matriz numpy en python

Funciones y métodos de Python

Una lista es un tipo de datos que contiene una secuencia ordenada de elementos. Las listas son un tipo de datos útil porque le permiten almacenar múltiples valores relacionados en una variable. Con una lista, puede almacenar los nombres de 10 pares de zapatos en una variable; podría almacenar una lista de las compras que ha realizado en una tienda en una variable.

Si bien el tipo de datos de lista integrado ya es poderoso, para casos de uso más avanzados, es posible que le falte. Ahí es donde entra en juego el tipo de datos de matriz de NumPy. La biblioteca NumPy se puede usar para crear matrices con múltiples dimensiones con facilidad.

En esta guía, vamos a hablar sobre lo que Las matrices NumPy son, por qué son útiles y cómo puede trabajar con ellas en su código. ¡Empecemos!




¿Qué es una matriz NumPy?

Una matriz NumPy es el objeto de matriz utilizado dentro de la biblioteca NumPy Python. NumPy, que significa Python numérico, es un paquete que se usa a menudo para la computación científica y matemática. Viene acompañado de una variedad de herramientas que pueden ayudar con el análisis de datos y matemáticas avanzadas. & Nbsp;

En vanilla Python (Python sin ningún paquete externo), las matrices son potentes pero pueden ser lentas de procesar. Las matrices NumPy, por otro lado, apuntan a ser órdenes de magnitud más rápidas que una matriz Python tradicional.

Este aumento de rendimiento se logra porque las matrices NumPy almacenan valores en un lugar continuo en la memoria. Esto facilita que Python acceda y manipule una lista.




Cómo declarar una matriz NumPy

Para comenzar, configuremos una matriz NumPy. Para este tutorial, vamos a almacenar valores de cadena en nuestra matriz. Estos valores de cadena son una lista de los dulces que se ofrecen en una cafetería local. Comenzaremos importando la biblioteca NumPy:

 importar numpy como np 

Esta línea de código importa numpy de Python y asigna a la biblioteca el nombre np . Esto significa que cada vez que necesitemos trabajar con nuestra matriz, solo debemos llamar a np .

El 81% de los participantes afirmó que se sentía más seguro acerca de sus perspectivas laborales de tecnología después asistiendo a un campo de entrenamiento. Asigne a un bootcamp hoy mismo.

El graduado promedio de un bootcamp pasó menos de seis meses en la transición profesional, desde comenzar un bootcamp hasta encontrar su primer trabajo.

A continuación, vamos para declarar nuestra matriz usando la interfaz de matriz:

 treats = np.array (["Blueberry Muffin", " Cinnamon Bun "," Jammy Shortbread "]) print (golosinas) 

Nuestra matriz contiene cuatro valores de cadena. Como una matriz de Python tradicional, hemos incluido todos los elementos de nuestra lista entre corchetes. Para declarar una matriz NumPy, hemos utilizado el método de matriz que forma parte de np . Esto crea un objeto ndarray , que es el tipo de matriz NumPy integrado.


Nuestro código devuelve una copia de nuestra matriz original, clasificada como una matriz NumPy:

 [' Blueberry Muffin' 'Cinnamon Bun'' Jammy Shortbread'] 

Eso es todo: ahora tenemos una matriz con la que podemos trabajar.


Matrices NumPy: Dimensiones

Cuando hablamos de dimensiones en NumPy, no nos referimos a mundos nuevos como los que verías en las películas. Una dimensión en una matriz es un nivel de profundidad dentro esa matriz. Cuando se utiliza el término dimensión, se refiere a matrices anidadas. Estas son matrices que contienen matrices.

Una matriz puede tener cualquier número de dimensiones. La mayoría de las matrices que trabajar con matrices 1-D, 2-D o 3-D. La & ldquo; D & rdquo; significa dimensión.

NumPy 1-D Array

En nuestro primer ejemplo, creamos una matriz 1-D. Esta es una matriz que contiene matrices (o elementos) 0-D como sus elementos. La mayoría de las matrices con las que trabajará serán 1-D.

Creemos una matriz que almacene los precios de las golosinas en la cafetería:

 importar numpy as np precios = np.array ([1.95, 2.00, 2.05]) imprimir (precios) 

Nuestro código devuelve una matriz en una dimensión, almacenando nuestros valores: [1.95 2. & nbsp; 2.05]. & Nbsp;

Para acceder a un elemento de una matriz 1-D, puede usar la misma sintaxis que usaría con una lista de Python. Recuperemos el segundo elemento de nuestra lista:

 imprimir (precios [1]) 

Nuestro código devuelve el elemento con el valor de índice 1, que es: 2.

Para obtener más información sobre las matrices de Python, lea nuestro guía para principiantes de las matrices de Python .

NumPy 2-D Array

No todas las matrices son 1-D. Supongamos que queremos almacenar una matriz que contiene dos matrices. Una matriz almacena los dulces que se venden en la cafetería; la otra matriz almacena una lista de cafés vendidos en la tienda. Juntos, forman parte de una matriz de elementos de menú .


