Scribd
Cargar
3 vistas

Numpy Arrays

Cargado por

martonio314
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
3 vistas

Numpy Arrays

Cargado por

martonio314
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
Está en la página 1/ 17

Cursos Básicos

Primer Ciclo 2024

Python- Numpy

https://numpy.org/
¿Qué veremos hoy?

• Vectores y matrices
• Numpy: Indexación, slicing, operaciones
• Generación de datos: zeros(),ones(),empty, arrage()
• Manipulación: reshape, resize,flatend
• Concatenación y división
• Ejercicios

• Manejo Básico de archivos


• Lectura, Escritura, CSV, txt
• Funciones de Numpy

• Ejercicios

*Agradecimientos Jose Colbes por los materiales de referencia


2
Qué es Numpy
NumPy (abreviatura de Numerical Python), es uno de los paquetes
fundamentales más importantes para la computación numérica en Python. La
mayoría de los paquetes computacionales que brindan funcionalidad científica
utilizan los objetos de matriz de NumPy como lenguaje común para el
intercambio de datos.

Algunos características importantes: .


• *ndarray*, un arreglo multidimensional eficiente que proporciona operaciones
aritméticas orientadas a arreglos rápidos y capacidades de transmisión flexibles.
• Funciones matemáticas para operaciones rápidas en arreglos completos de datos
sin tener que escribir bucles/ciclos.
• Proporciona formas de crear, almacenar y/o manipular datos, lo que le permite
integrarse sin problemas y rápidamente con una amplia variedad de bases de datos.
• Capacidades de álgebra lineal, generación de números aleatorios y
transformada de Fourier.
• Una API de C para conectar NumPy con bibliotecas escritas en C, C++ o FORTRAN.

3
Creando un arreglo en Numpy

4
Creando un arreglo en Numpy
Las secuencias anidadas, como una lista de listas de igual
longitud, se convertirán en una matriz multidimensional:
Creando arrays

1.Crear un arreglo de ceros:


np.zeros((3,4))
2.Crear un arreglo de unos:
np.ones((2,3,4), dtype=np.int16)
3.Crear un arreglo de valores equiespaciados (con paso):
d = np.arange(10,25,5)
4.Crear un arreglo de valores equiespaciados (con número de muestras):
np.linspace(0,2,9)
5.Crear un arreglo constante:
e = np.full((2,2),7)
6.Crear una matriz identidad:
f = np.eye(2)
7.Crear un arreglo con valores aleatorios:
np.random.random((2,2))
8.Crear un arreglo vacío:
np.empty((3,2))
Tipos Numpy arrays
Inspeccionando Elementos

1. a.shape
• Retorna las dimensiones del array a, indicando el número de filas y columnas en caso
de ser un array bidimensional.
2. len(a)
• Retorna la longitud del array a, es decir, el número total de elementos en el array.
3. b.ndim
• Retorna el número de dimensiones del array b, es decir, la cantidad de ejes que tiene el
array.
4. e.size
• Retorna el número total de elementos en el array e, equivalente a la multiplicación de las
dimensiones del array.
5. b.dtype
• Retorna el tipo de datos de los elementos del array b.
6. b.dtype.name
• Retorna el nombre del tipo de datos de los elementos del array b.
7. b.astype(int)
• Convierte los elementos del array b a un tipo de datos diferente, en este caso, a un tipo
entero.
Operadores
1. Suma y Resta: +, -
• Se utilizan para sumar y restar elementos de arrays de
forma element-wise.
2. Multiplicación y División: *, /
• Permiten multiplicar y dividir elementos de arrays de forma
element-wise.
3. Exponenciación: np.exp()
• Calcula la exponenciación de cada elemento de un array.
4. Raíz Cuadrada: np.sqrt()
• Calcula la raíz cuadrada de cada elemento de un array.
5. Funciones Trigonométricas: np.sin(), np.cos()
• Calculan el seno y coseno de cada elemento de un array.
6. Logaritmo Natural: np.log()
• Calcula el logaritmo natural de cada elemento de un array.
7. Producto Punto: np.dot()
• Calcula el producto punto entre dos arrays.
Funciones
Comparaciones Element-wise
• a == b: Comparación elemento a elemento.
• array([[False, True, True], [False, False, False]], dtype=bool)
• a < 2: Comparación elemento a elemento con un valor.
• array([True, False, False], dtype=bool)
• np.array_equal(a, b): Comparación de arrays completos.
• True si los arrays son iguales, False de lo contrario.

