Guía de referencia: Matrices
ASÍ COMO has aprendido, NumPy es una potente librería capaz de realizar cálculo numérico avanzado. Una de sus principales ventajas es la posibilidad de trabajar con matrices, ya que una operación aplicada a un vector se ejecuta mucho más rápido que la misma operación aplicada a una lista. El aumento del rendimiento se hace aún más evidente cuando se trabaja con grandes volúmenes de datos. Esta lectura es una guía de referencia para trabajar con arrays NumPy.
Guardar este elemento del curso
Si lo desea, puede guardar una copia de esta guía para futuras consultas. Utilízala como recurso para prácticas adicionales o en tus futuros proyectos profesionales. Para acceder a una versión descargable de este elemento del curso, haga clic en el siguiente enlace y seleccione "Usar plantilla."
O
Si no dispone de una cuenta de Google, descargue el elemento directamente desde el archivo adjunto que aparece a continuación.
Crear un array
Como has descubierto, para usar NumPy, primero debes importarlo. La práctica estándar es alias como np.
np.array()
Esto crea un ndarray (array n-dimensional). No hay LIMIT en el número de dimensiones que puede tener un array NumPy, pero los arrays con muchas dimensiones pueden ser más difíciles de trabajar.
matriz unidimensional:
matriz bidimensional:
matriz tridimensional:
np.ceros()
Crea una matriz de una forma determinada que se rellena previamente con ceros:
Crea una matriz de una forma determinada que se rellena previamente con unos:
Y esto crea una matriz de una forma designada que se rellena previamente con un valor especificado:
Para inicializar una matriz de un tamaño y forma específicos, y luego llenarla con valores derivados de un cálculo
Asignar memoria para un uso posterior
Para realizar operaciones matriciales
Métodos de matrices
Las matrices de NumPy tienen muchos métodos que permiten manipularlas y operar con ellas. Para obtener una lista completa, consulte la documentación sobre matrices de NumPy. Algunos de los métodos más utilizados son los siguientes:
ndarray.flatten()
Devuelve una copia de la matriz comprimida en una dimensión.
Da una nueva forma a un array sin cambiar sus datos.
Esto convierte un array en un objeto lista. Las matrices multidimensionales se convierten en listas anidadas.
Funciones matemáticas
Los arrays de NumPy también tienen muchos métodos que son funciones matemáticas:
ndarray.max(): devuelve el valor máximo en la matriz o a lo largo de un eje especificado.
ndarray.mean(): devuelve la media de todos los valores de la matriz o a lo largo de un eje especificado.
ndarray.min(): devuelve el valor mínimo de la matriz o de un eje especificado.
ndarray.std(): devuelve la desviación estándar de todos los valores de la matriz o a lo largo de un eje especificado.
Atributos de las matrices
Las matrices de NumPy tienen varios atributos que permiten acceder a información sobre la matriz. Algunos de los atributos más utilizados son los siguientes:
ndarray.shape: devuelve una tupla de las dimensiones de la matriz.
ndarray.dtype: devuelve el tipo de datos del contenido de la matriz.
ndarray.size: devuelve el número total de elementos de la matriz.
ndarray.T: devuelve la matriz transpuesta (las filas se convierten en columnas y las columnas en filas).
Acceda a elementos individuales de una matriz NumPy utilizando indexación y corte. La indexación en NumPy es similar a la indexación en listas de Python, excepto que se pueden usar múltiples índices para acceder a elementos en matrices multidimensionales.
>>import numpy as np >>print(array_3d) >>print(" ") >>print(array_3d[0,0])
>>>
[[[1 2] [3 4] [5 6] [7 8]]] [1 2]
El rebanado también puede usarse para acceder a subarreglos de un arreglo NumPy:
>># Rebanado >>import numpy as np >>a = np.array([(1,2,3),(4,5,6)]) >>print(a) >>print(" ") >>print(a[:,1:])
>>>
[[1 2 3]
[4 5 6]]
[[2 3]
[5 6]]
Operaciones con arrays
Las matrices NumPy soportan muchas operaciones, incluyendo funciones matemáticas y aritméticas. Éstas incluyen la suma y multiplicación de matrices, que realiza aritmética elemento a elemento en matrices:
>># suma de matrices >>a = np.array([(1,2,3),(4,5,6)]) >>b = np.array([(1,2,3),(1,2,3)]) >>c = a + b >>print(c)
>>>
[[2 4 6] [5 7 9]]
Además, hay cerca de 100
funciones matemáticas útiles que se pueden aplicar a matrices individuales o múltiples.
Mutabilidad
Las matrices de NumPy son mutables, pero con ciertas limitaciones. Por ejemplo, un elemento existente de un array puede ser cambiado:
>># Mutabilidad de array >>a = np.array([(1, 2), (3, 4)]) >>a[1][1] = 100 >>a
>>>
array([[ 1, 2], [ 3, 100]])
Sin embargo, el array no puede alargarse o acortarse.
Cómo almacenan los datos en memoria las matrices NumPy
Las matrices NumPy funcionan asignando un bloque contiguo de memoria en el momento de la instanciación. La mayoría de las otras estructuras en Python no hacen esto; sus datos están dispersos por la memoria del sistema. Esto es lo que hace que los arrays de NumPy sean tan rápidos; todos los datos se almacenan juntos en una dirección concreta de la memoria del sistema.
Curiosamente, esto es también lo que impide que un array sea alargado o acortado: La memoria contigua está ocupada por otra información. No hay espacio para más datos en esa dirección de memoria. Sin embargo, los elementos existentes de la matriz pueden sustituirse por otros nuevos.
La única forma de alargar un array es copiar el array existente a una nueva dirección de memoria junto con los nuevos datos.
