Si right=True el intervalo de bins es cerrado. Devuelve el n umero de ocurrencias de cada valor del array en cada uno de los intervalos bin (por defecto de anchura igual a 1).

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

96 / 126

Uso de NUMPY

Estad stica b asica

Histogramas: Ejemplo 1

Ejemplos de uso de histogramas

>>> a = numpy . array ([0 , 1 , 2 , 3 , 2 , 4 , 3 , 3 , 3 , 5 , 6 , 9]) >>> bins = numpy . arange (10) >>> numpy . histogram (a , bins ) ( array ([1 , 1 , 2 , 4 , 1 , 1 , 1 , 0 , 1]) , array ([0 , 1 , 2 , 3 , 4 , 5 , 6 , 7 , 8 , 9])) >>> numpy . digitize (a , bins ) array ([ 1 , 2 , 3 , 4 , 3 , 5 , 4 , 4 , 4 , 6 , 7 , 10])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

97 / 126

Uso de NUMPY

Ejercicios

Del 22 al 26
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

98 / 126

Uso de NUMPY

Correlaciones y covarianzas
Covarianza
En probabilidad y estad stica, la covarianza es un valor que indica el grado de variaci on conjunta de dos variables aleatorias. Es el dato b asico para determinar si existe una dependencia entre ambas variables y adem as es el dato necesario para estimar otros par ametros b asicos, como el coeciente de correlaci on lineal o la recta de regresi on.

Correlaci on
En probabilidad y estad stica, la correlaci on indica la fuerza y la direcci on de una relaci on lineal y proporcionalidad entre dos variables estad sticas. Se considera que dos variables cuantitativas est an correlacionadas cuando los valores de una de ellas var an sistem aticamente con respecto a los valores hom onimos de la otra: si tenemos dos variables (A y B) existe correlaci on si al aumentar los valores de A lo hacen tambi en los de B y viceversa. La correlaci on entre dos variables no implica, por s misma, ninguna relaci on de causalidad. FUENTE: Wikipedia.
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 99 / 126

Uso de NUMPY

Correlaciones y covarianzas
Funci on numpy.cov(m, y=None, rowvar=1, bias=0, ddof=None) Descripci on Estima la matriz de covarianza. m es un array 1D o 2D. Cada columna de m representa una observaci on. Cada la, una variable. y es un conjunto adicional de observaciones (misma forma que m). Si rowvar es distinta de cero, cada la representa una variable. Cada columna una observaci on. bias es un entero. Si es cero, se trasponen las y columnas. La normalizaci on por defecto es (N 1), donde N es el n um. de observaciones. Si bias = 1 la normalizaci on es N . ddof sobreescribe a bias. Si es distinto de None, la normalizaci on es (N ddof ). Correlaciona dos arrays 1D seg un la expresi on z [k ] = n a[n] conj (v [n + k ]) mode vale full, valid o same, que establece los l mites del desplazamiento (n) entre arrays (ver documentaci on). C Devuelve los coecientes de correlaci on Pij = ij .
Cii Cjj

numpy.correlate(a, v, mode=valid)

numpy.corrcoef(x, y=None, rowvar=1, bias=0, ddof=None)

x es un array 1D o 2D. Cada la es una variable. Cada columna una observaci on. Para el resto, misma leyenda que numpy.cov.
M odulo 1 Numpy Septiembre de 2013 100 / 126

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

Estad stica b asica

Correlaciones y covarianzas: Ejemplo 1
>>> x = [ -2.1 , -1 , 4.3] >>> y = [3 , 1.1 , 0.12] >>> X = numpy . vstack (( x , y )) >>> print X [[ -2.1 -1. 4.3 ] [ 3. 1.1 0.12]] >>> print numpy . cov ( X ) [[ 11.71 -4.286 ] [ -4.286 2.14413333]] >>> print numpy . cov (x , y ) [[ 11.71 -4.286 ] [ -4.286 2.14413333]] >>> print numpy . cov (y , x ) [[ 2.14413333 -4.286 ] [ -4.286 11.71 ]] >>> print numpy . cov ( x ) 11.71 >>> print numpy . var (x , ddof =1) 11.71
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 101 / 126

Uso de NUMPY

Estad stica b asica

Correlaciones y covarianzas: Ejemplo 2
>>> x = [ -2.1 , -1 , 4.3] >>> y = [3 , 1.1 , 0.12] >>> X = numpy . vstack (( x , y )) # agrega filas >>> print X [[ -2.1 -1. 4.3 ] [ 3. 1.1 0.12]] >>> print numpy . cov ( X ) [[ 11.71 -4.286 ] [ -4.286 2.14413333]] >>> print numpy . correlate (x , y ) [ -6.884] >>> print numpy . corrcoef (x , y ) [[ 1. -0.85535781] [ -0.85535781 1. ]]

