190 lines
5.2 KiB
Python
190 lines
5.2 KiB
Python
# -*- coding: utf-8 -*-
|
|
"""Copia de Python TOTAL - Numpy.ipynb
|
|
|
|
Automatically generated by Colaboratory.
|
|
|
|
Original file is located at
|
|
https://colab.research.google.com/drive/1RJ5lMM11UepgJvp8b2yp3MP6jAIQrud-
|
|
|
|
# Práctica de la librería Numpy
|
|
|
|
En este notebook, se desarrollarán una serie de tareas utilizando la librería Numpy (Numerical Python).
|
|
|
|
Se proponen y documentan posibles formas de resolver los ejercicios, pero las mismas no son únicas.
|
|
|
|
Siempre es una buena idea verificar la [Documentación Oficial de Numpy](https://numpy.org/devdocs/user/index.html), donde es posible encontrar todo tipo de información referida a esta librería. Y si te quedas trabado, busca en Google "como hacer [algo] con Numpy". Hay enormes probabilidades de que esa pregunta ya haya sido respondida!
|
|
"""
|
|
|
|
# Importamos Numpy con su abreviación "np"
|
|
import numpy as np
|
|
|
|
# Podemos crear arrays de una dimensión con la función np.array()
|
|
array_unidim = np.array([1,2,3,4,5])
|
|
|
|
# O un array de dos dimensiones (bidimensional)
|
|
array_bidim = np.array([
|
|
[1,2,3],
|
|
[4,5,6]
|
|
]
|
|
)
|
|
|
|
# O un array de tres dimensiones (tridimensional)
|
|
array_tridim = np.array([
|
|
[
|
|
[1,2,3],
|
|
[4,5,6]
|
|
],
|
|
[
|
|
[7,8,9],
|
|
[10,11,12]
|
|
]
|
|
])
|
|
|
|
"""Para cada uno de estos arrays, podemos obtener sus propiedades, tales como su "forma", número de dimensiones, tipos de datos y tamaño."""
|
|
|
|
from numpy.core.multiarray import array
|
|
# Atributos del array unidimensional (forma, número de dimensiones, tipos de datos, tamaño, y tipo)
|
|
array_unidim.shape, array_unidim.ndim, array_unidim.dtype, array_unidim.size, type(array_unidim)
|
|
|
|
# Atributos del array bidimensional
|
|
array_bidim.shape, array_bidim.ndim, array_bidim.dtype, array_bidim.size, type(array_bidim)
|
|
|
|
# Atributos del array tridimensional
|
|
array_tridim.shape, array_tridim.ndim, array_tridim.dtype, array_tridim.size, type(array_tridim)
|
|
|
|
# Importamos pandas como pd, y creamos un DataFrame a partir del array bidimensional
|
|
import pandas as pd
|
|
|
|
datos = pd.DataFrame(array_bidim)
|
|
datos
|
|
|
|
# Creamos un array de tamaño 4x3, formado únicamente por unos (1)
|
|
unos = np.ones((4,3))
|
|
unos
|
|
|
|
# Creamos un array de tamaño 2x4x3, formado únicamente por ceros (0)
|
|
cero = np.zeros((2,4,3))
|
|
cero
|
|
|
|
# Creamos un array de números en el rango de 0 a 100, con un paso de 5
|
|
|
|
array_1 = np.arange(0,101,5)
|
|
array_1
|
|
|
|
# Creamos un array de números aleatorios enteros comprendidos en entre 0 y 10, de tamaño (2, 5)
|
|
|
|
array_2 = np.random.randint(0,10,(2,5))
|
|
array_2
|
|
|
|
# Creamos un array de números aleatorios decimales comprendidos en entre 0 y 1, de tamaño (3, 5)
|
|
array_3 = np.random.random((3,5))
|
|
array_3
|
|
|
|
# Establecemos la "semilla" de números aleatorios en 27
|
|
np.random.seed(27)
|
|
|
|
# Creamos un array de números aleatorios enteros comprendidos en entre 0 y 10, de tamaño (3, 5)
|
|
array_4 = np.random.randint(0,10,(3,5))
|
|
array_4
|
|
|
|
"""¿Qué ocurre al correr la última celda nuevamente, a diferencia de las anteriores?"""
