NumPy

Librerias-Python
juan

Nota: (NumPy librería especializada en el cálculo numérico y el análisis de datos, preparada para un gran volumen de datos, los Objetos (arrays) que permite representar colecciones de datos de un mismo tipo en varias dimensiones, Numpy en comparación con las listas predefinidas en Python es que el procesamiento de los (arrays) se realiza mucho más rápido (50 veces más) que las listas, lo hace especialmente interesante para el procesamiento de vectores y matrices de grandes dimensiones).

Que es NumPy

-. NumPy es una biblioteca para el lenguaje de programación Python que permite un fácil manejo de vectores , matrices o arrays multidimensionales grandes . Además de las estructuras de datos , NumPy también ofrece funciones implementadas de manera eficiente para cálculos numéricos.

. El intérprete de CPython instalado de forma predeterminada para Python ejecuta comandos como código de bytes no optimizado . NumPy representa aquí una alternativa de alto rendimiento. En Python los algoritmos iterativos existentes deban reescribirse para operaciones de matrices multidimensionales. Los operadores y funciones de NumPy están optimizados para dichas matrices y, por lo cual, permiten una evaluación muy eficiente (50 veces más) .

Nota: CPython es la implementación oficial y más ampliamente utilizada del lenguaje de programación Python. Además de CPython, existen otras implementaciones de Python: Jython, IronPython, PyPy y Stackless Python.

Estructura de datos ndarray :

-. La funcionalidad principal de NumPy se basa en la estructura de datos ndarray (matriz de n dimensiones), también conocida como NumPy Array. Sus componentes esenciales son un puntero a un área de memoria contigua junto con metadatos que describen los datos almacenados en ella. A diferencia de la propia estructura de datos List de Python , las matrices NumPy tienen un tipo homogéneo, todos los elementos de una matriz deben ser del mismo tipo de datos .

-. Dichas matrices también pueden ser vistas en búferes de memoria asignados por extensiones al intérprete CPython sin la necesidad de copiar datos, lo que brinda un mayor grado de compatibilidad con las bibliotecas numéricas existentes. Esta funcionalidad es explotada por el paquete SciPy, que incluye varias de estas bibliotecas. NumPy tiene soporte incorporado para ndarrays mapeados en memoria.

Nota: a continuación unos ejemplos de funcionalidad de NumPy usaremos un entorno Venv-Jupyter de esta forma no perturbaremos el sistema operativo principal, no hace falta instalar NumPy cuando instalamos Matplotlib se instalo por defecto y usaremos la magnifica herramienta Jupyter.

Activar el entorno :

  • In: root@juan-SATELLITE-C55-C-1JM:/# cd my-venv
  • In: root@juan-SATELLITE-C55-C-1JM:/my-venv# source jupyter/bin/activate
  • (jupyter) root@juan-SATELLITE-C55-C-1JM:/my-venv#

Nota: el Jupyter delante root significa que estamos dentro del entorno Venv-Jupyter

Arrancar Jupyter :

  • (jupyter) root@juan-SATELLITE-C55-C-1JM:/my-venv# jupyter notebook –allow-root –no-browser

Creación Array :

  • import numpy as np
  • x = np.array([1, 2, 3])
  • x

 

  • y = np.arange(10) # como en Python list(range(10)), pero devuelve una matriz de numpy
  • y

Operaciones básicas:

  • a = np.array([1, 2, 3, 6])
  • b = np.linspace(0, 2, 4) # crea un vector con cuatro puntos equiespaciados, desde 0 hasta 2.
  • c = a – b
  • c

 

  • a**2

unciones universales:

  • a = np.linspace(-np.pi, np.pi, 100)
  • b = np.sin(a)
  • c = np.cos(a)

 

  • # Las funciones pueden tomar números y arreglos como parámetros.
  • np.sin(1)

 

  • np.sin(np.array([1, 2, 3]))

 

Recapitulando:

NumPy librería especializada en el cálculo numérico y el análisis de datos, preparada para un gran volumen de datos los array es la pieza mas importante como vemos en los tres ejenplos.