PYTHON - Sesión Numpy

Librería Numpy
NumPy es una librería de Python especializada en el cálculo numérico y el análisis de datos, especialmente para un gran volumen de datos.

Incorpora una nueva clase de objetos llamados arrays que permite representar colecciones de datos de un mismo tipo en varias dimensiones, y
funciones muy eficientes para su manipulación.

La ventaja de Numpy frente a las listas predefinidas en Python es que el procesamiento de los arrays se realiza mucho más rápido (hasta 50
veces más) que las listas, lo cual la hace ideal para el procesamiento de vectores y matrices de grandes dimensiones.

La clase de objetos array

Un array es una estructura de datos de un mismo tipo organizada en forma de tabla o cuadrícula de distintas dimensiones.

Las dimensiones de un array también se conocen como ejes.

Código Texto

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy

np.array(lista) : Crea un array a partir de la lista o tupla lista y devuelve una referencia a él. El número de dimensiones del array dependerá
de las listas o tuplas anidadas en lista:
Para una lista de valores se crea un array de una dimensión, también conocido como vector.
Para una lista de listas de valores se crea un array de dos dimensiones, también conocido como matriz.
Para una lista de listas de listas de valores se crea un array de tres dimensiones, también conocido como cubo.
Y así sucesivamente. No hay límite en el número de dimensiones del array más allá de la memoria disponible en el sistema.

import numpy as np

a1 = np.array([1, 2, 3])  #Creando un arreglo numpy, el cual se guardo en el arreglo a1. np no es un objeto, solo es un sobrenombre de la
print(a1)

[1 2 3]

print(a1[0])  #acceder a los elementos dentro de un arreglo numpy

a2 = np.array([[1, 2, 3], [4, 5, 6]])
print(a2)

[[1 2 3]
[4 5 6]]

a2[1][1]  #primer valor fila, segundo columna, ambos empiezan de cero. Otra forma es a2[1,1]

a3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])
print(a3)

[[[ 1 2 3]
[ 4 5 6]]

[[ 7 8 9]
[10 11 12]]]

Otras funciones útiles que permiten generar arrays son:

np.empty(dimensiones) : Crea y devuelve una referencia a un array vacío con las dimensiones especificadas en la tupla dimensiones.
np.zeros(dimensiones) : Crea y devuelve una referencia a un array con las dimensiones especificadas en la tupla dimensiones cuyos
elementos son todos ceros.
np.ones(dimensiones) : Crea y devuelve una referencia a un array con las dimensiones especificadas en la tupla dimensiones cuyos
elementos son todos unos.
 np.full(dimensiones, valor) : Crea y devuelve una referencia a un array con las dimensiones especificadas en la tupla dimensiones cuyos
elementos son todos valor.
np.identity(n) : Crea y devuelve una referencia a la matriz identidad de dimensión n. np.arange(inicio, fin, salto) : Crea y devuelve una
referencia a un array de una dimensión cuyos elementos son la secuencia desde inicio hasta fin tomando valores cada salto.
np.linspace(inicio, fin, n) : Crea y devuelve una referencia a un array de una dimensión cuyos elementos son la secuencia de n valores
equidistantes desde inicio hasta fin.
np.random.random(dimensiones) : Crea y devuelve una referencia a un array con las dimensiones especificadas en la tupla dimensiones
cuyos elementos son aleatorios.

print(np.zeros((3,2))) #Una matriz de ceros de 3x2

[[0. 0.]
[0. 0.]
[0. 0.]]

arreglo=np.ones(3)
arreglo

array([1., 1., 1.])

arreglo=np.full(5,0) #Se crea un arreglo de tamaño 5, todos con el valor de 0
arreglo

array([0, 0, 0, 0, 0])

print(np.identity(3)) #matriz identidad de 3x3

[[1. 0. 0.]
[0. 1. 0.]
[0. 0. 1.]]

print(np.arange(1, 10, 2)) #numeros del 1 al 9 (solo trabaja hasta final -1), con saltos de 2 en 2

[1 3 5 7 9]

print(np.linspace(0, 10, 5))  #Se crean 5 valores equidistantes desde 0 hasta 10, aqui si llega hasta 10

[ 0. 2.5 5. 7.5 10. ]

array = np.random.randn(30) #genera 30  elementos aleatorios , creo es entre -2 y 2
print(array)

[-0.89157492 -1.40485903 0.51320386 0.9314111 -0.04305439 -0.57431225

0.77365851 1.53080916 -0.57073822 0.82102035 0.76466758 1.74722359
0.09850235 -0.94494592 0.8786812 -0.61183649 -1.12973896 -0.94603622
0.43182411 0.97281307 -0.41414414 0.69947743 -0.2917754 0.76751879
-1.3256617 -0.37839369 0.6701696 -1.50966391 0.31446333 1.82314649]

