INTRODUCION A LA LIBRERIA NUMPY DE PYTHON

NumPy es, al igual que Pandas, Matplotlib o

Scikit-Learn, uno de los paquetes que no puedes
perderte cuando estás aprendiendo Machine
Learning, principalmente porque esta librería
proporciona una estructura de datos de matriz
que tiene algunos beneficios sobre las listas
regulares de Python. Algunos de estos
beneficios son: ser más compacto, acceder más
rápido a leer y escribir artículos, ser más
conveniente y más eficiente.

NumPy es un paquete de Python que significa

“Numerical Python”, es la librería principal
para la informática científica, proporciona
potentes estructuras de datos,
implementando matrices y matrices
multidimensionales. Estas estructuras de
datos garantizan cálculos eficientes con
matrices.

Hablemos ahora sobre NumPy array o el arreglo de matrices de NumPy. NumPy array es un potente objeto de
matriz N-dimensional que tiene forma de filas y columnas, en la que tenemos varios elementos que están
almacenados en sus respectivas ubicaciones de memoria. Pero, a que se refiere exactamente esto, veamos la
siguiente imagen, esta es una matriz bidimensional porque tiene filas y columnas, como puedes ver tiene
cuatro filas y tres columnas, por lo que se convierte en una matriz bidimensional. En el caso de que solo
tuviera una hilera entonces habría sido una matriz unidimensional.
Según lo explicado anteriormente en la primera figura tenemos una matriz unidimensional o 1D. En la segunda
figura, tenemos una matriz bidimensional o 2D, en donde las filas se indican como el eje 0, mientras que las
columnas son el eje 1.

Toma en cuenta que el número de ejes aumenta de acuerdo con el número de dimensiones, en matrices 3D, se
tendrá un eje 2 adicional, ten en cuenta que estos ejes sol son válidos para matrices que tienen al menos dos
dimensiones, ya que no tiene sentido esto para matrices unidimensional.

Sabiendo todo esto, creemos ahora dos matrices una unidimensional y otra bidimensional, estoy utilizando por
supuesto NumPy.

Con la primera instrucción le estamos diciendo a

nuestro programa de Python que de ahora en
adelante np será la referencia para todo lo referente a
NumPy.

De esta manera, muy simple, podemos declarar las matrices dentro de NumPy. Pero seguramente te
preguntarás porque usar NumPy en vez de utilizar las listas propias que ofrece Python para manejar estos
datos, la primera razón es que NumPy ocupa menos memoria en comparación a las lista de Python, a su vez
es bastante rápido en términos de ejecución. Pero veamos esto en el siguiente ejemplo:
 Este resultado muestra que la memoria asignada para la matriz creada por Python es de 28000, mientras
que la memoria asignada por la matriz NumPy es de solo 8000, con esto podemos concluir que hay una gran
diferencia entre los dos y esto hace que las matrices creadas con NumPy sea la opción preferida.

Evaluemos ahora la rapidez.

En este código se han definido dos listas en Python y dos matrices esta vez utilizando NumPy,
posteriormente hemos comparado el tiempo tomado para encontrar la suma de los elementos. Si observas
los resultados, hay una diferencia significativa entre los dos, en el primero obtuvimos 207 ms mientras que la
operación realizada con NumPy solamente tomo 51 ms en ser ejecutada. Por lo tanto, las matriz creadas con
NumPy son más rápida que la listas creadas directamente por Python.

Otro detalle que tienes que ver acá es que para hacer esta operación para el primer caso tuvimos que utilizar
“for”, mientras que para el segundo caso simplemente sumamos las dos matrices sin mucho esfuerzo.

Como puedes observar con estos ejemplos prácticos, trabajar con NumPy es mucho más fácil y conveniente
en comparación con las listas propias de Python, es por esta razón que es utilizado bastante en el desarrollo
de los algoritmos de Machine Learning.

En una próxima entrada veremos de manera práctica algunas de las instrucciones básicas con la que cuenta
NumPy.

INTRODUCON A LA LIBRERIA NUMPY DE PYTHON –

PRACTICA
Una vez ya visto de qué se trata NumPy y, a su vez, a ver visto las ventajas que tiene está librería, es hora del
verdadero trabajo.

Para hacer una matriz NumPy, puedes usar la función np.array(). Todo lo que necesitas hacer es colocarle una
lista y, opcionalmente, también puedes especificar el tipo de datos a utilizar.

Recuerda que los tipos de datos están ahí cuando necesites más control sobre cómo se almacenan sus datos en la
memoria y en el disco, especialmente en casos en los que estes trabajando con datos grandes, es bueno que
sepas controlar el tipo de almacenamiento.