Funciones Estadísticas Array-wise


• a.sum(): Suma de todos los elementos del array a.
• a.min(): Valor mínimo en el array a.
• b.max(axis=0): Valor máximo en cada fila del array b.
• b.cumsum(axis=1): Suma acumulativa de los elementos a lo largo de
las filas del array b.
• a.mean(): Promedio de todos los elementos del array a.
• b.median(): Mediana de los elementos del array b.
• a.corrcoef(): Coeficiente de correlación de los elementos del array a.
• np.std(b): Desviación estándar de los elementos del array b.
Slicing
Indexación Boleana
Operaciones Matriciales
• Transponer Array: np.transpose()
• Permuta las dimensiones de un array.
• Cambiar Forma de Array: ravel(), reshape()
• ravel(): Aplana el array en una sola dimensión.
• reshape(): Cambia la forma del array sin cambiar los datos.
• Añadir/Quitar Elementos: resize(), append(), insert(), delete()
• resize(): Cambia la forma del array.
• append(): Añade elementos al final del array.
• insert(): Inserta elementos en una posición específica del array.
• delete(): Elimina elementos de una posición específica del array.
• Combinar Arrays: concatenate(), vstack(), hstack(), column_stack()
• concatenate(): Concatena arrays a lo largo de un eje específico.
• vstack(): Apila arrays verticalmente (por filas).
• hstack(): Apila arrays horizontalmente (por columnas).
• column_stack(): Crea arrays apilados por columnas.
• Dividir Arrays: hsplit(), vsplit()
• hsplit(): Divide el array horizontalmente en una posición específica.
• vsplit(): Divide el array verticalmente en una posición específica.
Manejo de archivos
Lectura de Archivos
• open(): Utilizamos la función open() para abrir un archivo en modo de lectura.
• Métodos de Lectura:
• read(): Lee todo el contenido del archivo.
• readline(): Lee una línea del archivo.
• readlines(): Lee todas las líneas del archivo y las devuelve como una lista.

with open("archivo.txt", "r") as archivo:


contenido = archivo.read()

Escritura de Archivos
• open(): Usamos la función open() con el modo de escritura ("w") para abrir un archivo en
modo de escritura.
• Modos de Apertura:
• "w": Escritura (sobrescribe el archivo existente).
• "a": Escritura (añade contenido al final del archivo).
# Escritura en archivo
with open("salida.txt", "w") as salida:
salida.write("Datos procesados:\n")
Manejo de arquivos Numpy

savetxt()
• Utilizada para guardar datos de arrays NumPy en un archivo de texto.
• Sintaxis:
python
• np.savetxt(nombre_archivo, datos, delimiter=',', fmt='%d')
• Parámetros:
• nombre_archivo: Nombre del archivo donde se guardarán los datos.
• datos: Array NumPy con los datos a guardar.
• delimiter: Delimitador que separa los valores en el archivo CSV.
• fmt: Formato de los datos en el archivo.
Manejo de arquivos Numpy
genfromtxt()
• Utilizada para cargar datos desde un archivo de texto en un array NumPy.
• Sintaxis:
python
• datos = np.genfromtxt(nombre_archivo, delimiter=',')
• Parámetros:
• nombre_archivo: Nombre del archivo del que se cargarán los datos.
• delimiter: Delimitador que separa los valores en el archivo CSV.
• La función genfromtxt() maneja automáticamente datos faltantes y tipos de datos mixtos

loadtxt()
• loadtxt() es más simple y eficiente que genfromtxt() cuando se trabaja con archivos de
texto que contienen
datos uniformemente estructurados (por ejemplo, todos los valores son del mismo tipo
y no hay datos faltantes).
• No maneja automáticamente valores faltantes o tipos de datos mixtos.
• Se puede utilizar para cargar datos desde archivos de texto donde todas las filas y
columnas tienen el mismo número de elementos.

También podría gustarte