|
|
|
|
# Encontramos los valores únicos del array_4
|
|
np.unique(array_4)
|
|
|
|
# Extraemos el elemento de índice 1 del array_4
|
|
array_4[1]
|
|
|
|
# Extraemos las primeras dos filas del array_4
|
|
array_4[:2]
|
|
|
|
# Extraemos los dos primeros datos de las primeras dos filas del array_4
|
|
array_4[:2,:2]
|
|
|
|
# Creamos dos arrays de tamaño 3x4: uno relleno de números aleatorios entre 0 y 10, y otro relleno de unos
|
|
array_5 = np.random.randint(0,10,(3,4))
|
|
array_6 = np.ones((3,4))
|
|
|
|
# invocamos el array_5
|
|
array_5
|
|
|
|
# invocamos el array_6
|
|
array_6
|
|
|
|
# Sumamos los dos arrays
|
|
array_5 + array_6
|
|
|
|
# Creamos ahora un array de tamaño (4,3) lleno de unos
|
|
array_7 = np.ones((4,3))
|
|
array_7
|
|
|
|
# Intentaremos sumar los arrays 6 y 7
|
|
array_6 + array_7
|
|
|
|
"""¿A qué se debe el error anterior? ¿Qué deberíamos tener en cuenta para que no suceda?"""
|
|
|
|
# Entonces crearemos otro array de tamaño (4,3) lleno de unos
|
|
array_8 = np.ones((4,3))
|
|
array_8
|
|
|
|
# Restamos el array_8 al array_7
|
|
array_8 - array_7
|
|
|
|
# Creamos otros dos arrays de tamaño 3x3 con números aleatorios del 1 al 5
|
|
array_9 = np.random.randint(1,5,(3,3))
|
|
array_10 = np.random.randint(1,5,(3,3))
|
|
|
|
# invocamos el array_9
|
|
array_9
|
|
|
|
# invocamos el array_10
|
|
array_10
|
|
|
|
# Multiplicamos los últimos dos arrays entre sí
|
|
array_9 * array_10
|
|
|
|
# Elevamos el array_9 al cuadrado
|
|
array_9 ** 2
|
|
|
|
# Buscamos la raíz cuadrada del array_10
|
|
np.sqrt(array_10)
|
|
|
|
# Hallamos el promedio de los valores del array_9
|
|
array_9.mean()
|
|
|
|
# Hallamos el valor máximo de los valores del array_9
|
|
array_9.max()
|
|
|
|
# Hallamos el valor mínimo de los valores del array_9
|
|
array_9.min()
|
|
|
|
# Cambiamos la forma del array_9 por una de 9x1, y lo almacenamos como array_11
|
|
array_11 = array_9.reshape((9,1))
|
|
|
|
# invocamos el array_11
|
|
array_11
|
|
|
|
# Transponemos el array_11
|
|
array_11.T
|
|
|
|
# Comparamos el array_9 y el array_10, para saber cuáles elementos del array_9 son mayores a los del array_10
|
|
array_12 = array_9 > array_10
|
|
array_12
|
|
|
|
"""¿Qué tipos de datos forman parte del array de resultados?"""
|
|
|
|
# Veamos sus nuevos tipos de datos
|
|
array_12.dtype
|
|
|
|
# Alguno de los elementos del array_9 es igual su equivalente del array_10?
|
|
array_9 == array_10
|
|
|
|
# Comparamos nuevamente ambos arrays, en esta ocasión con >=
|
|
array_9 >= array_10
|
|
|
|
# Buscamos los elementos del array_9 que son mayores a 2
|
|
array_9 > 2
|
|
|
|
# Ordenamos de menor a mayor los elementos dentro del array_9
|
|
np.sort(array_9)
|