Fundamentos de NumPy: arrays, matrices y operaciones matemáticas

Introducción a la biblioteca NumPy

La biblioteca NumPy es la base fundamental para la computación científica en Python. Gracias a numpy python, los desarrolladores pueden trabajar de manera eficiente con arrays multidimensionales, matrices y realizar operaciones matemáticas de alto rendimiento.

NumPy es una pieza clave en el ecosistema de análisis de datos, machine learning y cálculos de ingeniería. Frameworks populares como Pandas, Scikit-learn, TensorFlow y muchas otras herramientas de programación científica utilizan activamente esta biblioteca.

Este material ofrece una guía completa sobre numpy arrays, que te ayudará a dominar el trabajo con arrays y matrices. Aprenderás a realizar operaciones aritméticas y lógicas, así como a combinar y modificar estructuras de datos de forma eficiente.

Instalación y configuración inicial de la biblioteca

Proceso de instalación de NumPy

Para instalar la biblioteca numpy python, usa el gestor de paquetes pip:

pip install numpy

Verificación de la instalación correcta

Después de la instalación, se recomienda verificar la versión de la biblioteca:

import numpy as np
print(np.__version__)

Este comando mostrará la versión actual de la biblioteca instalada, confirmando que la instalación fue exitosa.

Objetos principales de NumPy: trabajo con arrays

¿Qué es ndarray?

El objeto principal de la biblioteca es el array (ndarray). Es una versión mejorada de las listas estándar de Python, especialmente optimizada para la ejecución rápida de operaciones matemáticas. Los arrays de NumPy se almacenan en memoria de forma más compacta y se procesan mucho más rápido que las listas normales.

Creación de arrays unidimensionales

La forma más sencilla de crear un array:

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]

Trabajo con arrays multidimensionales

Para crear un array bidimensional (matriz):

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

Resultado:

[[1 2]
 [3 4]]

Propiedades principales de los arrays NumPy

Atributos clave de los arrays

Cada numpy array tiene un conjunto de propiedades importantes:

• ndim - número de dimensiones del array
• shape - dimensión del array en forma de tupla
• size - número total de elementos en el array
• dtype - tipo de datos de los elementos del array

Uso práctico de las propiedades

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim)   # 2 (array bidimensional)
print(arr.shape)  # (2, 3) (2 filas, 3 columnas)
print(arr.size)   # 6 (6 elementos en total)
print(arr.dtype)  # int64 (tipo de dato)

Comprender estas propiedades es fundamental para trabajar de manera eficiente con numpy arrays de diferentes dimensiones.

Funciones especiales para crear arrays

Arrays con valores predefinidos

NumPy proporciona funciones convenientes para crear arrays de tipo especial:

• np.zeros() - crea un array de ceros
• np.ones() - crea un array de unos
• np.eye() - crea una matriz identidad
• np.full() - crea un array con un valor específico

zeros_array = np.zeros((2, 3))     # Array 2x3 de ceros
ones_array = np.ones((3, 3))       # Array 3x3 de unos
identity = np.eye(3)               # Matriz identidad 3x3

Funciones para generar secuencias

• np.arange() - crea una progresión aritmética
• np.linspace() - crea valores distribuidos uniformemente