Puntos clave: NumPy es un potente paquete para crear y manipular arrays, esencial para la computación científica y el aprendizaje automático. Mejora las capacidades numéricas de Python y soporta diversos tipos de datos.
- Funcionalidades eficientes de creación y manipulación de arrays.
- Incluye características clave como remodelación, corte y un rango para rellenar arreglos.
Si estudiamos Pandas, tenemos que estudiar NumPy, porque Pandas incluye NumPy. Aquí presentaré NumPy y compartiré algunas funciones básicas.
¿Qué es NumPy?
NumPy están un paquete que Crea arrays. Permite te Haz arrays de números con diferente precisión y escala, además de cadena, por lo que están especialmente útil para la computación científica.
Python por sí solo solo tiene floats, enteros y números imaginarios. Pero NumPy amplía lo que Python puede hacer porque maneja:
- Números de 32 bits
- 15 grandes números
- Números firmados
- Números sin signo
- Y más
Pero esa no es la única razón para utilizar NumPy. Está diseñado para la eficiencia y la escala, lo que lo convierte en el workhouse para grandes bibliotecas de aprendizaje automático (ML) como TensorFlow.
Ahora, echemos un vistazo a algunas funciones básicas de los arrays NumPy.
Creación de un array NumPy
Crea un array con np.array(<array>).
No pongas np.array(1,2,3,4,5) porque 1,2,3,4,5 no están un array. NumPy interpretaría los elementos después de las comas como parámetros de la función array().
Esto crea un array:
Resultados:
import numpy as np
arr = np.array([1,2,3])
arr
Resultados:
array([1,2,3])
Forma de la matriz
Un array tiene forma, igual que, por ejemplo, un array 2x2, un array 2x1, etc.
Consulta la forma así:
arr.shape
te debería llamar a esto un vector si te quieres entenderlo mejor, ya que no es 3x1, porque solo tiene una dimensión, y un están en blanco no es dimensión.
(3,)
Esto están 3x1 ya que están un array de 3 arreglos de dimensión 1x1.
Resultados:
arr = np.array([[1],[2],[3]])
arr.shape
Resultados:
(3, 1)
Remodelando un array
te pueden remodelar un array de formas m x n en cualquier combinación que están un divisor de m x n. Este array de forma (6,) puede remodelarse a 2x3 ya que 2*3=6 divide 6.
Resultados:
import numpy as np
arr = np.array([1,2,3,4,5,6]).reshape(2,3)
print(arr)
Resultados:
[[1 2 3]
[4 5 6]]
Arange
Fíjate que esta función no están organizar sino ordenar, como en rango de array. utiliza para archivar un array con números. (son Hay muchas formas de hacerlo, un tema que trataremos en una publicación posterior.)
Resultados en:
import numpy as np
arr = np.arange(5)
arr
Resultados en:
array([0, 1, 2, 3, 4])
Corte
Cortar un array están un tema difícil que se vuelve más fácil con la práctica. Aquí son algunos ejemplos sencillos.
Toma esta matriz.
arr = np.array([1,2,3,4,5,6]).reshape(2,3)
arr
Que se ve así:
array([[1, 2, 3],
[4, 5, 6]])
(Aunque te podría decir que tiene 2 filas y 3 columnas para Haz más fácil de entender, eso no es técnicamente correcto. Cuando te tienen más de dos dimensiones, el concepto de filas y columnas desaparece. Por eso es mejor decir dimensiones y ejes.)
Estas operaciones de corte significan Comienza en la segunda posición del primer eje y se va hasta el final:
Resultados en:
arr[1:]
Resultados en:
array([[4, 5, 6]])
Esto empieza desde el principio y llega al final:
Resultados en:
arr[0:]
Resultados en:
array([[1, 2, 3],
[4, 5, 6]])
Añade una coma para especificar qué columna:
Resultados en:
arr[:,1]
Resultados en:
array([2, 5])
Selecciona a lo largo del otro eje así:
Resultados en:
arr[1,:]
Resultados en:
array([4, 5, 6])
Selecciona un solo elemento.
Resultados:
arr[1,0]
Resultados:
4
Escalón
arr = np.array([1,2,3,4,5,6])
arr[1:6:2]
array([2, 4, 6])
Con esto concluye esta introducción.
Lecturas relacionadas
Guía de Pandas
- Introducción y tutoriales de Pandas para principiantes
- Pandas: Cómo leer archivos CSV y JSON
- Cómo Crea un Dataframe Pandas a partir de un diccionario
- Cómo agrupar, concatenar y fusionar datos en Pandas
- Tipos de datos de Pandas
- Manejo de datos faltantes en Pandas: Explicación de los valores de NaN
- Introducción de NumPy con ejemplos
- Uso de StringIO para leer archivos de texto delimitados en NumPy
- Usando la función estadística NumPy Bincount
- Funciones y distribuciones estadísticas principales de NumPy
Estas publicaciones son mías y no representan necesariamente la posición, estrategias u opinión de BMC.