• NumPy (Numerical Python) es uno de los paquetes más importantes para la computación numérica.
• La mayoría de librerías científicas utilizan sus objetos como lingua franca para el intercambio de datos.
• Algunas de sus principales características son:
  • ndarray: un array multidimensional que permite realizar operaciones aritméticas y de broadcasting de forma eficiente
  • Operaciones vectorizadas
  • Funcionalidades para el álgebra lineal, la generación de números (pseudo)aleatorios, transformadas de Fourier, etc.

Pocas veces es necesario usar NumPy directamente; veremos solo las características más importantes que ofrece.

Ya hemos hablado de las listas lista = [1, "python", [1,3]], que son colecciones lineales de elementos

También podemos crear matrices como listas anidadas:
M = [[0,1], [1,0]] $\;\Longleftrightarrow \; M = \begin{pmatrix}0 \;1 \\ 1 \;0 \end{pmatrix}$

Las listas son muy flexibles al admitir formas irregulares y tipos de datos heterogéneos, pero esta flexibilidad tiene un gran coste en eficiencia.

• Tienen un tamaño fijo, que se indica en su creación
• Todos sus elementos deben ser del mismo tipo (normalmente numéricos)
• Se pueden indexar de muchas formas, y NumPy provee cientos de operaciones vectorizadas sobre ellos
• Son similares a los vectores de R y de MATLAB, aunque hay ciertas diferencias

import numpy as np
a = np.arange(16).reshape(4,4)
print(a)  # array([[ 0,  1,  2,  3],
          #        [ 4,  5,  6,  7],
          #        [ 8,  9, 10, 11],
          #        [12, 13, 14, 15]])

print(a.ndim)   # 2
print(a.shape)  # (4, 4)
print(a.size)   # 16
print(a.dtype)  # int64

                

Creación de arrays

Hay muchos mecanismos de creación de arrays n-dimensionales

A partir de otras estructuras (listas y tuplas)

    import numpy as np
    
    mi_lista = [1, 2, 3]

    # Se puede especificar el tipo de dato
    a = np.array(mi_lista, dtype=np.string_)
    # y cambiarlo
    b = a.astype(float)   # array([1., 2., 3.]) 

    # Shape (2, 2, 2), dtype 'int32'
    a3D = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

                

Creación de arrays

Hay muchos mecanismos de creación de arrays n-dimensionales

Utilizando np.arrange y np.linspace para crear listas de rangos separados

  import numpy as np

  # Crear un array de 0 a 10, con salto de 2
  a = np.arange(0, 10, 2)    # array([0, 2, 4, 6, 8])

  # Crear un array de 0 a pi, con 10000 elementos
  b = np.linspace(0, np.pi, 10000) # array([0.00000000e+00, 3.14190684e-04, 6.28381369e-04, ...,
                                  #        3.14096427e+00, 3.14127846e+00, 3.14159265e+00])
              

Creación de arrays

Hay muchos mecanismos de creación de arrays n-dimensionales

Mediante funciones de creación:

  import numpy as np

  # Matriz 3x3 con 0 en todas las posiciones
  zeros = np.zeros((3, 3))
  
  # Matriz 2x4 con 1 en todas las posiciones
  ones = np.ones((2, 4))

  # Matrix 2x2 con valor infinito en todas las posiciones
  mat_inf = np.full((2, 2), np.inf)
  
  # Matriz identidad de 4x4
  id = np.eye(4)
  
  # Matriz 2x3 con valores aleatorios en [0,1)
  rand_arr = np.random.rand(2, 3)

      

Creación de arrays

Hay muchos mecanismos de creación de arrays n-dimensionales

import numpy as np

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

# Usando vstack (equivalente a np.concatenate con axis=0)
vstacked = np.vstack((a, b))  # array([[1, 2],
                              #        [3, 4],
                              #        [5, 6],
                              #        [7, 8]])

# Usando hstack (equivalente a np.concatenate con axis=1)
hstacked = np.hstack((a, b)) # array([[1, 2, 5, 6],
                             #        [3, 4, 7, 8]])
        

a = np.array([[1, 2], [3, 4], [5, 6]])
# Elementos específicos
print(a[0, 0])  # 1
print(a[1, 2])  # 4

# Segunda fila
print(a[1])     # [3, 4]
# Segunda columna
print(a[:, 1])  # [2, 4, 6]

# Slicing en varias dimensiones
# : indica todos los elementos en el respectivo eje
print(a[1:, 1:])  # [[4]
                  #  [6]]

        

Con np.ravel podemos linealizar un array y con arr.T hallar la traspuesta de una matriz!

import numpy as np
a = np.array([[1, 2], [3, 4]])
print(a.ravel())  # array([1, 2, 3, 4])
print(a.T)        # array([[1, 3],
                  #        [2, 4]])

        

También podemos añadir nuevos ejes con np.newaxis o np.expand_dims

import numpy as np
a = np.array([1, 2, 3])
print(a[:, np.newaxis])  # array([[1],
                         #        [2],
                         #        [3]])

        

Además de operar sobre 2 arrays, podemos agregar los elementos de uno mediante operadores como la suma, el máximo o el mínimo, entre muchos otros.

En vez de ejecutar esto sobre todo un array, podemos reducir en cada eje

import numpy as np
data = np.array([[1, 2], [3, 4]])
print(data.sum())  # 10
print(data.max())  # 4


print(data.sum(axis=0))  # array([4, 6])
print(data.max(axis=1))  # array([2, 4])
        

---

También es importante el broadcasting, que permite operar un array grande con otro pequeño (incluso con un escalar) "copiando" el pequeño varias veces a lo largo de un eje.

import numpy as np
a = np.array([1, 1, 1])
print(a + 5)    # array([6, 6, 6])

b = np.array([[1, 2, 3], [4, 5, 6]])
print(b + a)    # array([[2, 3, 4],
                #        [5, 6, 7]])

print(1 / (2 * a))    # array([0.5, 0.5, 0.5])

          

Existen algunas normas sobre cuando podemos hacer esto, se pueden consultar aquí