Conoce más de NUMPY...

¿Qué es Numpy?

NumPy es una extensión de Python que brinda soporte para matrices grandes y multidimensionales, junto con una amplia biblioteca de funciones matemáticas de alto nivel para operar en estas matrices. Con NumPy, Python adquiere capacidades similares a las de otros lenguajes como Matlab u Octave, lo que lo convierte en una opción poderosa para el análisis científico y el procesamiento de datos.

Esta biblioteca se centra en el manejo eficiente de matrices y arreglos N-dimensionales, lo que permite realizar operaciones matemáticas y estadísticas de manera eficiente. También ofrece funcionalidades avanzadas de álgebra lineal y procesamiento de señales, que son muy útiles en el análisis y la manipulación de datos científicos.

Ventajas de la librería:

NumPy es muy útil para realizar cálculos lógicos y matemáticos sobre cuadros y matrices. Puede realizar estas operaciones de manera mucho más rápida y eficaz que las listas de Python. Los arrays de NumPy tienen algunas ventajas sobre las listas tradicionales de Python. En primer lugar, utilizan menos memoria y espacio de almacenamiento, que es su principal punto fuerte. Además, NumPy ofrece un mejor rendimiento en términos de velocidad de ejecución. Sin embargo, es más fácil y cómodo de usar. Además, es una herramienta de código abierto, que puede utilizarse de forma totalmente gratuita. Está basada en Python, que es un lenguaje de programación extremadamente popular con muchas bibliotecas de gran calidad para cualquier tarea. Por último, es muy fácil conectar el código C existente al intérprete de Python.

Estas son algunas de las cosas que proporciona y hace que nuestros códigos sean mas eficientes:

• Es muy usada en el mundo del Data Science, cualquier persona que trabaje en este mundo, probablemente usará a diario la librería

• La función ndarray, una matriz multidimensional rápida y eficiente en el espacio que proporciona operaciones aritméticas y sofisticadas capacidades de transmisión

• Funciones matemáticas estándar para operaciones rápidas en conjuntos completos de datos sin tener que escribir bucles.

• Herramientas para leer/escribir datos de matrices en el disco y trabajar con mapas de memoria archivos.

• Capacidades de álgebra lineal, generación de números aleatorios y transformada de Fourier.

• Herramientas para integrar código escrito en C, C++ y Fortran

El último punto también es uno de los más importantes desde el punto de vista del ecosistema. Debido a que NumPy proporciona una API C fácil de usar, es muy fácil pasar datos a bibliotecas externas escritas en un lenguaje de bajo nivel y también para que las bibliotecas externas regresen datos a Python como matrices NumPy. Esta característica ha hecho de Python un lenguaje de elección para envolver bases de código C/C++/Fortran heredadas y darles una interfaz dinámica y fácil de usar. Para la mayoría de las aplicaciones de análisis de datos, las principales áreas de funcionalidad en las que se utiliza Numpy son:

• Operaciones de matrices vectorizadas rápidas para la recolección y limpieza de datos, creación de subconjuntos y filtrado, transformación y cualquier otro tipo de cálculo.

• Algoritmos de matrices comunes, como operaciones de clasificación, únicas y de conjuntos Estadísticas descriptivas eficientes y agregación/resumen de datos.

• Alineación de datos y manipulaciones de datos relacionales para fusionar y unir conjuntos de datos heterogéneos.

• Expresar la lógica condicional como expresiones de matriz en lugar de bucles con ramas if-elif-else.

• Manipulaciones de datos por grupos (agregación, transformación, aplicación de funciones).

Uso de la librería en la práctica (código ejemplo, describiendo paso a paso el mejor uso de la librería)

Dos ejemplos de como poder usar e implementar tu código usando la librería de Numpy:

1) INVERSA DE UNA MATRIZ:

a)#Importar la biblioteca NumPy: Primero, debes importar la biblioteca NumPy para utilizar sus funciones y herramientas. Puedes hacerlo agregando el siguiente código al principio de tu cuaderno de Google Colab:import numpy as np

b)#Definir la matriz: Matriz continuación, debes definir la matriz para la cual deseas calcular la inversa. Puedes hacerlo creando una matriz NumPy utilizando la función np.array() y proporcionando los valores de los elementos de la matriz. Por ejemplo, aquí se muestra cómo definir una matriz de 4x4:Matriz = np.array([[2, 1, 1, 1], [1, 2, 1, 1], [1, 1, 2, 1], [1, 1, 1, 2]])

c) print (Matriz) #Esto sirve para mostrar la matriz 4x4 que queremos halla su inversad)#Calcular la inversa: Utiliza la función np.linalg.inv() para calcular la inversa de la matriz. Puedes hacerlo de la siguiente manera: Matriz_inversa = np.linalg.inv(Matriz) #En este caso, Matriz_inversa contendrá la matriz inversa de A.

e)#Imprimir el resultado: Para verificar el resultado, puedes imprimir la matriz inversa utilizando la función print():print(Matriz_inversa)

f)#Explicación de las variables: #np: Es el alias utilizado para la biblioteca NumPy en el código. Se utiliza para acceder a las funciones y herramientas de NumPy. #Matriz: Es la variable que almacena la matriz original para la cual se desea calcular la inversa. #Matriz_inversa: Es la variable que almacena la matriz inversa calculada utilizando la función np.linalg.inv(A). Esta matriz es el resultado final.

g)#El resultado sería:

[[2, 1 ,1 ,1]

[1, 2 ,1, 1]

[1 ,1 ,2 ,1]

[1, 1 ,1 ,2]]

[[ 0.8 ,-0.2 ,-0.2 ,-0.2] ,

[-0.2 ,0.8 ,-0.2 ,-0.2] ,

[-0.2, -0.2 ,0.8 ,-0.2] ,

[-0.2 ,-0.2 ,-0.2 , 0.8]]

2) SOLUCIÓN DE TRES ECUACIONES LINEALES:

# x0 + 2 * x1 + x2 = 4 # x1 + 0 * x1 + x2 = 3 # x0 + 0 * x1 + x2 = 5

a) #Podemos expresar este sistema como una ecuación matricial Matriz_coeficientes * Matriz_2 = b con: Matriz_coeficientes = np.array([[1, 2, 1],[0, 1, 1], [1, 0, 1]])print(A) #Para mostrar la matriz de coeficientes que queremos resolver.

b) Matriz_2 = np.array([[4], [3], [5]])

#Añadimos otra matriz de los resultados print(Matriz_2)

#Para mostrar la matriz "Matriz_2"

c) #Luego, use np.linalg.solve para resolver para x :

Variables = np.linalg.solve(Matriz_coeficientes, Matriz_2)

d) print(Variables) # "Variables "seria la matriz que contiene las incognitas ya resueltas que seria el valor de (x0,x1,x2) respectivamente.

e)#El resultado sería:

[[1 ,2 ,1]

[0 ,1 ,1]

[1 ,0 ,1]]

[[4],

[3] ,

[5]]

[[ 1.5] ,

[-0.5] ,

[ 3.5]]

Los ejemplos 1 y 2 en archivos .ipynb de Google Colab:

Ejemplo_1_y_ejemplo_2_del_uso_de_Numpy_(3).ipynb

Descargar IPYNB • 4KB