#cargar datos a numpy
arreglo=np-load("datos.csv")

Atributos de un array
Existen varios atributos y funciones que describen las características de un array.

a.ndim : Devuelve el número de dimensiones del array a.

a.shape : Devuelve una tupla con las dimensiones del array a.
a.size : Devuelve el número de elementos del array a.
a.dtype: Devuelve el tipo de datos de los elementos del array a.

a = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])  #La dimension es 3, Array es nun metodo de np
a

array([[[ 1, 2, 3],
[ 4, 5, 6]],

[[ 7, 8, 9],
[10, 11, 12]]])

a.ndim #son anidamiento, uno dentro de otro, y otro. Dentro del general hay uno, y dentro de uno hay otro. 3 domensiones

3
a.shape #Devuelve las dmensiones del arreglo (en este caso una matriz)

(2, 2, 3)

a.size #Devuelve el numeros de elementos del array, en total son 10 elementos. Size es un atributo, ellos no tienen parentesis, Esto es f

a.dtype

Acceso a los elementos de un array

Para acceder a los elementos contenidos en un array se usan índices al igual que para acceder a los elementos de una lista, pero indicando los
índices de cada dimensión separados por comas.

Al igual que para listas, los índices de cada dimensión comienzan en 0.

También es posible obtener subarrays con el operador dos puntos : indicando el índice inicial y el siguiente al final para cada dimensión, de
nuevo separados por comas.

a = np.array([[1, 2, 3], [4, 5, 6]])

a[1, 0]

a[1][0]

a[:, 0:2] #Muestra todas las filas y las columnas del 0:2, pero solo va hasta 1, el ultimo no cuenta

Filtrado de elementos de un array

Una característica muy útil de los arrays es que es muy fácil obtener otro array con los elementos que cumplen una condición.

a[condicion] : Devuelve una lista con los elementos del array a que cumplen la condición condicion.

a = np.array([[1, 2, 3], [4, 5, 6]])

np.mean(a[(a>3)]) #mostrar promedio de los valores mayores a 3
#SI este ejercicio queremos hacer con listas, se tendria que recorrero las lista con un for y madar a otra lista y luego calcular

5.0

#Filtramos a los números pares
b=a[(a·%·2·==·0)]  #estos filtros se muestran en un arreglo de una dimension
print(b)

[2 4 6]

#Filtramos a los números pares y mayores que 2
a[(a % 2 == 0) &  (a > 2)]

array([4, 6])

Operaciones matemáticas con arrays

Existen dos formas de realizar operaciones matemáticas con arrays: a nivel de elemento y a nivel de array.

Las operaciones a nivel de elemento operan los elementos que ocupan la misma posición en dos arrays. Se necesitan, por tanto, dos arrays
con las mismas dimensiones y el resultado es una array de la misma dimensión.

Los operadores mamemáticos +, -, , /, %, * se utilizan para la realizar suma, resta, producto, cociente, resto y potencia a nivel de elemento.

a = np.array([[1, 2, 3], [4, 5, 6]])
b = np.array([[1, 1, 1], [2, 2, 2]])

print(a + b ) #suma elemento a elemento en la misma posicion

[[2 3 4]
[6 7 8]]
print(a / b)

[[1. 2. 3. ]
[2. 2.5 3. ]]

print(a ** 2)  #potencia

[[ 1 4 9]
[16 25 36]]

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a)

Estadística con Numpy

Con la librería NUMPY se pueden realizar los siguiente cálculos estadísticos sobre una serie de datos:

Promedio
Varianza
Desviación estándar
Percentiles
Mínimo
Máximo
Suma total

#Todas estas funciones sirve para hacer un analisis descriptivo

# Crear un array Numpy
array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(array)

[ 1 2 3 4 5 6 7 8 9 10]

