NumPy
Cálculo numérico eficiente con NumPy: arrays vs listas, creación, operaciones vectorizadas y ufuncs, slicing, broadcasting y estadísticas.
calculate
¿Qué es un array y por qué NumPy?
NumPy es la biblioteca fundamental para cálculo científico en Python. Su estructura central es el array: una colección de elementos del mismo tipo almacenados de forma contigua en memoria.
Array de NumPy vs lista de Python
| Característica | Array de NumPy | Lista de Python |
|---|---|---|
| Memoria | Contigua y homogénea (compacta) | Referencias a objetos (más pesada) |
| Velocidad | Operaciones en código compilado (C) | Bucles explícitos en Python (lento) |
| Vectorización | Opera sobre todos los elementos sin bucles | Hay que iterar manualmente |
python
import numpy as np a = np.arange(1_000_000)b = np.arange(1_000_000)c = a + b # suma vectorizada, sin bucles, mucho más rápida que con listasPor convención se importa como import numpy as np. Es un alias estándar en toda la comunidad: facilita leer y compartir código.
Convención
Cargando Quiz...
data_object
Crear arrays
Creamos un array desde una lista o tupla con np.array(). NumPy infiere el tipo (dtype); si hay flotantes, todo el array será flotante. Puedes forzarlo con dtype=.
python
import numpy as np array = np.array([1, 2, 3, 4, 5])mixto = np.array([1, 2.5, 3])print(mixto.dtype) # float64 matriz = np.array([[1, 2, 3], [4, 5, 6]]) # 2D desde lista de listasFunciones para generar arrays
np.arange(inicio, fin, paso): comorange, pero array.np.linspace(a, b, n):nnúmeros equiespaciados entreayb.np.zeros(forma)/np.ones(forma): arrays de ceros o unos.np.eye(n): matriz identidad.np.random.rand(n): valores aleatorios.
functions
Operaciones y funciones universales
Las operaciones aritméticas se aplican elemento por elemento (los arrays deben tener la misma forma). Con un escalar, este se aplica a cada elemento.
python
import numpy as npa = np.array([1, 2, 3])b = np.array([4, 5, 6])print(a + b) # [5 7 9]print(a * b) # [ 4 10 18]print(a + 10) # [11 12 13] (escalar)print(a ** 2) # [1 4 9]Las funciones universales (ufuncs) aplican una función matemática a cada elemento:
tune
Comparaciones, slicing y broadcasting
Comparaciones lógicas
Las comparaciones retornan arrays booleanos. Para combinar condiciones se usan & y |.
python
import numpy as npa = np.array([1, 2, 3, 4])print(a > 2) # [False False True True]print((a > 1) & (a < 4)) # [False True True False]Indexación y slicing
Funciona como en listas, pero en arrays 2D se indexa por dimensión: m[fila, columna], y con : se toman rangos. El argumento axis elige la dirección (0 = columnas, 1 = filas).
python
biotech
Estadísticas, concatenación y división
NumPy incluye funciones estadísticas listas para usar (y en arrays 2D aceptan axis):
python
import numpy as nparray = np.array([1, 2, 3, 4, 5])print(np.sum(array)) # 15print(np.mean(array)) # 3.0print(np.std(array)) # desviación estándarprint(np.max(array)) # 5print(np.argmax(array)) # 4 (índice del máximo)Para unir o partir arrays: