Numpy: Arreglos y Matrices

Lenguaje Programación - Ingeniería en Geología

Profesor: MSc. Santiago Quiñones

Docente Investigador

Departamento de Ingeniería Civil

Contenidos

Arreglos 

Matrices

Arreglos numpy

Resumen de listas

  • Poderosas
  • Colección de valores
  • Mantener datos de diferentes tipos
  • Cambiar, agregar, remover
  • Necesidad de la ciencia de datos
    • Operaciones matemáticas sobre colecciones
    • Velocidad

Ilustración

height = [1.73, 1.68, 1.71, 1.89, 1.79]
print(height)
[1.73, 1.68, 1.71, 1.89, 1.79]
weight = [65.4, 59.2, 63.6, 88.4, 68.7]
print(weight)
[65.4, 59.2, 63.6, 88.4, 68.7]
weight / height ** 2
TypeError: unsupported operand type(s) for ** or pow(): 'list' and 'int'

Abrir enlace

Solución: Numpy

  • Python numérico
  • Alternativa a las Listas de Python: Arreglos Numpy
  • Cálculos en arreglos enteros
  • Fácil y rápido
  • Instalación
    • En la terminal: pip install numpy

Numpy

np_height = np.array(height)
print(np_height)
array([1.73, 1.68, 1.71, 1.89, 1.79])
np_weight = np.array(weight)
print(np_weight)
array([65.4, 59.2, 63.6, 88.4, 68.7])
bmi = np_weight / np_height ** 2
print(bmi)
array([21.85171573, 20.97505669, 21.75028214, 24.7473475,  21.44127836])
import numpy as np

Numpy: observaciones

np.array([1.0, "is", True])
array(['1.0', 'is', 'True'], dtype='<U32')

Arreglos numpy: contendrá un solo tipo

Numpy: observaciones

python_list = [1, 2, 3]
numpy_array = np.array([1, 2, 3])
[1, 2, 3, 1, 2, 3]

Diferentes tipos: ¡comportamiento diferente!

python_list + python_list
numpy_array + numpy_array
array([2, 4, 6])

Subconjuntos en Numpy

bmi
bmi[1]
20.975
array([21.85171573, 20.97505669, 21.75028214, 24.7473475,  21.44127836])

Arreglos Numpy 2D

Matrices

Arreglos Numpy 2D

np_2d = np.array([[1.73, 1.68, 1.71, 1.89, 1.79],
                  [65.4, 59.2, 63.6, 88.4, 68.7]])

print(np_2d)                  
array([[1.73, 1.68, 1.71, 1.89, 1.79],
      [65.4, 59.2, 63.6, 88.4, 68.7]])
np_2d.shape               
(2, 5) # 2 filas, 5 columnas
np.array([[1.73, 1.68, 1.71, 1.89, 1.79],
          [65.4, 59.2, 63.6, 88.4, "68.7"]])
                  
array([['1.73', '1.68', '1.71', '1.89', '1.79'],
      ['65.4', '59.2', '63.6', '88.4', '68.7']])

Subconjuntos


         0       1     2     3     4
  
array([[ 1.73, 1.68, 1.71, 1.89, 1.79],      0
       [ 65.4, 59.2, 63.6, 88.4, 68.7]])     1
np_2d[0]               
array([[1.73, 1.68, 1.71, 1.89, 1.79])

Subconjuntos


         0       1     2     3     4
  
array([[ 1.73, 1.68, 1.71, 1.89, 1.79],      0
       [ 65.4, 59.2, 63.6, 88.4, 68.7]])     1
np_2d[0][2]               
1.71
np_2d[0, 2]               
1.71

Subconjuntos


         0       1     2     3     4
  
array([[ 1.73, 1.68, 1.71, 1.89, 1.79],      0
       [ 65.4, 59.2, 63.6, 88.4, 68.7]])     1
np_2d[:, 1:3]               
array([[1.68, 1.71], 
       [59.2, 63.6]])

Subconjuntos


         0       1     2     3     3
  
array([[ 1.73, 1.68, 1.71, 1.89, 1.79],      0
       [ 65.4, 59.2, 63.6, 88.4, 68.7]])     1
np_2d[:, 1:3]               
array([[1.68, 1.71], 
       [59.2, 63.6]])
np_2d[1, :]               
array([65.4, 59.2, 63.6, 88.4, 68.7])

Subconjuntos

np_table

Subconjuntos

np_table

Subconjuntos

np_table

Subconjuntos

np_table

Subconjuntos

np_table

Subconjuntos

np_table

Subconjuntos

np_table

Modificando matrices