Numpy, una librería para cálculo numérico y análisis de datos

Numpy ayuda con el tratamiento de datos y el cálculo numérico. Es similar a la librería Pandas y la complementa.

Es fundamental para el cálculo numérico y el manejo de arrays multidimensionales. Es ampliamente utilizada en ciencia de datos, machine learning, y computación científica.

Instalación:

$ pip install numpy

Verificar instalación:

$ pip list

Podemos crear un script para verificar que se ha instalado:

verify.py

import numpy as np
print(np.__version__)

Ejecutando el script:

$ py verify.py

Veremos la versión instalada.

¿Qué se puede hacer con Numpy?

1. Estructuras de datos: Arrays

Crear arrays multidimensionales (ndarrays) para almacenar datos numéricos. Ejemplo:

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

Soporta arrays de cualquier dimensión (1D, 2D, 3D, etc.). Operaciones vectorizadas: cálculos rápidos sin bucles explícitos.

2. Operaciones matemáticas.

Aritmética: Suma, resta, multiplicación, división, etc., elemento por elemento. 

Ejemplo:

arr1 + arr2, arr * 2

Funciones matemáticas: Seno, coseno, exponencial, logaritmo, etc. 

Ejemplo:

np.sin(arr)
np.exp(arr)

Estadísticas: Media, mediana, desviación estándar, etc. 

  Ejemplo:

np.mean(arr) 
np.std(arr)

3. Manipulación de arrays.

Reshape y redimensionamiento: 

Cambiar la forma de un array. 

 Ejemplo:

arr.reshape(2, 3) 

(de 1D a 2D) 

Indexación y segmentación: 

Acceder a elementos o subarrays. 

Ejemplo:

arr[0, 1]
arr[1:3]

Concatenación y división: Unir o dividir arrays. Ejemplo:

np.concatenate([arr1, arr2])
np.split(arr, 2)

4. Álgebra lineal

Operaciones con matrices: Producto punto, transposición, inversa, etc. Ejemplo:

np.dot(arr1, arr2)
np.linalg.inv(matrix)

Resolución de sistemas lineales:

np.linalg.solve(A, b)

Cálculo de determinantes, valores propios, etc. Ejemplo:

np.linalg.det(matrix)

5. Generación de datos.

Crear arrays con valores específicos: 

Secuencias:

np.arange(0, 10, 2)
np.linspace(0, 1, 5)

Valores constantes:

np.zeros((2, 3))
np.ones((2, 3))

Valores aleatorios:

np.random.rand(2, 3)
np.random.randint(0, 10, size=(2, 3))

6. Operaciones lógicas y filtrado.

Filtrar datos con condiciones:

arr[arr > 5]

Operaciones lógicas:

np.logical_and(arr > 0, arr < 10)

7. Eficiencia y rendimiento.

Operaciones optimizadas para grandes volúmenes de datos (mucho más rápido que listas de Python). Soporte para cálculos en paralelo y uso eficiente de memoria.

8. Interoperabilidad.

Integración con otras librerías como Pandas, SciPy, Matplotlib, y Scikit-learn. 

Ejemplo: Convertir un array de NumPy a un DataFrame de Pandas:

pd.DataFrame(arr)

Veamos un ejemplo.

ejemplo.py

import numpy as np

# Crear un array 2D
arr = np.array([[1, 2, 3], [4, 5, 6]])

# Operaciones
print(arr + 10)  # Suma 10 a cada elemento
print(np.mean(arr, axis=1))  # Media por fila
print(np.dot(arr, arr.T))  # Producto matricial

Ejecutamos:

$ py ejemplo.py

Salida:

[[11 12 13]
 [14 15 16]]
[2. 5.]
[[14 32]
 [32 77]]

En conclusión, NumPy es la base para muchas otras librerías científicas en Python y es ideal para trabajar con datos numéricos de forma eficiente.

Enlaces:

https://numpy.org/