Aprender Numpy Introducción y entorno

Numpy es una biblioteca fundamental para el cálculo numérico en Python. Proporciona soporte para arrays multidimensionales y funciones matemáticas de alto nivel, lo que facilita el trabajo con grandes volúmenes de datos. En este módulo, exploraremos cómo configurar y utilizar Numpy en tu entorno de desarrollo.

Instalación de Numpy

Para comenzar a utilizar Numpy, primero debemos instalarlo. La forma más común es a través de pip, el sistema de gestión de paquetes de Python. Ejecuta el siguiente comando en tu terminal:

pip install numpy

Si estás utilizando un entorno virtual, asegúrate de activarlo antes de ejecutar el comando de instalación.

Configuración del entorno

Configurar correctamente tu entorno de desarrollo es crucial para trabajar eficientemente con Numpy. Aquí te mostramos cómo configurar un entorno básico utilizando virtualenv:

1. Crear un entorno virtual:

    python -m venv mi_entorno

2. Activar el entorno virtual:

• En Windows:

        .\mi_entorno\Scripts\activate

• En macOS/Linux:

        source mi_entorno/bin/activate

3. Instalar Numpy en el entorno virtual:

    pip install numpy

Primeros pasos con Numpy

Una vez que Numpy está instalado y tu entorno configurado, es momento de comenzar a utilizarlo. Importa la biblioteca en tu script de Python de la siguiente manera:

import numpy as np

Creación de arrays

Numpy facilita la creación y manipulación de arrays. Aquí tienes algunos ejemplos básicos:

• Array unidimensional:

    arr1 = np.array([1, 2, 3, 4, 5])

• Array bidimensional:

    arr2 = np.array([[1, 2, 3], [4, 5, 6]])

• Array de ceros:

    zeros = np.zeros((3, 3))

• Array de unos:

    ones = np.ones((2, 2))

Operaciones básicas

Numpy permite realizar operaciones matemáticas de manera eficiente. Aquí algunos ejemplos:

• Suma de arrays:

    a = np.array([1, 2, 3])
    b = np.array([4, 5, 6])
    suma = a + b

• Producto de arrays:

    producto = a * b

• Producto matricial:

    matriz1 = np.array([[1, 2], [3, 4]])
    matriz2 = np.array([[5, 6], [7, 8]])
    producto_matricial = np.dot(matriz1, matriz2)

Indexación y slicing

Trabajar con subconjuntos de datos es sencillo en Numpy. Aquí algunos ejemplos de indexación y slicing:

• Indexación simple:

    elemento = arr1[2]  # Resultado: 3

• Slicing:

    sub_array = arr1[1:4]  # Resultado: [2, 3, 4]

• Indexación con arrays:

    indices = [0, 2, 4]
    elementos = arr1[indices]  # Resultado: [1, 3, 5]