Análisis con Python uso Biblioteca NumPy

 

Análisis con Python uso Biblioteca NumPy.ipynb

Volver

Análisis con Python uso Biblioteca NumPy

NumPy es una de las bibliotecas más fundamentales para la computación científica en Python, proporcionando un objeto de matriz potente y otras herramientas relacionadas.

Paso 1: Instalar NumPy

Primero, asegúrate de que NumPy esté instalado en tu entorno Python. Puedes instalarlo usando pip:

pip install numpy

Requirement already satisfied: numpy in /usr/local/lib/python3.10/dist-packages (1.23.5)

Paso 2: Importar NumPy

Para comenzar a usar NumPy, debes importarlo en tu script o notebook de Python:

import numpy as np

Paso 3: Crear Arrays con NumPy

NumPy es famoso por su objeto de array, el cual es más eficiente y versátil que las listas tradicionales de Python. Aquí te muestro cómo crear un array simple:

# Crear un array de una dimensión

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

print(arr)

[1 2 3 4 5]

Paso 4: Operaciones con Arrays

Puedes realizar operaciones matemáticas con estos arrays fácilmente.

# Sumar 10 a cada elemento

arr_plus_10 = arr + 10

print(arr_plus_10)

 

# Multiplicar elementos

arr_multiplied = arr * 2

print(arr_multiplied)

[11 12 13 14 15]

[ 2  4  6  8 10]

Paso 5: Indexación y Segmentación

La indexación y segmentación en NumPy es similar a las listas de Python pero con más funcionalidades.

# Obtener el tercer elemento (recordando que el índice comienza en 0)

third_element = arr[2]

print(third_element)

 

# Obtener los primeros tres elementos

first_three = arr[:3]

print(first_three)

3

[1 2 3]

Paso 6: Funciones y Estadísticas

NumPy tiene muchas funciones útiles para estadísticas y matemáticas.

# Calcular la media

mean = np.mean(arr)

print(mean)

 

# Calcular la desviación estándar

std_dev = np.std(arr)

print(std_dev)

3.0

1.4142135623730951

Paso 7: Operaciones Matriciales

NumPy es muy poderoso en operaciones matriciales, que son fundamentales en ciencia de datos y algoritmos de IA.

# Crear una matriz 2x2

matrix = np.array([[1, 2], [3, 4]])

 

# Transponer la matriz

transposed = matrix.T

print(transposed)

[[1 3]

 [2 4]]

Ejemplo Completo

Veamos un ejemplo combinando lo que hemos aprendido:

import numpy as np

 

# Crear un array

arr = np.array([1, 5, 7, 8, 2, 3])

 

# Calcular media y desviación estándar

mean = np.mean(arr)

std_dev = np.std(arr)

 

print("Media:", mean)

print("Desviación Estándar:", std_dev)

 

# Crear una matriz y transponerla

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

transposed = matrix.T

 

print("Matriz Original:\n", matrix)

print("Matriz Transpuesta:\n", transposed)

Media: 4.333333333333333

Desviación Estándar: 2.560381915956203

Matriz Original:

 [[1 2 3]

 [4 5 6]]

Matriz Transpuesta:

 [[1 4]

 [2 5]

 [3 6]]

Este es solo un inicio. NumPy tiene muchas más funcionalidades y es una herramienta esencial para cualquier persona interesada en la ciencia de datos y la inteligencia artificial. Te recomendaría experimentar con diferentes funciones y explorar la documentación oficial de NumPy para profundizar tus conocimientos.

Volver