# Calcular la media/promedio
mean = np.mean(array)
print("Media:", mean)

Media: 5.5

# Calcular la mediana
median = np.median(array)  #se encuentra en la mitad de los datos
print("Mediana:", median)

Mediana: 5.5

# Calcular la desviación estándar
std = np.std(array)
print("Desviación estándar:", std)

Desviación estándar: 2.8722813232690143

# Calcular la varianza
var = np.var(array)
print("Varianza:", var)

Varianza: 8.25

# Calcular el mínimo
min = np.min(array)
print("Mínimo:", min)

Mínimo: 1

# Calcular el máximo
max = np.max(array)
print("Máximo:", max)

Máximo: 10

# Calcular la suma
sum = np.sum(array)
print("Suma:", sum)
 Suma: 55

# Calcular el percentil 25.
p25 = np.percentile(array, 25)
print("Percentil 25:", p25)

Percentil 25: 3.25

# Calcular el percentil 50
p50 = np.percentile(array, 50)
print("Percentil 50:", p50)

Percentil 50: 5.5

# Calcular el percentil 75
p75 = np.percentile(array, 75)
print("Percentil 75:", p75)

Percentil 75: 7.75

Gráfica de histograma

#Esto es para hacer un analisis descriptivo
import matplotlib.pyplot as plt

# Crear un array Numpy de 1000 datos aleatorios
array = np.random.randn(1000)
print(array)

# Calcular la media y la desviación estándar del array
mean = np.mean(array)
std = np.std(array)

# Graficar un histograma del array
#plt.hist(array, bins=50, range=(mean-3*std, mean+3*std))
plt.hist(array)
plt.show()
[-4.61857520e-01 5.40330129e-01 1.10182302e-01 -1.20118821e-01
7.23763655e-01 8.19903627e-01 4.36030367e-01 -1.18317012e+00
-4.18754270e-02 3.79269486e-01 6.63988190e-01 -6.12154113e-02
-2.08456965e+00 4.80628957e-02 -5.45045220e-01 -5.33195645e-01
-1.06522853e+00 -9.02554424e-01 -2.15618856e+00 3.97657328e-01
8.41979231e-01 1.37012720e+00 3.49888420e-01 6.38346168e-01
-5.50739676e-01 1.90296227e-01 -1.58356512e+00 -1.90910201e+00
1.05559654e+00 -1.25604094e+00 -1.00566111e-01 -1.22811779e+00
5.97462501e-01 4.50213800e-01 -8.35856486e-01 -1.67423569e+00
-6.07352995e-01 -9.83599082e-01 7.04309335e-01 -1.20072608e-01
7.38937922e-01 3.79663142e-01 3.10466171e-01 -6.05652428e-01
-8.36072008e-01 1.37765789e+00 -2.98477716e-01 -1.43756482e+00
-2.38657099e-01 -2.18630804e+00 -1.11188516e+00 1.09516919e+00
8.79180080e-01 -9.38595538e-01 -3.75441049e-01 6.60194935e-01
2.08026962e-01 1.04800972e+00 7.26390389e-01 5.21371288e-01
-3.03983873e-01 -2.08189846e+00 -1.77830598e+00 -1.34133067e-01
1.53489378e-01 -2.08836910e+00 1.01998936e+00 -6.75713999e-01
3.66221234e-02 -2.11715383e-01 2.51002100e+00 8.87271693e-02
3.04749942e-02 -2.42472368e+00 -1.38101065e+00 6.53751917e-01
1.12380771e+00 3.64672166e-01 2.24952751e-01 -2.03847695e+00
-3.95891962e-01 1.10920793e+00 -5.63842038e-01 7.21044759e-02
1.34523700e+00 9.08444227e-01 -1.56404293e+00 9.45963585e-01
-1.00081743e+00 4.39526253e-01 1.02261145e+00 -3.84098685e-01
8.71612853e-02 9.60168459e-01 -3.98582305e-01 -4.91155446e-01
9.32440236e-01 1.03526754e+00 6.05153788e-01 -1.25295337e+00
3.28650872e-01 3.12450043e-01 2.22694037e+00 -1.44752479e+00
7.91277856e-01 2.61204818e-01 -2.59257072e-01 1.88552812e-01
-7.52312688e-01 1.37849217e+00 -8.79498937e-01 -2.44784506e-01
-5.35744705e-01 1.16816361e+00 -8.35886000e-01 -1.69363086e-01
-2.17379479e-01 -1.13366950e+00 -2.66002962e-01 4.21070905e-01
-8.04018300e-01 -2.61838916e-01 -2.47437318e-01 5.32595603e-01
9.04471794e-01 1.42329727e+00 6.73890189e-01 -2.06389671e+00
-2.29555693e+00 1.27635585e+00 1.01953587e-01 -8.32088850e-01
2.19770628e-01 9.79044598e-01 -1.18865370e+00 7.21171801e-01
