NumPy [1] Diferencia entre lista y dnarray¶

Paquete para cómputo científico: NumPy o Numeric Python. Permite:

trabajar con vectores o matrices denominadas ndarray (similar a una lista, pero mejor) ndarray significa n-dimensional array
hacer cálculos matemáticos y estadísticos

NumPy ya está instalado en Anaconda, pero si trabaja fuera de este entorno es posible que necesite instalarlo así:
pip3 install numpy # pip3 es la versión del instalador pip para Python 3

Diferencia entre lista y dnarray¶

Las listas pueden estar compuestas de datos de tipos diferentes, por el contrario, los ndarrays deben ser de uniformes
Los ndarrays son más adecuados para trabajar en álgebra, son más flexibles

In [ ]:

import numpy as np             # importamos la librería NumPy como np

vector = np.array([2, 4, 6])   # ndarray
lista = [1, 3, 5]              # lista
print(vector)                  # pares
print(lista)                   # impares

In [ ]:

                               # añadiendo un valor a una lista con append
lista.append(7)
print(lista)
                               # añadiendo un nuevo elemento a un array --> ¡Sorpresa!
print(vector + np.array(8))    # no añade 8 al array de los pares, lo que hace es sumarlo a todos
vector+np.array(8)             # si no ponemos print aparece como: array([10, 12, 14])

In [ ]:

np.append(vector, 8)           # para hacer un append con un ndarray

In [ ]:

                               # sumando listas
a = [1, 2, 3]
b = [4, 5, 6]
print(a + b)                   # la suma de listas es una concatenación

                               # sumando arrays
x = np.array(a)
y = np.array(b)
print(x + y)                   # la suma de arrays si suma los valores como en álgebra

¿Por qué un ndarray es más flexible que una lista?¶

Supongamos que tenemos dos listas una con la altura de 11 personas y otra con su peso.
Deseamos poder calcular el IMC (Índice de Masa Corporal) ratio que es peso / altura**2.

In [ ]:

altura=[1.6, 1.71, 1.82, 1.52, 1.59, 1.95, 1.71, 1.75, 1.66, 1.56, 1.99]
peso=[48.8, 57.4, 87.2, 39.5, 51.5, 97.4, 55.2, 52.2, 52.7, 50.6, 76.1]
type(peso)

Out[ ]:

list

Veamos que al calcular el IMC con listas obtenemos un error.

In [ ]:

#IMC = peso / altura**2        # TypeError: unsupported operand type(s) for ** or pow(): 'list' and 'int'

Vamos ahora a ver que los ndarray son mucho más flexibles.

Primero los creamos.

In [ ]:

import numpy as np               # Importamos la librería NumPy
np_peso = np.array(peso)         # creamos el array para el peso
np_altura = np.array(altura)     # creamos el array para la altura
print(type(np_peso))             # veamos el tipo de un ndarray
np_altura                        # mostramos el array para la altura, así se ve un ndarray

<class 'numpy.ndarray'>

Out[ ]:

array([1.6 , 1.71, 1.82, 1.52, 1.59, 1.95, 1.71, 1.75, 1.66, 1.56, 1.99])

Finalmente calculamos el IMC de forma sencilla y elegante.

In [ ]:

IMC = np_peso / np_altura**2
IMC

Out[ ]:

array([19.0625    , 19.62997162, 26.32532303, 17.09660665, 20.37102963,
       25.61472715, 18.87760337, 17.04489796, 19.12469154, 20.79224195,
       19.21668645])

In [ ]:

# Funciona el referirnos a los elementos del vector por el índice
IMC[2]                   # muestra el tercer elemento del array

In [ ]:

IMC > 23                 # obtenemos un vector con verdaderos y falsos

In [ ]:

# muestra los elementos con sobrepeso
IMC[IMC > 23]            # muestra solo los valores de IMC que son True en el vector

Vamos a realizar un gráfico con la nube de puntos entre peso (x) y altura (y).
También necesitamos importar la librería matplotlib para la representación gráfica.

In [ ]:

import matplotlib.pyplot as plt
x = np_peso
y = np_altura
plt.scatter(x, y)               # scatter para nube de puntos y plot para líneas
plt.xlabel("Peso (Kg)")
plt.ylabel("Altura (m)")
#plt.show()                     # muestra el gráfico
plt.grid()                      # muestra el gráfico con rejilla

Creamos un ndarray¶

In [ ]:

import numpy as np
numeros_primos=[2, 3, 5, 7, 11, 13, 17, 19, 23, 29]  # esto es una lista normal
numeros_primos

Caso 1¶

Creando un array en numpy a partir de una lista.

In [ ]:

array_primos = np.array(numeros_primos)
array_primos                               # se parece a una lista normal, pero es un objeto llamado ndarray

Caso 2¶

Inicializando un array con ceros en numpy.

In [ ]:

array_zeros=np.zeros(10)
array_zeros

Caso 3¶

Crear arrays con números.

In [ ]:

array_numeros = np.arange(10)
array_numeros

Caso 4¶

Creando arrays de series de números con un cierto paso.

In [ ]:

array_pares = np.arange(0, 20, 2)
array_pares

Caso 5¶

Haciendo un reshape para dos dimensiones

In [ ]:

array_pares.reshape(2, 5)      # obtenemos una matriz de 2 filas y 5 columnas

Caso 6¶

La forma habitual de obtener una matriz de dos dimensiones.
Partimos de una lista de listas que vamos a llamar lista2d.
Tiene 3 filas y 4 columnas. Es de dimensión 3×4.

In [ ]:

lista2d = [[11,12,13,14], [21,22,23,24], [31,32,33,34]]
lista2d

Convertimos la lista de listas en un ndarray.

In [ ]:

matriz2d = np.array(lista2d) # al ndarray le llamamos matriz2d
matriz2d

Caso 7¶

Veamos otro caso con reshape de dimensión 3×5.
Observe que 3×5=15.

In [ ]:

m = np.arange(15).reshape(3, 5)
m

Ejercicio¶

Cree una matriz de 20 elementos de números aleatorios entre 10 y 99, con 4 filas.

In [ ]:

from random import sample
lista = sample(range(10, 100), 20)
array=np.array(lista)
m = array.reshape(4, 5)
m