¡Descarga Numpy y gestión de proyectos y más Apuntes en PDF de Programación Informática solo en Docsity!
NumPy Array
El array es el principal objeto de la librería. Representa datos de manera estructurada y se puede acceder a ellos a traves del indexado, a un dato específico o un grupo de muchos datos específicos. lista = [1, 2 , 3, 4, 5, 6, 7, 8, 9] lista ---> [1, 2, 3, 4, 5, 6, 7, 8, 9] arr = np.array(lista) type (arr) ---> numpy.ndarray matriz = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] matriz = np.array(matriz) matriz ---> array([[1, 2, 3], [4, 5, 6], [7, 8, 9]]) El indexado nos permite acceder a los elementos de los array y matrices Los elementos se emepiezan a contar desde 0. arr[0] ---> 1 Es posible operar directamente con los elementos. arr[0] + arr[5] ---> 7 En el caso de las matrices al indezar una posición se regresa el array de dicha posición. matriz[0] ---> array([1, 2, 3]) Para seleccionar un solo elemento de la matriz se especifica la posición del elemento separada por comas. matriz[0, 2] ---> 3 El slicing nos permite extraer varios datos, tiene un comienzo y un final. En este ejemplo se está extrayendo datos desde la posición 1 hasta la 5. [1:6]. arr[1:6] ---> array([2, 3, 4, 5, 6]) Si no se ingresa el valor de Start se toma el incio como la posición 0. arr[:6] ---> array([1, 2, 3, 4, 5, 6]) En cambio si no se le da una posción de End se regresan todos los elementos hasta el final del array. arr[2:] ---> array([3, 4, 5, 6, 7, 8, 9]) También se puede trabajar por pasos. En este ejemplo de 3 en 3. Regresa la posición 0, 0 + 3, 3 + 3 y como no hay posición 6 + 3, no se regrese nada. arr[::3] ---> array([1, 4, 7])
Cuando se le asigna un valor negativo se regresan los valores comenzando desde la última posición del array. arr[-1] ---> 9 arr[-3:] ---> array([7, 8, 9]) Para el caso de las matrices sucede algo similar. Para acceder a los valores a nivel de filas. matriz[1:] ---> array([[4, 5, 6], [7, 8, 9]]) Para acceder a los valores a nivel de filas y columnas. matriz[1:, 0:2] ---> array([[4, 5], [7, 8]])
Tipos de datos
Los arrays de NumPy solo pueden contener un tipo de dato, ya que esto es lo que le confiere las ventajas de la optimización de memoria. Podemos conocer el tipo de datos del array consultando la propiedad .dtype. arr = np.array([1, 2, 3, 4]) arr.dtype ---> dtype('int64') Si queremos usar otro tipo de dato lo podemos definir en la declaración del array. arr = np.array([1, 2, 3, 4], d type = 'float64') arr .d type ---> dtype('float64') Ahora vemos que los valores están con punto decimal. arr ---> array([1., 2., 3., 4.]) Si ya se tiene el array definido se usa el método .astype() para convertir el tipo de dato. arr = np.array([1, 2, 3, 4]) arr = arr. astype (np.float64) arr ---> array([1., 2., 3., 4.]) También se puede cambiar a tipo booleano recordando que los números diferentes de 0 se convierten en True. arr = np. array ([0, 1, 2, 3, 4]) arr = arr.astype(np.bool_) arr ---> array ([ False , True , True , True , True ]) También podemos convertir los datos en tipo string. arr = np.array([0, 1, 2, 3, 4]) arr = arr.astype(np.string_) arr ---> array([b'0', b'1', b'2', b'3', b'4'], dtype='|S21') De igual forma se puede pasar de string a numero. arr = np.array(['0', '1', '2', '3', '4'])
[ 7 8 9]
[10 11 12]]
[[13 13 15]
[16 17 18]
[19 20 21]
[22 23 24]]]
Agregar o eliminar dimensiones
Se puede definir el número de dimensiones desde la declaración del array vector = np.array([1, 2, 3], ndmin = 10) print(vector) ----> [[[[[[[[[[1 2 3]]]]]]]]]] vector.ndim ----> 10 Se pueden expandir dimensiones a los array ya existentes. Axis = 0 hace refencia a las filas, mientras que axis = 1 a las columnas. expand = np.expand_dims(np.array([1, 2, 3]), axis = 0 ) print (expand) ----> [[1 2 3]] expand.ndim ----> 2 Remover/comprimir las dimensiones que no están siendo usadas. print(vector, vector.ndim) ----> [[[[[[[[[[1 2 3]]]]]]]]]] 10 vector_2 = np.squeeze(vector) print(vector_2, vector_2.ndim) ----> [1 2 3] 1
Reto
- Definir un tensor de 5 dimensiones
- Sumar una dimensión en algún eje
- Borrar dimensiones que no se usen
tensor5 = np.array([[[[1, 2],[3, 4]], [[5, 6],[7, 8]]], [[[1, 2],[3, 4]], [[5, 6],[7, 8]]]], ndmin = 5) print(tensor5, tensor5.ndim) [[[[[1 2] [3 4]] [[5 6] [7 8]]] [[[1 2] [3 4]] [[5 6] [7 8]]]]] 5
expand5 = np.expand_dims(tensor5, axis=1) print(expand5, expand5.ndim) [[[[[[1 2] [3 4]] [[5 6] [7 8]]] [[[1 2]