-1.01359691e+00 1.89009786e+00 4.57824434e-01 1.07405254e+00
-1.60310232e+00 1.60095993e-01 -1.25035839e-01 -5.38029506e-01
-7.77734320e-01 3.18018494e-01 -3.24437103e-01 -2.29451152e-01
9.55778148e-01 -1.86856069e-01 3.02644241e-01 1.01092881e-01
-6.08161386e-01 5.71450577e-01 -3.03222878e-01 -1.77616849e+00
-7.14905290e-01 -4.14835261e-01 7.53993234e-03 -1.27973034e+00
-1.60738227e+00 7.64601312e-02 1.20345220e-01 -4.71317497e-01
-1.29740662e+00 6.83226680e-01 -4.15553406e-01 4.56672015e-01
5.07241573e-01 -6.31577822e-01 8.03236267e-01 -4.70989273e-01
-1.05500482e+00 -4.61204806e-01 2.19133948e+00 -1.12302896e+00
1.60583360e+00 -1.19406562e+00 -1.97324633e+00 -6.85772943e-01
8.30122071e-01 -7.09901318e-01 -1.22851031e+00 -1.46655142e+00
-2.66961909e-01 -6.50965223e-01 3.59427111e-03 6.16635785e-02
-1.12464008e+00 1.14677955e+00 1.09710668e+00 3.59821949e-01
5.19460566e-01 -1.72434287e+00 3.75488431e-01 -2.28394004e+00
1.85852475e-01 -1.84166502e+00 1.11059299e+00 -8.56894729e-02
-1.39576527e-01 4.86090981e-01 3.44199049e-01 8.44664192e-01
-2.21597408e+00 4.97044706e-01 2.30785487e+00 -1.16782857e+00
6.51211073e-02 -1.99139936e-01 3.94661014e-01 -7.56242893e-01
-6.43020905e-01 -3.38888756e-01 -1.04595962e+00 -2.27433103e-02
6.86479003e-01 6.47170293e-01 8.87906768e-01 6.67399197e-01
-6.78805317e-01 -1.36879238e-01 1.10042763e+00 9.31840270e-01
1.26457601e+00 9.23856697e-01 1.96469196e+00 -2.82649764e-01
1.84976638e+00 -2.06953445e-01 -1.39338616e+00 -1.92703816e-01
-1.46611799e-01 -3.59586624e-01 -1.64917836e-02 -8.87536285e-01
5.21474232e-01 9.34519162e-02 -1.31800291e-01 1.08001491e-01
-1.16545408e+00 -5.62709844e-01 9.93622557e-01 -3.23390568e-01
-1.86831479e+00 1.40570773e+00 9.77179322e-01 1.97505975e-01
-9.61852348e-01 9.12238130e-01 -6.98787383e-01 1.60525697e+00
5.16375690e-01 1.93630976e-01 4.60916701e-02 1.39815507e+00
-1.95280305e-01 -1.89601687e+00 -2.41621539e-01 1.95063000e-01
-1.43149161e+00 4.23912760e-01 2.32595973e-01 -8.14126390e-01
-1.01534789e+00 -9.43207313e-01 -1.44760456e+00 -4.35612754e-01
-8.90301944e-01 -8.17751058e-01 -7.95129515e-02 -1.48670724e-01
-3.11973541e+00 1.51212207e+00 1.74543038e-01 1.49366344e+00
1.80817338e+00 1.36548308e+00 -1.53234830e+00 1.76051505e+00
-1.15060800e+00 -4.43128966e-01 7.10616239e-01 -7.75593431e-01
4.54764558e-01 -4.94561619e-01 -7.48864326e-01 7.53157692e-01
6.64273807e-01 6.52431113e-01 9.62112503e-01 1.02657727e+00
1.68476102e-01 -1.03580464e+00 -1.58807827e-01 -1.84620729e-01
-1.41257767e+00 -4.12699407e-01 -8.16716385e-01 -5.74133139e-01
-1.52556533e+00 8.22559079e-01 -1.04805299e+00 1.46917480e-01
-1.95932926e-01 2.43867559e-02 8.85194398e-03 4.72108433e-01
4.45792271e-01 1.29923136e+00 -5.93397754e-01 -1.43732047e-01
-9.04638876e-01 1.65645938e+00 5.11888231e-02 -2.09924365e-01
-1.29299504e+00 3.21731705e-01 1.20821618e+00 7.21498312e-01
6.41561898e-01 5.53098643e-01 8.11504649e-01 -8.60829680e-01
-1.25385510e+00 1.13466217e+00 5.42714467e-01 -2.36415349e+00
-3.27909268e-01 7.85534826e-01 -1.53413264e+00 -1.69620732e+00
1.19812249e+00 9.00766597e-01 -8.63685533e-02 3.66898146e-01
3.25433476e-01 9.11758679e-01 -1.98637491e+00 3.05397731e-01
-2.40469404e-01 3.77181446e-01 -1.67019266e+00 -1.96465472e+00
-9.41282281e-01 1.19906571e+00 -2.50342212e-02 6.22859871e-01
1.67963108e+00 -1.40844695e+00 1.57769978e+00 1.04797932e-01
9.90802305e-01 -1.04414953e+00 1.54722177e+00 -6.81820932e-01
5.57907021e-02 6.97557079e-02 -1.85596489e+00 -1.08805082e+00