Una variable correlaciona perfectamente consigo misma (valor 1 en la diagonal principal). La correlaci on var a en [1, 1].
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 102 / 126

Uso de NUMPY

Muestreo aleatorio
Hemos de importar de forma expl cita este m odulo. import numpy.random
Funci on rand(d0, d1, ..., dn) randn(d0, d1, ..., dn) randint(low, high=None, size=None) random integers(low, high=None, size=None) choice(a, size=1, replace=True, p=None) Descripci on Devuelve una array de dimensi on (d0, d1, ..., dn) con n umeros aleatorios en [0, 1). Muestra de dimensi on (d0, d1, ..., dn) elementos de una distribuci on normal est andar. Devuelve size num enteros en [start, end). size puede ser entero a secuencia. Igual que la anterior pero en [start, end]. Genera una muestra aleatoria de tama no size con los elementos del array 1D a. Si replace=True la muestra es con repetici on. p es un array (de la misma dimensi on que a) que indica las probabilidades de cada elemento de a. Mezcla la secuencia dada por x. Cambia x. Devuelve None. Permuta de forma aleatoria la secuencia x. Si x es n-dimensional, s olo permuta la dimensi on dada por el primer ndice.
M odulo 1 Numpy Septiembre de 2013 103 / 126

shuffle(x) permutation(x)

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

Muestreo aleatorio
Ejemplo 1
>>> import numpy . random >>> print numpy . random . rand (2 , 3) [[ 0.47817202 0.44355165 0.9863675 ] [ 0.72560495 0.11331353 0.21659595]] >>> print numpy . random . randn (4) [ -0.98550123 0.74578984 -2.04972696 0.36567011] >>> print numpy . random . randint (0 , 11 , size =(2 , 3)) [[10 5 0] [ 7 1 7]] >>> print numpy . random . ra n do m_ in t eg er s (0 , 3 , 6) [1 3 1 0 1 1] >>> a = numpy . arange (5) >>> print numpy . random . choice (a , size =4) [3 1 2 1] >>> print numpy . random . choice (a , size =4 , replace = False ) [2 0 3 4]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

104 / 126

Uso de NUMPY

Muestreo aleatorio
Ejemplo 2

>>> a = numpy . arange (5) >>> numpy . random . shuffle ( a ) >>> a [3 2 0 4 1] >>> b = numpy . arange (9). reshape ((3 , 3)) >>> print numpy . random . permutation ( b ) [[6 7 8] [3 4 5] [0 1 2]]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

105 / 126

Uso de NUMPY

Ejercicios

Del 27 al 30
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

106 / 126

Uso de NUMPY

Polinomios
Se gestionan a trav es de la clase Polynomial del paquete numpy.polynomial.polynomial que debe ser importado. Creaci on numpy.polynomial.polynomial.Polynomial(coef) que devuelve un objeto de tipo Polynomial. coef es una tupla que establece los coecientes del polinomio, en orden creciente. Esto es, (1, 2, 3) representa al polinomio 1 + 2 x + 3 x 2.
>>> import numpy . polynomial . polynomial as npp >>> pol = npp . Polynomial ([1 , 2 , 3]) >>> print pol poly ([ 1. 2. 3.])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

107 / 126

Uso de NUMPY

Polinomios
Creaci on alternativa

Se puede generar un polinomio si se conocen sus ra ces. A partir de una funci on situada en el m odulo numpy.polynomial.polynomial.
Funci on polyfromroots(roots) Descripci on Genera un polinomio a partir de sus ra ces, mediante el producto (x r [0]) (x r [1]) ... (x r [n 1]) Atenci on al signo negativo en el producto.

>>> import numpy . polynomial . polynomial as npp >>> pol2 = npp . Polynomial . fromroots ([1 , -2]) >>> print pol2 poly ([ -2. 1. 1.])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

108 / 126

Uso de NUMPY

Polinomios
Utilidad

Qu e se puede hacer con polinomios?