Creemos esta matriz usando NumPy:

 importar numpy as np menu_items = np.array ([["Blueberry Muffin", "Cinnamon Bun", "Jammy Shortbread"], ["Cappuccino", "Espresso", "Mocha"]]) print (menu_items) 

La matriz resultante es:

 [['Blueberry Muffin'' Cinnamon Bun' 'Jammy Shortbread'] [' Cappuccino' 'Espresso'' Mocha']] 

Nuestra matriz recién creada tiene dos dimensiones. La primera matriz dentro de nuestra matriz contiene una lista de dulces; la segunda matriz contiene una lista de cafés. Observe que ambas matrices están encerradas dentro de un par de corchetes que conectan las dos matrices.

Recuperar elementos de una matriz 2-D funciona de manera ligeramente diferente en NumPy que lo hace en Python. Para acceder a elementos de una matriz 2-D, debe separar los números de índice del valor que desea recuperar de la matriz.

Considere este código:

"Career Karma entró en mi vida cuando más lo necesitaba y rápidamente me ayudó a combinar con un bootcamp. ¡Dos meses después de graduarme, encontré el trabajo de mis sueños que se alineaba con mis valores y metas en la vida!"

Venus, ingeniero de software de Rockbot

Nuestro código devuelve: Jammy Shortbread. Hemos recuperado el elemento con el valor de índice 2 que se almacena dentro de la matriz con el valor de índice 0. En este caso, hemos recuperado el último elemento de la matriz que almacena los dulces vendidos en la cafetería.

NumPy 3-D Array

¡Agreguemos otra dimensión! Las matrices NumPy pueden contener matrices 3-D. Esta es una matriz que contiene matrices 2-D.

Supongamos que queremos almacenar los siguientes valores:

  • Alimentos dulces y no dulces ofrendas (emparejadas, pero en arreglos separados); y
  • Bebidas con y sin cafeína (emparejadas, en matrices separadas);

Todos estos valores deben almacenarse dentro de una matriz. Las dimensiones de esta matriz son:

  • 1-D: todos los elementos del menú
  • 2-D: dulce y no dulce alimentos, bebidas con cafeína y sin cafeína
  • 3-D: alimentos dulces, alimentos no dulces, bebidas con cafeína, sin cafeína

Creemos esta matriz usando NumPy. Pegue el siguiente código en un archivo de Python:

 import numpy as np menu_items = np.array ([[ ["Muffin de arándanos", "Pan de canela", "Jammy Shortbread"], ["Rollo de tocino ahumado", "Panini de atún derretido", "Tostada de queso y tomate"]], [["Cappuccino", "Espresso", " Mocha "], [" Jugo de manzana "," Agua "," Jugo de naranja "]]]) print (menu_items) 

Nuestro código devuelve:

 [[[' Blueberry Muffin' 'Cinnamon Bun'' Jammy Shortbread'] ['Smoked Bacon Roll'' Tuna Melt Panini' 'Cheese and Tomato Toastie']] [['Cappuccino'' Espresso' 'Mocha'] [' Jugo de manzana' 'Agua'' Jugo de naranja']]] 

Hemos creado un matriz con toda la información que discutimos anteriormente. Esta matriz es una lista completa de todos los elementos del menú que ofrece la cafetería.


Acceder a elementos de una matriz 3-D funciona de manera similar a la sintaxis que usa para acceder a elementos de una matriz 2-D. La diferencia es que debe especificar un tercer índice number para recuperar un elemento de una matriz 3-D. Vamos a recuperar & ldquo; Mocha & rdquo; de nuestra matriz:

 print (menu_items [1, 0, 2]) 

Nuestro código devuelve: Mocha.

1 es el número de índice de la 1ª dimensión a la que queremos acceder (1 corresponde a nuestras bebidas); 0 es el número de índice de la 2da dimensión (0 corresponde a las bebidas con cafeína); 2 es el número de índice de la 3ra dimensión (2 corresponde a Mocha).




Count las dimensiones en una matriz

Las matrices NumPy pueden empezar a verse bastante complicadas cuando comienzas a agregar nuevas dimensiones. Ni siquiera hemos exp arrays que tienen más de tres dimensiones! Afortunadamente para usted, existe un atajo útil que puede usar para calcular cuántas dimensiones tiene una matriz.

Pegue el siguiente código en un archivo Python:

 importar numpy as np menu_items = np.array ([[" Blueberry Muffin "," Cinnamon Bun "," Jammy Shortbread "], [" Cappuccino "," Espresso "," Mocha "]]) print (menu_items.ndim) 

Ejecutemos nuestro código. El valor & ldquo; 2 & rdquo; es regresado. Esto nos dice que nuestra matriz contiene dos dimensiones, lo cual podemos ver que es cierto al analizar nuestra matriz anterior.




Conclusión

Las matrices NumPy son una forma flexible de almacenar valores similares. Son más rápidos y eficientes que los arreglos tradicionales de Python. Puede trabajar con múltiples dimensiones utilizando matrices NumPy con facilidad; esto es más difícil de hacer en vanilla Python.

¡Ahora está listo para comenzar a usar matrices NumPy como un programador experto!





matriz numpy en python: StackOverflow Questions

Tutorials