-2.74400562e-01 1.21507243e+00 1.15987451e+00 2.73818414e-02
-1.70759197e-01 -5.59449402e-01 4.70703986e-01 -7.30989037e-01
-8.90050537e-01 -5.62965735e-01 -7.28850905e-01 -1.07947376e+00
-6.04068282e-01 -1.23961522e+00 -9.27026003e-01 8.40177517e-03
-2.67086543e-01 -2.23362215e-01 9.56328626e-01 -1.10869752e+00
-3.28740506e-02 6.99517467e-01 -1.67357351e+00 -5.38151269e-01
3.58625243e-01 1.47904824e+00 -1.58782307e+00 3.35922395e-01
-8.98209400e-01 1.62998524e+00 3.19669620e-01 3.16000722e-01
5.45983061e-01 -6.30876599e-01 -7.82957015e-01 -1.15044602e+00
2.50684436e-01 6.89881260e-01 2.62523875e-01 -7.28772078e-01
-7.98069919e-01 -1.29087108e+00 -5.86110490e-02 -6.63814176e-01
1.28741102e+00 9.10144676e-01 4.21343781e-01 1.22068254e+00
7.84204212e-01 9.26532182e-01 -1.36123876e+00 9.16881180e-01
-5.77849091e-01 -8.76091180e-01 1.95885109e+00 -3.92765381e-01
-2.74562698e-01 4.60999756e-01 -1.07244778e+00 -3.69357883e-01
1.00051277e+00 1.32070560e+00 -5.38974534e-01 -6.55558848e-01
9.53096640e-01 9.35121156e-01 -8.54698255e-01 7.79356562e-01
-7.89991895e-01 3.77243963e-01 -8.12993069e-02 4.69521744e-02
-2.31495972e-02 -1.50542013e+00 -2.70605679e-01 5.72675691e-01
-2.31325447e-01 -1.01176085e+00 -1.21491547e+00 9.84389549e-01
-1.04834566e+00 -1.20318572e+00 -1.73980242e-01 1.08108271e+00
-1.21072639e-01 -1.67067465e+00 2.86847368e-01 -5.19084772e-01
5.88626922e-02 2.70793634e+00 8.88596755e-02 1.25658587e+00
-6.80812136e-01 -2.54019051e-02 2.16009092e-01 1.29598219e+00
6.49188150e-02 -3.45174451e-01 -6.20079705e-01 2.31360563e+00
2.81206237e-02 -3.62571556e-01 1.03789537e+00 5.18659041e-01
-9.20376327e-01 -2.09728480e+00 2.48826001e-01 6.64782780e-01
-9.21948853e-01 6.11548736e-01 -3.08911666e-01 -7.39163569e-01
-2.21139790e-01 1.68242167e-01 1.14241366e+00 3.17506723e-01
1.29356356e+00 5.24558724e-01 -6.57438739e-01 -2.21496525e-01
-2.08246007e+00 6.51064283e-01 -7.11212541e-01 5.64483273e-02
-7.12948942e-01 -1.86309106e-01 7.16746890e-03 1.07235841e+00
1.05655578e+00 -5.47045401e-01 -1.67520151e+00 9.49075262e-01
-5.64815618e-02 7.58110426e-01 -1.29638036e+00 -1.16349851e-01
1.83093797e-01 -3.77833688e-01 4.14504515e-01 -1.62806763e+00
2.74594324e-01 -8.02642788e-01 1.75476261e+00 9.46544655e-01
-1.62811416e+00 -4.83383471e-01 3.39698431e-01 1.61039913e-01
2.02694904e-01 1.30196266e+00 5.78351877e-01 -1.21922208e+00
-4.39040397e-01 1.24317243e+00 5.07658468e-01 6.86977488e-01
-4.87161129e-01 -6.73724497e-01 -4.70777343e-01 -3.16696971e-01
-1.20625612e+00 4.90760929e-01 1.52070259e+00 -7.47483935e-01
-1.27096220e+00 4.90888728e-01 1.53968748e+00 -4.85019528e-01
-8.30904568e-01 1.05051412e-01 -2.55715829e-02 1.28280132e+00
9.03065673e-01 -7.65211417e-01 -1.65722183e-01 -1.22010422e+00
-1.12976441e+00 3.74274839e-01 -1.81370525e+00 2.68652314e-01
-6.71206112e-02 -1.29967301e+00 -1.21832090e+00 7.74157509e-01
4.92446720e-01 -3.37743404e-02 1.11310071e-01 -3.97144091e+00
-6.41892469e-01 2.47341272e-01 3.19420485e-01 9.38314623e-01
-8.59435892e-01 -5.55520026e-01 -7.73539345e-01 5.69007993e-01
7.25589016e-01 -1.38986399e+00 -7.46354128e-01 6.46001642e-01
-1.68447332e-01 7.46466193e-02 1.86030692e-01 9.77849566e-01
-1.73398788e+00 -1.49989125e+00 -1.41387631e-01 4.13767402e-02
1.82542913e-01 -9.77091114e-01 -1.66303712e+00 1.09208663e+00
8.63089588e-02 3.85836604e-02 4.95830274e-02 1.72219466e-01
6.04839131e-01 -3.19970384e-01 -4.92677479e-01 -3.13442417e-01
-1.57270976e+00 2.13085098e-01 2.57811942e+00 1.00871370e+00
