Formación corporativa en NumPy

Este módulo cubre el ciclo completo de trabajo con el ndarray: creación mediante np.array, zeros, ones, arange, linspace y full; inspección con atributos como shape, dtype, ndim, size, itemsize y nbytes; acceso a datos mediante indexación básica, slicing, fancy indexing y máscaras booleanas; y transformaciones de forma con reshape, flatten, transpose, concatenate y split.

Se profundiza en la distinción entre vistas y copias, incluyendo los cambios de semántica del parámetro copy en NumPy 2 y la preferencia por np.asarray frente a np.array(copy=False), así como la migración del namespace privado numpy.core al público numpy.

Este módulo aborda el cálculo vectorizado con NumPy: aritmética element-wise, comparaciones, operaciones lógicas y las reglas de broadcasting que permiten operar entre arrays de distintas dimensiones sin bucles explícitos. Se presentan las funciones universales (ufuncs) trigonométricas, exponenciales, logarítmicas y de redondeo, junto con sus métodos reduce, accumulate y outer.

Se completa con las funciones de reducción y agregación por eje (sum, mean, max, min, cumsum, cumprod), que constituyen la base del análisis numérico eficiente antes de abordar estadística descriptiva en módulos posteriores.

Este módulo cubre el análisis estadístico con NumPy: medidas de tendencia central (media, mediana, moda), dispersión (varianza, desviación estándar, rango intercuartílico), percentiles, cuantiles, correlación y covarianza. Todas las funciones se aplican sobre arrays completos o a lo largo de ejes específicos para datasets multidimensionales.

Se presenta la API moderna de generación aleatoria basada en np.random.default_rng() (Generator), que reemplaza al módulo legacy np.random. Se cubren distribuciones (uniforme, normal, binomial, Poisson), métodos de muestreo (choice, shuffle, permutation) y aplicaciones prácticas como simulación de Monte Carlo, datos sintéticos y bootstrap.

Este módulo cubre las operaciones fundamentales de álgebra lineal con el submódulo numpy.linalg: producto matricial con el operador @, determinante, inversa, rango, pseudoinversa de Moore-Penrose, autovalores, eigenvectores y descomposición en valores singulares (SVD).

Se profundiza en la resolución de sistemas de ecuaciones lineales con linalg.solve para sistemas exactos y linalg.lstsq para mínimos cuadrados en sistemas sobredeterminados, incluyendo el análisis del número de condición y la estabilidad numérica.

Este módulo aborda la interoperabilidad de NumPy con las dos bibliotecas más utilizadas del ecosistema Python de datos: Pandas y Matplotlib. Se cubre la conversión bidireccional entre ndarrays y Series o DataFrames mediante to_numpy() y pd.DataFrame(), así como la aplicación de funciones de NumPy sobre columnas de Pandas.

En la parte de visualización se muestra cómo utilizar arrays de NumPy como entrada directa de Matplotlib para generar gráficos de líneas, dispersión, histogramas e imágenes, aprovechando funciones como np.linspace para producir curvas suaves.

Este módulo cubre las capacidades avanzadas de NumPy que permiten escribir código numérico robusto y eficiente en entornos de producción. Se abordan tres pilares fundamentales: la persistencia de datos (formatos .npy, .npz y texto plano con np.savetxt/np.genfromtxt), la representación de tablas heterogéneas mediante arrays estructurados con dtype compuesto y np.recarray, y las técnicas de optimización del rendimiento (vectorización, orden de memoria C/F, np.einsum, preasignación y perfilado con timeit).

Al completar este módulo, sabrás elegir el formato de archivo adecuado para cada caso de uso, modelar datos tabulares sin Pandas cuando el rendimiento lo requiera, y medir y mejorar el rendimiento de tus pipelines numéricos con NumPy.