5 - Funciones para la creación de arreglos
Lección 5 del curso NumPy para Ciencia de Datos y Machine Learning.
Tabla de contenido
Introducción
En la lección anterior hablamos de los atributos básicos de un arreglo de NumPy que nos permiten determinar, entre otras, su tamaño (shape
), sus dimensiones (ndim
), el número de elementos (size
) y el formato usado para almacenar cada elemento en memoria (dtype
).
Además de la forma básica de [creación de arreglos] haciendo uso del método array
, NumPy incluye otras funciones para facilitar este proceso. En esta lección veremos varias de estas alternativas.
Suscríbete y accede al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
zeros
, ones
y full
Permiten crear arreglos de cualquier tamaño con todos los valores iguales a cero (zeros
), con todos los valores iguales a uno (ones
) o con un valor específico (full
).
Creación de arreglos arange
y el método reshape
La función arange
permite generar un arreglo 1D con valores enteros en un rango específico.
Y podemos usar la función reshape
para convertir el vector a un arreglo de 2 o más dimensiones. En este caso el número de elementos del nuevo arreglo debe ser igual al número de elementos del vector original.
Creación de arreglos con linspace
y el método reshape
La función linspace
permite generar un arreglo 1D con valores decimales en un rango específico. Al igual que en el caso anterior, podemos además usar la función reshape
para convertir el vector a un arreglo multidimensional.
Recuerda suscribirte para acceder al código fuente y al video con la explicación detallada de esta lección. Además podrás disfrutar de todos los cursos de la Academia Online
Conclusión
Con lo visto hasta este punto ya conocemos varias funciones de NumPy que facilitan la creación de arreglos y la manipulación de su tamaño usando el método reshape
.
Como lo mencionamos en la primera lección, una de las ventajas de NumPy es que se trata de una librería diseñada específicamente para el procesamiento eficiente de arreglos. Así que para poner a prueba su desempeño en la próxima lección veremos un comparativo entre el procesamiento con listas de Python vs. arreglos de Numpy