-1.73714882e+00 1.07505079e+00 -2.14302298e-01 -2.34077601e+00
-1.03096387e+00 -4.63805661e-01 -3.64366459e-01 8.51171879e-01
-7.14555018e-01 -5.28190637e-01 3.27894046e-01 1.84456667e+00
-9.25671622e-01 -1.43961839e-01 -2.66742896e+00 2.13073350e-01
1.03121308e+00 4.67786638e-01 1.94434706e+00 -1.09004940e+00
-5.87180277e-01 1.17708078e+00 1.71898644e+00 -1.38692508e+00
1.30922272e+00 3.83824433e-02 1.09897191e+00 1.69088200e+00
4.75141691e-01 -2.97761657e-01 -1.23269459e+00 1.97621727e+00
-1.25614391e+00 1.59039022e+00 -1.03152513e+00 -7.87904176e-01
3.76444880e-01 -2.02596084e-01 -8.57913971e-02 -2.10141473e-01
-3.69413086e-01 -5.26559583e-01 4.50510136e-01 -1.72275786e+00
-8.19923055e-02 -1.82438258e-01 -1.22585796e-02 -2.62994773e-01
4.22575067e-01 7.10035012e-01 1.15411381e+00 -1.06774884e+00
1.42732603e+00 -1.58878500e+00 -4.59869107e-01 -5.00386768e-01
1.88208082e+00 -3.26341258e-01 -6.47006300e-01 -4.43139468e-01
-6.09555016e-01 3.75671262e-01 2.83937993e+00 -1.02306898e+00
-5.59065850e-01 3.24063955e-01 4.72877782e-01 -1.01698401e+00
-4.28788565e-01 -1.31241497e-01 1.64739816e+00 6.57275939e-01
-1.57700823e-02 8.46313895e-01 -6.69896928e-01 1.66800776e+00
-1.15698955e+00 -3.63967591e-01 4.83657078e-01 -1.11587416e+00
-4.43934284e-01 -1.92652747e+00 -4.70033215e-01 -7.19326199e-01
6.04499353e-01 8.00520408e-01 8.84316179e-01 2.08933100e+00
-4.81658497e-01 -3.75692983e-01 -1.47029526e+00 3.09205994e-01
5.34719091e-01 -1.04688520e+00 -1.11761587e+00 7.06626409e-01
-9.10987480e-02 3.23225155e-01 -4.59935758e-01 -4.87280456e-01
-2.55643543e-01 -1.90990227e+00 1.42330810e+00 -3.48990436e-01
7.11085530e-01 -2.30276255e-02 1.09797332e+00 1.65080537e+00
-5.05918039e-01 2.71237599e+00 1.48314891e+00 2.66474271e+00
-7.84840437e-01 1.96924535e+00 -1.30656484e+00 -1.39016861e+00
5.62428089e-01 1.95236088e-01 -1.26837726e+00 5.58122560e-01
-1.67087182e+00 -1.55814144e+00 -1.26815909e+00 -3.41575596e-01
-2.21806490e+00 -2.27300771e+00 1.24425760e+00 -1.75552837e+00
2.44235669e-02 -9.52120886e-01 8.11369305e-01 1.21124499e-01
7.82386449e-01 -2.55631955e-01 9.87082785e-01 5.70618434e-01
3 23 903 0 3 00 88 32 0 833 0 28 30 0
 3.52356903e-01 3.00588132e-01 1.41833475e-01 4.42867430e-01
-6.09757547e-01 -3.50955379e-01 4.33696119e-01 2.89746786e-02
7.44386716e-01 1.03759176e-01 -9.31277826e-01 3.69011490e-01
-6.20446916e-01 -4.46631577e-01 6.94921149e-01 -2.52209895e+00
-1.04024645e-01 1.69578936e+00 2.25824473e-01 -2.32129893e-01
5.37045511e-01 -5.43047445e-01 1.49996588e+00 7.87460681e-02
4.66694660e-01 1.43814926e+00 -2.18262064e+00 -3.55462015e-02
1.44798938e+00 3.29528682e-01 4.25790245e-01 -1.22476841e+00
-1.31414729e+00 -4.53202778e-01 -9.35103453e-01 2.99788304e-01
3.85540126e-01 -4.39967700e-01 8.20853272e-01 6.00526474e-01
1.58143065e+00 5.85707557e-01 -8.58744642e-01 -1.02095592e+00
-9.64952186e-02 -4.02233486e-01 1.12530808e+00 3.58548219e-01
-3.26435487e-01 -2.85737221e-01 1.21439059e+00 -1.32847619e-02
4.46788239e-01 9.86935611e-01 9.45208789e-01 -6.00185637e-01
-7.14007569e-01 -9.88751957e-02 2.09454026e-01 -6.51003864e-01
-1.07315738e+00 -4.86889298e-01 -4.75433920e-01 -1.04881689e+00
-9.13166335e-01 -7.72470245e-01 -1.79351951e-01 9.54246949e-01
2.30875197e-01 -1.48588789e+00 -1.01152056e+00 -3.88769019e-01
-3.40751780e-01 2.11911785e-01 6.49061072e-01 -5.56456736e-01
6.68030351e-01 -1.14263794e-02 -5.03300242e-01 6.97430338e-01
-7.66430447e-01 3.94004505e-01 5.47089592e-01 9.59056587e-01
1.16886596e+00 6.19142132e-01 3.89880063e-01 -4.67372215e-01
