Creación y uso de matrices de NumPy en Python

Introducción

Esta práctica ofrece una guía paso a paso para crear y utilizar matrices de NumPy. Las matrices de NumPy son estructuras multidimensionales y parecidas a una cuadrícula que se utilizan para el cálculo científico y el análisis de datos en Python. Tienen varias ventajas en comparación con las listas de Python, como un cálculo más rápido, una manipulación más fácil y una gestión de memoria mejorada.

Consejos sobre la VM

Una vez finalizada la inicialización de la VM, haga clic en la esquina superior izquierda para cambiar a la pestaña Cuaderno y acceder a Jupyter Notebook para practicar.

En ocasiones, es posible que tenga que esperar unos segundos a que Jupyter Notebook termine de cargarse. La validación de las operaciones no se puede automatizar debido a las limitaciones de Jupyter Notebook.

Si tiene problemas durante el aprendizaje, no dude en preguntar a Labby. Deje su retroalimentación después de la sesión y lo resolveremos rápidamente para usted.

Instalación de NumPy

Antes de poder comenzar a crear y utilizar matrices de NumPy, es necesario instalar el paquete de NumPy. Esto se puede hacer con el siguiente comando:

!pip install numpy

Creación de una matriz de NumPy

Para crear una matriz de NumPy, podemos utilizar la función numpy.array(). Podemos pasar una lista, una tupla o cualquier objeto similar a una matriz a esta función, y la convertirá en una matriz de NumPy. El parámetro dtype se puede utilizar para definir explícitamente el tipo de datos de la matriz.

import numpy as np

## crear una matriz de NumPy de una dimensión
arr1 = np.array([1, 2, 3])

## crear una matriz de NumPy de dos dimensiones
arr2 = np.array([[1, 2, 3],[4, 5, 6]])

Verificación de la forma y las dimensiones de una matriz de NumPy

Podemos utilizar los atributos shape y ndim de una matriz de NumPy para verificar su forma y dimensiones, respectivamente. El atributo shape devuelve una tupla con el número de elementos en cada dimensión de la matriz, mientras que el atributo ndim devuelve el número de dimensiones de la matriz.

import numpy as np

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

print(arr.shape) ## salida: (2, 3)
print(arr.ndim) ## salida: 2

Acceso a los elementos de una matriz de NumPy

Podemos acceder a los elementos de una matriz de NumPy utilizando indexación y segmentación, al igual que con las listas de Python. El índice de una matriz de NumPy siempre comienza en 0.

import numpy as np

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

print(arr[0, 1]) ## salida: 2
print(arr[:, 1]) ## salida: array([2, 5])

Realizar operaciones en matrices de NumPy

Las matrices de NumPy admiten muchas operaciones diferentes, como operaciones aritméticas, funciones de agregación y operaciones lógicas. Por ejemplo, podemos utilizar las funciones sum() y mean() para calcular la suma y la media de los elementos de una matriz de NumPy:

import numpy as np

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

print(arr.sum()) ## salida: 21
print(arr.mean()) ## salida: 3.5

Reajustar y transponer matrices de NumPy

Podemos reajustar una matriz de NumPy utilizando la función reshape(). Esta función toma una tupla de la forma deseada como argumento. También podemos transponer una matriz de NumPy utilizando el atributo transpose() o T.

import numpy as np

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

## reajustar la matriz a 3 filas y 2 columnas
arr_reshaped = arr.reshape((3, 2))

## transponer la matriz
arr_transposed = arr.transpose()
arr_T = arr.T

print(arr_reshaped) ## salida: array([[1, 2],[3, 4],[5, 6]])
print(arr_transposed) ## salida: array([[1, 4],[2, 5],[3, 6]])
print(arr_T) ## salida: array([[1, 4],[2, 5],[3, 6]])

Resumen

En este laboratorio, aprendimos cómo crear y utilizar matrices de NumPy en Python. Cubrimos los pasos básicos de creación de una matriz, verificación de su forma y dimensiones, acceso a sus elementos, realización de operaciones sobre ella y reajuste y transposición de la misma. Con estas habilidades, podemos trabajar de manera eficiente con matrices multidimensionales para el cálculo científico y el análisis de datos.