[3 4]]
[[5 6]
[7 8]]]]]] 6
print(expand5, expand5.ndim) reduced5 = np.squeeze(expand5) print(reduced5, reduced5.ndim) [[[[[[1 2] [3 4]] [[5 6] [7 8]]] [[[1 2] [3 4]] [[5 6] [7 8]]]]]] 6 [[[[1 2] [3 4]] [[5 6] [7 8]]] [[[1 2] [3 4]] [[5 6] [7 8]]]] 4 Creando Arrays 1 ✅ np. arange (Start,Ens,Steps) → es como el list( range(0,10)) pero como arrange 2 ✅ np. zeros (n) 3 ✅ np. ones (n) 4 ✅ np. linspace (Start, End, Cant n de Start a End) 5 ✅ np. eye (n) ·· Matriz identidad Arrays con numeros randoms ☑ np. random.rand (Filas,Columnas, mas dimensiones ) ·· Ambos con numeros randoms ☑ np. random.randint (Start, End, Dimensiones) ·· N random entre Start y End y tupla dims
🟦🟦Shape y Reshape
Shape me indica la forma del arreglo Reshape transforma el arreglo mientras se mantengan los elementos. arr = np.random.randint( 1 , 10 ,( 3 , 2 ))
Una forma de ver lo que hace el Reshape según el argumento “C” o “F” es: Cuando apilamos los valores a través de Fortran, apilamos mediante columnas: Cuando apilamos los valores mediante el lenguaje C, apilamos mediante filas: No puedes cambiar la "forma" a la "forma" original del array, si tienes un (3,3) no lo puedes pasar a (4,2). No respeta los 9 elementos del array original RETO SHAPE Y RESHAPE #1 Crear un tensor / array con cualq dimensionalidad #2 Intercambiar valores de array #3 Crear un valor que no respete los valores originales print('Generando la matriz...') arr_reto = np.random.randint(1,100,(4,6)) print(f'La matriz es esta\n{arr_reto}\ntiene {arr_reto.ndim}') print() print('Intercambiando las dimensiones + ajuste dimensiones')
print('A') arr_reto_dims = np.squeeze(arr_reto.reshape(1,24)) #Concatenando Squeeze con el reshape print(f'La matriz es esta\n{arr_reto_dims}\ntiene {arr_reto_dims.ndim}') print() print('B') arr_reto_dims = np.squeeze(arr_reto.reshape(8,3)) #Concatenando Squeeze con el reshape print(f'La matriz es esta\n{arr_reto_dims}\ntiene {arr_reto_dims.ndim}') print() print('Generando un fallo intencional por incoherencia de dimensiones') print('arr_reto.reshape(4,10) --> le paso 40 elementos y son 24')
OTRO EJEMPLO DE LAS NOTAS
arr = np.random.randint(1,10,(4,3))
np.reshape(objeto_NumPy,(filas,columnas))
print("Este es el Array original 4X3: ","\n",arr,"\n") arr_tipo_c = np.reshape(arr,(3,4),"C") print("el objeto modificado 3X4 de forma del lenguje C es:","\n",arr_tipo_c,"\n") arr_tipo_f = np.reshape(arr,(3,4),"F") print("el objeto modificado 3X4 de forma del lenguje Fortran es:","\n",arr_tipo_f,"\n")
matriz.argmin(1) ----> array([4, 3]) Podemos saber la diferencia de valor más bajo con el más alto. arr.ptp() # 18 - 1 ----> 17 matriz.ptp(0) ----> array([ 3, 2, 10, 2, 14]) Para hacer análisis estádistico se tienen la siguientes funciones. Ordenar los elementos: arr.sort() ----> array([1, 3, 8, 9,10, 11,13, 15,15,18]) Obtener un percentil: np.percentile(arr, 0) ----> 1. Mediana: np.median(arr) ----> 10. Desviación estándar: np.std(arr) ----> 5. Varianza: np.var(arr) ----> 25. Promedio np.mean(arr) ----> 10. Lo mismo aplica para las matrices. np.median(matriz, 1) ----> array([ 8., 15.]) Se pueden unir dos arrays por medio de la concatenación a = np.array([[1,2], [3,4]]) b= np.array([5, 6]) np.concatenate((a,b), axis = 0)
ValueError Traceback (most recent call last) in () ----> 1 np.concatenate((a,b), axis = 0) <array_function internals> in concatenate(*args, **kwargs) ValueError: all the input arrays must have same number of dimensions, but the array at index 0 has 2 dimension(s) and the array at index 1 has 1 dimension(s) El error anterior es debido a a tiene 2 dimensiones mientras que b tiene 1. print (a.ndim) ----> 2 b .ndim ----> 1 b = np.expand_dims( b , axis = 0) np.concatenate(( a ,b), axis = 0) ----> array([[1, 2], [3, 4], [5, 6]]) De igual forma podemos agregarlo en el otro eje np.concatenate((a,b), axis = 1)
ValueError Traceback (most recent call last) in () 1 # De igual forma podemos agregarlo en el otro eje ----> 2 np.concatenate((a,b), axis = 1) <array_function internals> in concatenate(*args, **kwargs) ValueError: all the input array dimensions for the concatenation axis must match exactly, but along dimension 0, the array at index 0 has size 2 and the array at index 1 has size 1
Como b es una fila y no una columna, no se puede concatenar a menos que se aplique la transpuesta. np.concatenate(( a , b .T), axis = 1) ----> array([[1, 2, 5], [3, 4, 6]])