Buscar sus ra ces. Derivarlos e integrarlos. Operar entre ellos. Realizar ajustes a datos obtenidos en una muestra. Interpolaciones.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

109 / 126

Uso de NUMPY

Polinomios
M etodos

Funci on copy() degree() cutdeg(deg) roots() deriv(m=1) integ(m=1, k=[], lbnd=None)

Descripci on Devuelve una copia del polinomio. Devuelve el grado del polinomio. Devuelve un polinomio con grado reducido a deg, descartando t erminos de orden superior. Devuelve la lista de ra ces del polinomio. Calcula la derivada m- esima del polinomio. Devuelve la integral del polinomio. m es el n umero de integraciones. k es la lista de constantes de integraci on (de menor o igual tama no que m). lbnd es el l mite inferior de la integral (si es denida).

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

110 / 126

Uso de NUMPY

Operaciones entre polinomios

Siendo c1 y c2 las secuencias que denen los coecientes de los polinomios, se pueden realizar las siguientes operaciones:
Funci on polyadd(c1, polysub(c1, polymul(c1, polymulx(c) polydiv(c1, c2) c2) c2) c2) Descripci on Devuelve la suma dos polinomios. Devuelve el polinomio resta de c1 y c2. Devuelve el producto de dos polinomios. Devuelve el producto de un polinomio por x. Devuelve una tupla con dos arrays: el que dene el cociente y el que dene el resto del resultado de dividir el polinomio c1 entre c2. Devuelve el resultado de multiplicar el polinomio c al entero pow.

polypow(c, pow)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

111 / 126

Uso de NUMPY

Operaciones entre polinomios

Ejemplo 1

>>> import numpy . polynomial . polynomial as npp >>> c1 = [0 , 2 , 3] >>> c2 = [0 , 1] >>> print npp . polyadd ( c1 , c2 ) [ 0. 3. 3.] >>> print npp . polysub ( c1 , c2 ) [ 0. 1. 3.] >>> print npp . polymul ( c1 , c2 ) [ 0. 0. 2. 3.] >>> print npp . polydiv ( c1 , c2 ) ( array ([ 2. , 3.]) , array ([ 0.]))

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

112 / 126

Uso de NUMPY

Polinomios
Ajuste

Se puede generar un polinomio mediante un ajuste por m nimos cuadrados a una nube de puntos en 2D. Se usa el m odulo numpy.polynomial.polynomial.
Funci on polyfit(x, y, deg, ) ..., full=False, w=None) Descripci on Retorna un polinomio de grado deg. x e y tienen que tener la misma dimensi on nal. Si y es 2D, se realizan m ultiples ajustes (uno por cada columna de y ). El resultado es tambi en 2D (cada columna se reere a un ajuste). deg es el grado del polinomio a ajustar. full se reere al formato de salida: False, s olo coecientes, True, coecientes e informaci on de diagn ostico ([residuals, rank, singular values, rcond]). w, se reere al peso de cada par de coordenadas (xi , yi ). Si no se da, los pesos valen 1.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

113 / 126

Uso de NUMPY

Ajuste
Ejemplo 1

>>> x = numpy . arange ( -2 , 2 , 0.2) >>> y = numpy . power (x , 2) >>> noise = numpy . random . randn ( x . size ) >>> res = npp . polyfit (x , y + noise , 2 , full = True , \ w =1/ numpy . power ( noise , 2)) >>> print res ( array ([ -0.06632142 , 0.08804425 , 1.0504697 ]) , [ array ([ 78.97488008]) , 3 , array ([ 1.73203349 , 0.00721654 , 0.00281464]) , 4 . 4 4 0 8 9 2 0 9 8 5 0 0 6 2 6 2 e -15])

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

114 / 126

Uso de NUMPY

Creaci on de array por ajuste

Ejemplo 1

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

115 / 126

Uso de NUMPY

Polinomios especiales
NUMPY proporciona soporte a trav es del m odulo numpy.polynomial.polynomial para la generaci on y operaci on con polinomios especiales: 1 Chebyshev 2 Legendre 3 Laguerre 4 Hermite
Para m as informaci on, consulte la documentaci on.
REFERENCIA: http://docs.scipy.org/doc/numpy/reference/routines.polynomials.package.html

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

116 / 126

Uso de NUMPY

Ejercicios

Del 31 al 34
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

117 / 126

Uso de NUMPY

Arrays con m ascaras

Son accesibles a trav es del paquete numpy.ma
1

Un array con m ascara es aquel que tiene elementos no v alidos (nan, inf ) o que no tienen un valor asignado (missing values ) porque el conjunto de datos es incompleto. Los arrays con m ascara se generan por combinaci on de un array de los ya conocidos y una m ascara (que no es m as que un array de booleanos). Cuando un elemento del array tiene asociado un valor de m ascara igual a False, quiere decir que ese valor es v alido (no est a enmascarado). El paquete numpy.ma se asegura de usar s olo los valores v alidos a la hora de realizar operaciones.
M odulo 1 Numpy Septiembre de 2013 118 / 126

Cesar Husillos Rodr guez (IAA-CSIC)

Uso de NUMPY

Arrays con m ascaras

Creaci on y manejo

Existen varias formas. La m as sencilla es a trav es de la funci on array del m odulo.

numpy.ma.array(data, dtype=None, mask=False, fill value=None) Donde data es la secuencia de datos, dtype el tipo de dato, mask es una secuencia de booleanos que representa la m ascara, fill value es el valor con el que se rellena la m ascara en caso de ser necesario.