4.15014820e-01 -5.90192040e-01 -9.24597753e-01 -1.36714626e+00
-2.87661399e-01 -8.46505600e-01 -6.49504464e-03 5.74788356e-01
-5.81963804e-01 5.70310804e-01 -7.83453066e-01 -8.74142284e-01
-8.08057777e-01 1.33644735e+00 9.14859325e-01 -8.02107241e-01
8.80008386e-01 1.37560035e+00 2.81512814e-01 7.22358327e-01
4.40753122e-01 -1.54759613e+00 2.03873691e+00 -7.30077406e-01
7.34934294e-01 -2.51056453e-01 5.24328435e-01 4.72232889e-01
-6.68215815e-01 1.68023962e+00 6.79918543e-01 3.91523883e-01
3.71327692e-01 5.58249406e-01 -2.22462124e+00 -2.93466541e-01
2.50497265e-02 5.86799721e-01 2.64866046e-01 -2.32484121e-02
-2.15967338e-01 -3.52818999e-01 -1.00215294e+00 1.86017916e-02
-1.04010142e+00 2.21465132e+00 -1.02873565e+00 7.03824088e-01
1.15470202e-01 7.58135047e-02 3.80535279e-01 -1.79335863e+00
3.47381961e-01 1.73397854e+00 2.18994921e-01 -1.93009071e+00
8.74440528e-01 -5.63861871e-01 9.79980578e-01 1.04047463e+00
1.46901297e+00 6.78671328e-01 5.51304935e-01 1.03965954e+00
1.53909936e+00 -8.93228311e-01 -2.21487350e-01 -6.45010983e-01
3.34680143e-01 5.06388832e-01 7.15504760e-02 -3.83474701e-01
-3.18169142e-01 1.65131682e+00 -2.63143159e+00 1.09754289e+00
-1.68728305e+00 -5.30477785e-01 4.24783464e-01 7.24654510e-02
2.39957811e-01 -6.71053138e-01 9.87826812e-01 1.35393474e+00
#EL valor mas alto seria la moda, los valores extremos, es decir a los costados son ruido
-9.07315296e-01 4.57427644e-01 -1.06745470e+00 6.21002699e-02
-1.02154636e+00 2.48341810e-02 -3.46330318e-01 3.30939235e-01
-1.28259921e+00 8.37361351e-01 -1.77086439e+00 1.50709556e+00
Ejercicio 1
-7.60792133e-01 4.00085040e-03 2.39425595e-01 -2.42156388e-01
9.58505166e-02 4.08303009e-01 -4.03333626e-01 -1.08532867e+00
-5.22838639e-01
Crear 3.25599226e-01
un array Numpy 7.30920337e-01 8.45588455e-01
con números enteros
-5.79151600e-02 8.81335547e-01 1.20459949e+00 2.98174607e+00
Crear un array Numpy
1.46388401e+00 con números-5.91284553e-01
-6.18581593e-01 flotantes 7.59527179e-01
8.90872437e-01 6.03802866e-01 -7.30061806e-01 -1.77643497e+00
-1.81947868e-01 -3.23884082e-01 -2.12029312e+00 -9.30705448e-02
arreglo1=np.array([1,2,3,4,5,6,7,8,9,10])
-2.83000562e-01 3.24944353e-01 -2.83058476e-01 -3.01758580e-01
7.36185954e-01 3.06028633e-01 4.31679349e-01 7.95069739e-01
arreglo2=np.array([1.4,2.7,3.2,4.4,5.9,6.1,7.8,8.4,9.12,10.45])
1.37437099e+00 -1.87331517e-01 -1.15340014e+00 1.98783672e+00
print(arreglo1)
-1.07254785e+00 4.63850267e-02 6.38328649e-01 -9.36432909e-01
print(arreglo2)
1.96079950e+00 -8.66627459e-02 -5.34318489e-01 -3.11227539e-01
print(arreglo2)
2.05133687e+00 -1.78476375e+00 -1.36048287e+00 -4.62546450e-01
1.48055609e+00 5.40117506e-01 2.26427609e-01 5.07004961e-02
-1.30613994e+00 2.31241426e-01 -1.19797767e+00 1.92232905e+00
-6.23128425e-01 8.10418416e-01 -8.82464932e-01 7.70815689e-01
[ 1 2 3 4 5 6 7 8 9 10]
-1.92610174e+00 1.17447291e+00 5.10033889e-01 -5.77373886e-02
[ 1.4 2.7 3.2 4.4 5.9 6.1 7.8 8.4 9.12 10.45]
-8.33956862e-01 -1.49552434e+00 -7.37967186e-01 -9.58140347e-01
[ 1.4 2.7 3.2 4.4 5.9 6.1 7.8 8.4 9.12 10.45]
7.03833617e-01 -1.18697644e+00 -1.30889564e+00 2.03231798e+00
-5.50306656e-01 -4.06016761e-02 1.76105538e+00 -9.09246012e-01
-1.99403920e+00 -7.57781080e-01 -8.65226553e-01 9.20789145e-01
-8.29675043e-01 -8.00611019e-01 -1.95225893e+00 -7.55721744e-01
-2.59457810e-01 -8.23105307e-01 3.17957441e-01 -1.67300077e+00
-1.34651656e+00 -2.31507978e-01 5.78398129e-01 -6.54404772e-01]
Ejercicio 2
Dado el siguiente arreglo:

