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]])
2. Operaciones matemáticas.
Aritmética: Suma, resta, multiplicación, división, etc., elemento por elemento.arr1 + arr2, arr * 2
np.sin(arr) np.exp(arr)
np.mean(arr) np.std(arr)
3. Manipulación de arrays.
Reshape y redimensionamiento:arr.reshape(2, 3)
arr[0, 1] arr[1:3]
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)
np.linalg.solve(A, b)
np.linalg.det(matrix)
5. Generación de datos.
Crear arrays con valores específicos:np.arange(0, 10, 2) np.linspace(0, 1, 5)
np.zeros((2, 3)) np.ones((2, 3))
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]
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.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/
Comentarios
Publicar un comentario