NumPy Python: 1 introducción

En este tutorial, o serie de tutoriales de Numpy para Python, vamos a hacer uso de esta biblioteca o paquete de Python para el manejo de arreglos, arrays, vectores o matrices, como las quieras llamar. Vamos a trabajar con arreglos de n dimensiones, modificar su forma, operarlos y manipularlos para obterner diferentes resultados.

numpy

¿Que es NumPy?

NumPy es una biblioteca de Python que tiene como principal objetivo la utilización de arreglos multidimensionales. Desde mi punto de vista, cubre una necesidad para el manejo de este tipo de datos en donde sus aplicaciones en la algebra resultan mas que evidentes.

La ventaja que se tiene que NumPy es la facilidad de crear objetos de arreglos y solamente mandar llamar los miembros o metodos que ejecutarán las tareas determinadas. En este primer tutorial veremos algunos de los metodos o funciones mas comunes de esta biblioteca.

Instalar NumPy

Primero que nada, NumPy viene ya preinstalada en algunas versiones de paquetes como Anaconda. Sin embargo, si no lo tuvieras instalado, seria solamente introducir en la terminal el comando.

pip install numpy

Atención, si usas Anaconda y usas entornos virtuales (lo cual es aconsejable, y mas con paquetes que sean muy especializados, en este caso con NumPy, recomendamos instarlo como general). Puedes usar el siguiente comando.

conda create -n nombre-de-entorno

conda activate nombre-de-entorno

conda install numpy

Primeros pasos

Para llamar esta biblioteca requerimos importarla, lo recomendable es importarlo de la siguiente manera:

import numpy as np

Creando un objeto de array

Para crear un objeto solo tenemos que mandar llamar el objeto np y su método array de la siguiente manera.

import numpy

Si queremos crear un objeto multidimensional, solamente tenemos que definir explicitamente el tamaño del mismo. Por ejemplo:

np.array

Listo! hemos creado nuestros primeros arreglos en NumPy, ahora vamos a ver algunas de los atributos y metodos mas comunes.

NumPy atributos

La clase de arreglos de esta biblioteca se llama ndarray, por lo tanto se definen a continuación con dicha clase, pero para tu arreglo, solo hay que sustituir el nombre particular del arreglo.

ndarray.ndim nos da el nuimero de ejes o dimensiones del arreglo.

ndim

ndarray.shape nos retorna el tamano del arreglo, en tipo bidimensional o matricial, lo retorna en (n,m) donde son filas y columnas respectivamente.

ndarray.shape

ndarray.size nos da el numero total de elemntos que corresponden al arreglo.

ndarray.size

Funciones y metodos

La lista de funciones y métodos es muy larga, para el alcance de este tutorial solo nos vamos a centrar en las mas sencillas o principales. Sin embargo, la lista mas completa la pueden encontrar en la siguietne liga. https://numpy.org/doc/stable/reference/routines.html#routines

numpy.arange(start, stop, step) nos retorna valores igualmente distribuidos en un intervalo determinado. Por ejemplo si requerimos una secuencia de 0 a 10 en intervalos de 2 pondremos como parametros de entrada 0,10,2.

numpy.arange

numpy.array(object) genera el arreglo en funcion al parametro introducido en object. La manera de creacion de una arreglo con array es explicita.

numpy.array

numpy.linspace(start, stop, samples) nos regresa un arreglo linealmente distribuido, la diferencia con el metodo arange es que aqui no definimos el inervalo si no las muestras por todo el espacio, esto es la cantidad de datos que queremos en el vector.

numpy.linspace

numpy.logspace(start, stop, samples) igual que el anterior, pero el espaciado es en modo logaritmico.

numpy.logspace

numpy.ones(shape) genera un arreglo de unos de la forma introducida.

numpy.ones(shape)

numpy.zeros(shape) genera un arreglo de ceros de la forma introducida.

numpy.zeros

numpy.array_split(ary, indices_or_sections) divide un arreglo en múltiples sub-arreglos.

numpy.array_split

numpy.concatenate((a1, a2, …)) concatena arreglos.

numpy.concatenate

numpy.reshape(a, newshape) reacomoda los valores del arreglo a en la forma indicada. Por ejemplo un vector convertirlo a una matriz.

numpy.reshape

Ademas tenemos algunos otros argumentos como max, min, para determinar el maximo y minimo de un arreglo. Sort, para ordenar los datos de una arreglo. Para una suma acumulativa tenemos cumsum, o sum para la suma de todos los elementos del arreglo.

Para aplicaciones estadísticas tenemos cov, mean, std y var, que resuelven la covariancia, el valor medio o promedio, la desviación estándar y la varianza.

Finalmente, recordarles que este tutorial es solo una revisión general, para la documentación mas extensa favor de referirse a la documentación directa de la biblioteca.

Deja una respuesta

Tu dirección de correo electrónico no será publicada.