>>> import numpy . ma >>> am = numpy . ma . array ([1 , 2 , 3]) >>> am masked_array ( data = [1 2 3] , mask = False , fill_value = 999999)

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

119 / 126

Uso de NUMPY

Arrays con m ascaras

Creaci on y manejo

Para acceder a los datos, se usa el atributo data. Tambi en on getdata. es posible usar el m etodo array o la funci Para acceder a la m ascara se usa el atributo mask. Las otras posibilidades pasan por usar las funciones getmask y getmaskarray del m odulo.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

120 / 126

Uso de NUMPY

Creaci on y manejo
Ejemplo 1
>>> am = numpy . ma . array ([1 , 2 , 3] , mask =[ True , False , False ]) >>> print am [ - - 2 3] >>> am . data array ([1 , 2 , 3]) >>> am . __array__ () array ([1 , 2 , 3]) >>> numpy . ma . getdata ( am ) array ([1 , 2 , 3]) >>> >>> print am . mask [ True False False ] >>> print numpy . ma . getmask ( am ) [ True False False ] >>> print numpy . ma . getmaskarray ( am ) [ True False False ]

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

121 / 126

Uso de NUMPY

Arrays con m ascaras

Creaci on y manejo

Dado
>>> am = numpy . ma . array ([1 , 2 , 3] , mask =[ True , False , False ]) >>> am masked_array ( data = [ - - 2 3] , mask = [ True False False ] , fill_value = 999999)

Para modicar m ascara ...

>>> am [1] = numpy . ma . masked # para un e l e m e n t o >>> print am [ - - -- 3] >>> am . mask = [0 ,1 ,0] # para cambiar varios >>> print am [1 -- 3] >>> am [1] = -2 # a s i g n a n d o un valor valido se d e s e n m a s c a r a >>> print am [1 -2 3]
Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 122 / 126

Uso de NUMPY

Arrays con m ascaras

Operaciones
>>> x = numpy . ma . array ([1 , 2 , 3] , mask =[0 , 0 , 1]) >>> x [0] , x [ -1] (1 , masked ) >>> x [ -1] is numpy . ma . masked True

Para operar con arrays con m ascara se hace lo mismo que con arrays normales
>>> x = numpy . ma . array ([1 , 2 , 3 , 4] , mask =[0 , 0 , 1 , 0]) >>> y = numpy . ma . array ([3 , -1 , 2 , 5] , mask =[0 , 0 , 1 , 1]) >>> x + y masked_array ( data = [4 1 -- - -] , mask = [ False False True True ] , fill_value = 999999)

El m odulo numpy.ma gestiona de forma autom atica las m ascaras.

Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 123 / 126

Uso de NUMPY

Arrays con m ascaras

Funciones numpy.ma

numpy.ma implementa muchas de las funciones vistas para los arrays.

>>> >>> 3 >>> 4 >>> 2.0 >>> 1.0 y = numpy . ma . array ([3 , -1 , 2 , 5] , mask =[0 , 0 , 1 , 1]) print numpy . ma . max ( y )

print numpy . ma . ptp ( y ) print numpy . ma . std ( y ) print numpy . ma . median ( y )

Ahora, piense en arrays con m ascara en N-dimensionales.

Ve las posibilidades de uso en su trabajo diario?

Cesar Husillos Rodr guez (IAA-CSIC) M odulo 1 Numpy Septiembre de 2013 124 / 126

Uso de NUMPY

Ejercicios

Del 35 al 36
http://www.iaa.es/python/cientifico/ejercicios

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

125 / 126

Uso de NUMPY

Y por n... .

FIN

P.D.: Nos hemos dejado mucha de la funcionalidad de NUMPY por el camino. SCIPY es un paquete que se basa en NUMPY, mejorando y ampliando algunas de sus funcionalidades. Parte de lo que falta se ver a en ese m odulo.

Cesar Husillos Rodr guez (IAA-CSIC)

M odulo 1 Numpy

Septiembre de 2013

126 / 126