Métodos numpy

Aquí tienes un listado de algunos de los principales métodos de NumPy, junto con una explicación detallada y ejemplos para cada uno de ellos:

1. Creación de Arrays

np.array()

• Descripción: Crea un array a partir de una lista o una tupla.
• Ejemplo:

    import numpy as np
  
    lista = [1, 2, 3, 4]
    array = np.array(lista)
    print(array)  # Output: [1 2 3 4]
  

np.zeros()

• Descripción: Crea un array de ceros con una forma específica.
• Ejemplo:

    zeros_array = np.zeros((3, 4))  # 3 filas y 4 columnas
    print(zeros_array)
    # Output:
    # [[0. 0. 0. 0.]
    #  [0. 0. 0. 0.]
    #  [0. 0. 0. 0.]]
  

np.ones()

• Descripción: Crea un array de unos con una forma específica.
• Ejemplo:

    ones_array = np.ones((2, 3))  # 2 filas y 3 columnas
    print(ones_array)
    # Output:
    # [[1. 1. 1.]
    #  [1. 1. 1.]]
  

np.arange()

• Descripción: Crea un array con un rango de valores.
• Ejemplo:

    range_array = np.arange(0, 10, 2)  # De 0 a 10 con pasos de 2
    print(range_array)  # Output: [0 2 4 6 8]
  

np.linspace()

• Descripción: Crea un array de números espaciados uniformemente entre dos valores.
• Ejemplo:

    linspace_array = np.linspace(0, 1, 5)  # 5 números entre 0 y 1
    print(linspace_array)  # Output: [0.   0.25 0.5  0.75 1.  ]
  

2. Manipulación de Arrays

np.reshape()

• Descripción: Cambia la forma de un array sin cambiar sus datos.
• Ejemplo:

    original_array = np.arange(12)  # [0, 1, 2, ..., 11]
    reshaped_array = original_array.reshape((3, 4))  # 3 filas, 4 columnas
    print(reshaped_array)
    # Output:
    # [[ 0  1  2  3]
    #  [ 4  5  6  7]
    #  [ 8  9 10 11]]
  

np.concatenate()

• Descripción: Concatena dos o más arrays a lo largo de un eje específico.
• Ejemplo:

    array1 = np.array([1, 2, 3])
    array2 = np.array([4, 5, 6])
    concatenated_array = np.concatenate((array1, array2))
    print(concatenated_array)  # Output: [1 2 3 4 5 6]
  

np.split()

• Descripción: Divide un array en múltiples sub-arrays.
• Ejemplo:

    array_to_split = np.array([1, 2, 3, 4, 5, 6])
    split_arrays = np.split(array_to_split, 3)  # Divide en 3 partes
    print(split_arrays)  # Output: [array([1, 2]), array([3, 4]), array([5, 6])]
  

3. Operaciones Matemáticas

np.add(), np.subtract(), np.multiply(), np.divide()

• Descripción: Realizan operaciones aritméticas element-wise entre arrays.
• Ejemplo:

    a = np.array([1, 2, 3])
    b = np.array([4, 5, 6])
    print(np.add(a, b))        # Output: [5 7 9]
    print(np.subtract(a, b))   # Output: [-3 -3 -3]
    print(np.multiply(a, b))   # Output: [4 10 18]
    print(np.divide(a, b))     # Output: [0.25 0.4  0.5 ]
  

np.dot()

• Descripción: Calcula el producto punto de dos arrays.
• Ejemplo:

    x = np.array([1, 2])
    y = np.array([3, 4])
    dot_product = np.dot(x, y)
    print(dot_product)  # Output: 11
  

np.sum()

• Descripción: Calcula la suma de los elementos a lo largo de un eje.
• Ejemplo:

    array_sum = np.array([[1, 2], [3, 4]])
    print(np.sum(array_sum))  # Output: 10
    print(np.sum(array_sum, axis=0))  # Suma por columnas: Output: [4 6]
  

4. Estadísticas

np.mean()

• Descripción: Calcula la media aritmética.
• Ejemplo:

    mean_value = np.mean(array_sum)
    print(mean_value)  # Output: 2.5
  

np.median()

• Descripción: Calcula la mediana.
• Ejemplo:

    median_value = np.median(array_sum)
    print(median_value)  # Output: 2.5
  

np.std()

• Descripción: Calcula la desviación estándar.
• Ejemplo:

    std_value = np.std(array_sum)
    print(std_value)  # Output: 1.118033988749895
  

5. Indexación y Slicing

Indexación Básica

• Descripción: Acceso a elementos individuales de un array.
• Ejemplo:

    array = np.array([10, 20, 30, 40])
    print(array[2])  # Output: 30
  

Slicing

• Descripción: Acceso a un subconjunto de un array.
• Ejemplo:

    sliced_array = array[1:3]  # Accede a los elementos en posiciones 1 y 2
    print(sliced_array)  # Output: [20 30]
  

Conclusión

NumPy proporciona una rica colección de funciones y métodos que facilitan la manipulación y el análisis de datos numéricos. Su capacidad para operar con arrays de manera eficiente lo convierte en una herramienta indispensable en la ciencia de datos, análisis estadístico y muchas aplicaciones de ingeniería y matemáticas. Familiarizarse con estos métodos es esencial para cualquier persona que desee trabajar con datos en Python. Si tienes alguna pregunta o necesitas ejemplos adicionales, ¡no dudes en preguntar!