Ejecutar NumPy online

Los arreglos de NumPy (ndarray)

En esta lección vas a crear un arreglo de NumPy de dos dimensiones y consultar su información básica, como su forma (shape) y su número de elementos (size).

  • Intermedio
  • 2 min de lectura
  • 1 ejemplo ejecutable

Introducción

El problema

Las listas de Python son flexibles, pero lentas para hacer cuentas con muchos números: sumar 1 a un millón de valores necesita un bucle de Python. La ciencia, el análisis de datos y el machine learning trabajan con grandes cuadrículas de números, y necesitan una estructura pensada para calcular rápido con todos los valores a la vez.

Imagínalo así

Un array de NumPy es como una hoja de papel cuadriculado donde cada casilla guarda el mismo tipo de número. Como todas las casillas tienen el mismo tamaño y tipo, puedes trabajar con una fila entera, una columna o la hoja completa de una vez, en lugar de recorrer las casillas una a una.

Del papel cuadriculado al código
np.array([[1, 2, 3], [4, 5, 6]])📄 Una hoja con 2 filas y 3 columnas
values.shape📐 Su tamaño: (2, 3)
values.size🔢 Cuántas casillas tiene: 6
print(values)👀 La hoja entera, fila por fila
Mismo tipo en cada celda, así que las operaciones sobre todo el array son rápidas.
En una frase

Un array de NumPy (ndarray) es una cuadrícula de valores de un solo tipo de dato con una forma fija, diseñada para operar rápido con todos los elementos a la vez.

Puntos clave

  1. np.array([[1, 2, 3], [4, 5, 6]]) convierte una lista de listas en un array de 2 dimensiones.
  2. values.shape es (2, 3): dos filas y tres columnas.
  3. values.size cuenta todos los elementos: 6.
  4. Todos los elementos tienen el mismo tipo, y eso es lo que hace rápidas las cuentas con arrays.

¿Cuándo se usa?

  • Cálculos con muchos números a la vez: notas, medidas, precios.
  • Imágenes, que son arrays de valores de píxeles.
  • El formato de entrada de la mayoría de las librerías de ciencia de datos y machine learning.

Cuándo no hace falta

  • Datos mezclados, como nombres y números juntos: encaja mejor un DataFrame de pandas o una lista de diccionarios.
  • Colecciones que crecen elemento a elemento: añadir a un array lo copia cada vez, así que construye primero una lista.

Mira cómo funciona

Señala una celda para ver su fila, su columna y su lugar en memoria, donde todas las filas se guardan una tras otra.

Código de ejemplo

Ejecutar código →
main.py
import numpy as np

values = np.array([[1, 2, 3], [4, 5, 6]])

print(values)
print("shape:", values.shape)
print("size:", values.size)
Obtén un botón Run para este ejemplo

Resultado de la ejecución

[[1 2 3]
 [4 5 6]]
shape: (2, 3)
size: 6

Explicación del código

La función np.array() crea un arreglo de dos dimensiones con 2 filas y 3 columnas a partir de una lista anidada. El atributo shape da el tamaño de cada dimensión, en este caso (2, 3), y size el número total de elementos, es decir, 6.

Cambia los valores y ejecuta el programa en el compilador Python online de CodeUtility sin instalar Python.

Ejercicios de práctica

Prueba a modificar el código siguiendo las ideas de abajo. Cambiar el código y ver el resultado te ayudará a entender la lección mucho mejor que solo leerla.

  1. Cambia la forma (shape) y el tipo de datos (dtype) del arreglo de entrada.
  2. Prueba con números negativos, decimales y valores faltantes.
  3. Aplica la misma operación a un arreglo más grande de varias dimensiones y mide el tiempo.
Ejecutar en el compilador de Python →

Errores comunes

Filas irregulares

Filas de longitudes distintas no forman un array 2-D correcto.

Problema
np.array([[1, 2, 3], [4, 5]])  # error or object array
Solución
np.array([[1, 2, 3], [4, 5, 6]])

¿Terminaste esta lección?

Márcala como aprendida para seguir tu progreso.

Practica con un reto

Usa lo que cubre esta lección para resolver un problema real. Cada reto se ejecuta en el navegador, con pruebas al instante y una revisión de IA.

Todos los retos