array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])

Se pide:

Obtener el tercer elemento

Seleccionar los elementos del array con valores impares

array = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
print(array[2])
resultado=array[(array % 2 == 1)]
print(resultado)

3
[1 3 5 7 9]
Ejercicio 3
Para un conjunto determinado de notas (Leer de consola) implementar un algoritmo para determinar el máximo, min y prom, luego de registrar
las nota.

import numpy as np
cantidad=int(input("Ingresar cantidad de notas: "))
notas=np.zeros(cantidad)
for i in range(0,cantidad):
  #notas=np.append(notas, valor) #agrega valor al array numpy llamado notas   --  otra forma de hacerlo, pero sin inicializarlo con zeros
  notas[i]=float(input("Ingresar nota: "))
print("Mayor nota: ", notas.max())
print("Menor nota: ", notas.min())
print("Promedio de notas: ", notas.mean() )

Ingresar cantidad de notas: 3

Ingresar nota: 12
Ingresar nota: 11
Ingresar nota: 20
Mayor nota: 20.0
Menor nota: 11.0
Promedio de notas: 14.333333333333334

Ejercicio 4
Registrar los sueldos y turnos (1,2,3) de un numero determinado de empleados e indique el sueldo promedio por cada turno.

Ejercicio 5
Crear un array Numpy de datos aleatorios
Calcular la media y la desviación estándar del array
Calcular los percentiles 25, 50 y 75 del array
Graficar un histograma del array

import numpy as np
cantidad=int(input("Ingresar cantidad de datos aleatorios: "))
arreglo=np.random.randn(cantidad)
print(arreglo)
print(arreglo.mean())
print(arreglo.std())
print(np.percentile(arreglo,25))
print(np.percentile(arreglo,50))
print(np.percentile(arreglo,75))

#Esto es para hacer un analisis descriptivo
import matplotlib.pyplot as plt

# Graficar un histograma del array
plt.hist(arreglo, bins=50, range=(mean-3*std, mean+3*std))
#plt.hist(arreglo)
plt.show()
Ingresar cantidad de datos aleatorios: 60
[ 0.50225438 -1.71611573 -1.32077127 0.8932961 0.05816077 -0.90091942
0.79573274 -0.30972629 1.04671901 -1.32175068 0.38552972 -0.52638579
1.71448669 1.23209568 -0.72010022 1.55774899 1.83110174 0.13794135
1.58427127 -0.55906214 -1.82059194 0.99673106 -1.57945881 1.1488961
-0.50222662 -0.21604044 0.1564091 0.84272305 -1.39536247 1.33199104
-0.27313613 -0.43084258 0.89953244 -2.75687734 0.52331234 -0.14779156
0.89331708 0.25070226 -0.84435951 -1.65214295 1.88658677 1.30638019
-0.09438431 -0.02777501 1.62971022 0.08218832 1.13696165 -1.49890482
-0.77872081 0.80642278 -0.1542268 -1.06684652 0.07978099 0.07425622
-1.20527028 -1.07008805 -0.80800391 -0.43911493 -0.98133529 0.30448479]
-0.017143462441911197
1.0699327661881424
-0.8170928075156396
0.015192881560031311
0.8933013430613874

check 6 s completado a las 21:42