NumPy [2] Funciones sobre matrices¶
In [1]:
import numpy as np # importamos la librería NumPy como np
m = np.arange(15).reshape(3, 5) # creamos una matriz 2D
m
Out[1]:
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
shape¶
Proporciona el número de filas × columnas.
In [2]:
m.shape
Out[2]:
(3, 5)
ndim¶
Proporciona la dimensión de la matriz (número de ejes).
In [3]:
m.ndim
Out[3]:
2
size¶
Número de elementos que incluye una matriz.
In [4]:
m.size
Out[4]:
15
zeros¶
Crea una matriz de ceros.
In [5]:
matriz = np.zeros((3, 5))
matriz
Out[5]:
array([[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.],
[0., 0., 0., 0., 0.]])
linspace¶
Genera una matriz con números secuenciales entre uno inicial y uno final, indicando la cantidad de números deseada.
- Inicio en 10
- Final en 14
- Número de elementos 5
In [6]:
m=np.linspace(10, 14, 5)
m
Out[6]:
array([10., 11., 12., 13., 14.])
- Inicio en 90
- Final en 20
- Número de elementos 5
In [7]:
m=np.linspace(90, 20, 5)
m
Out[7]:
array([90. , 72.5, 55. , 37.5, 20. ])
Matriz 3D¶
Una matriz de tres dimensiones requiere: hojas × filas × columnas. A la tercera dimensión se la llama habitualmente hojas o páginas.
In [8]:
m3d = np.arange(24).reshape(2, 3, 4)
m3d
Out[8]:
array([[[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11]],
[[12, 13, 14, 15],
[16, 17, 18, 19],
[20, 21, 22, 23]]])
Operar con arrays¶
In [9]:
array_pares=np.arange(0, 20, 2)
array_pares
Out[9]:
array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
Operaciones aritméticas¶
In [10]:
array_impares=array_pares + 1 # suma 1 a todos los elementos y lo convierte en un array de impares
array_impares
Out[10]:
array([ 1, 3, 5, 7, 9, 11, 13, 15, 17, 19])
In [11]:
array_impares * 10 # multiplicar
Out[11]:
array([ 10, 30, 50, 70, 90, 110, 130, 150, 170, 190])
In [12]:
array_impares - array_pares # restar arrays
Out[12]:
array([1, 1, 1, 1, 1, 1, 1, 1, 1, 1])
In [13]:
#array_impares / array_pares # dividir arrays da error ya que dividen entre cero
Estadística¶
In [14]:
numeros_primos = [2, 3, 5, 7, 11, 13, 17, 19, 23, 29]
array_primos = np.array(numeros_primos)
array_primos
Out[14]:
array([ 2, 3, 5, 7, 11, 13, 17, 19, 23, 29])
In [15]:
array_primos.sum() # suma
Out[15]:
129
In [16]:
array_primos.mean() # media
Out[16]:
12.9
In [17]:
array_primos.var() # varianza
Out[17]:
73.28999999999999
Ordenación de arrays¶
In [18]:
# Creamos la serie de Fibonacci
fibo = [0, 1]
for i in range (11):
fibo.append(fibo[-1] + fibo[-2])
print(fibo)
[0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144]
In [19]:
# Convertimos la lista en un ndarray
fibonacci = np.array(fibo)
fibonacci
Out[19]:
array([ 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144])
Desordenamos¶
In [20]:
# desordenamos el array
np.random.shuffle(fibonacci) # permite desordenar un array
fibonacci
Out[20]:
array([ 1, 144, 3, 34, 89, 13, 21, 55, 1, 8, 0, 2, 5])
Ordenamos¶
In [21]:
# ordenar un array
np.sort(fibonacci) # ordena el vector, pero no queda asignado al array fibonacci
Out[21]:
array([ 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144])
In [22]:
fibonacci # comprobamos que no queda asignado el vector ordenado a la variable fibonacci
Out[22]:
array([ 1, 144, 3, 34, 89, 13, 21, 55, 1, 8, 0, 2, 5])
In [23]:
ordenado = np.sort(fibonacci) # asignamos el array a la variable ordenado
ordenado
Out[23]:
array([ 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144])
Reverso¶
In [24]:
inverso=ordenado[::-1]
inverso
Out[24]:
array([144, 89, 55, 34, 21, 13, 8, 5, 3, 2, 1, 1, 0])
In [25]:
inverso.sort() # si ordenamos el array inverso quedará ordenado de menor a mayor
inverso
Out[25]:
array([ 0, 1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144])
In [26]:
inverso == np.array(fibo) # una comprobación
Out[26]:
array([ True, True, True, True, True, True, True, True, True,
True, True, True, True])