Al mismo tiempo recuerda, que para trabajar con la función np.array() debes asegurarte de que la librería esté
presente en el entorno, es decir debes importarla primeramente definiéndola como np.
 Matrices Vacías

En ocasiones se requiere crear matrices vacías, esto se refiere a que se requieren marcadores de posición
iniciales, que luego pueden ser rellenados. Se puede inicializar matrices con unos o ceros, pero también
puedes hacer matrices que se llenan con valores espaciados uniformemente, valores constantes o aleatorios.

Algunas de las instrucciones para crear este tipo de matrices son las siguientes:

Para crear una matriz en donde todos los valores sean igual a 1, solamente debemos utilizar np.ones y
colocar la cantidad de filas y columnas que contendrá la matriz.

Para crear una matriz en donde todos los valores sean igual a 0, se utiliza la instrucción np.zeros y colocamos
la cantidad de filas y columnas que contendra la matriz

En caso de que se requiera crear una matriz con números aleatorios solamente debemos utilizar la instrucción
np.random.random y definir el número de filas y columnas.

Para crear una matriz vacía se utiliza la instrucción np.empty definiendo el número de filas y columnas.

Si lo que quieres es crear una matriz que contenga un solo valor en todas las posiciones utilizamos la instrucción
np.full, definimos el número de filas y columnas, y a su vez definimos el valor que queremos en todas las
posiciones, para nuestro ejemplo ese valor será igual a 8.
 Para crear matrices con valores espaciados uniformemente Podemos utilizer np.arange() y np.linspace(). La
diferencia entre estas dos funciones es que para la primera se especifica que se desea crear una matriz que
comience en 0 y por pasos de 5 genere los valores para la matriz que está creando. Por su parte para el
segundo caso, se requiere una matriz con 5 valores que se encuentren entre 0 y 2

NumPy también permite crear matrices identidad utilizando las funciones np.eye() y np.identity().
Recuerda que una matriz de identidad es una matriz cuadrada de la cual todos los elementos en la
diagonal principal son igual a 1 y todos los demás elementos son igual a 0.

Inspeccionar las matrices de NumPy

NumPy contiene varias instrucciones para obtener más información sobre las matrices que se han creado
utilizando esta librería algunas de ellas son las siguientes:

Puedes encontrar la dimensión de la matriz, ya sea una matriz bidimensional o una matriz dimensional única,
utilizando la función “ndim”.

También puedes encontrar el tipo de datos de los elementos que están almacenados en una matriz, para
ello utilizar la función “dtype”, el cual arrojará el tipo de datos junto con el tamaño.

Del mismo modo, puedes encontrar el tamaño y la forma de la matriz con la función “size” y “shape”,
respectivamente

Cambio de tamaño y forma de las matrices

Otras de las operaciones que podemos realizar con NumPy es el cambio de tamaño y forma de las matrices,
veamos prácticamente a que se refiere esto.
 El cambio de la forma de las matrices es cuando se cambia el número de filas y columnas que le da una
nueva vista a un objeto.

Como puedes ver en la imagen, tenemos 3 columnas y 2 filas que se han convertido en 2 columnas y 3
filas utilizando la instrucción “reshape”.

Otra funciones que podemos utilizar con NumPy es seleccionar un solo elemento de la matriz, para ello
solamente tenemos que especificar el número de columna y fila en donde está ubicado y nos devolverá
el valor almacenado en dicha ubicación

Utilizando este mismo método podemos obtener todos los valores ubicados en la columna 3 de todas
las filas. Para ello simplemente le decimos que desde la fila 0 en adelante, los dos puntos representa
todas las filas, va a tomar el valor de la columna 2. Recuerda que la numeración de filas y columnas
siempre comienza en 0.

Operaciones matemáticas entre matrices

Con la librería de NumPy puedes realizar de manera muy fácil operaciones aritméticas, veamos algunas de ellas.

Podemos encontrar el valor mínimo, máximo y la suma de la matriz con NumPy, para ello utilizamos “min”,
“max” y “sum”, respectivamente.

También puedes obtener la raíz cuadrada y la desviación estándar de la matriz.

Puedes realizar más operaciones con las matrices de NumPy, como son la suma, resta, multiplicación y división
de las dos matrices

Acá hemos cubierto gran parte de las funciones que puedes utilizar al momento de manipular los datos con
NumPy, aún faltan muchas más instrucciones pero a medida que vayas programando seguramente las irás
aprendiendo, recuerda que la página web propia de esta librería ofrece muy buena información sobre todas las
funciones que ofrece por lo que no está demás visitarla.