Creación de arrays de NumPy
Cree arrays unidimensionales y bidimensionales con np.array, np.zeros, np.ones y np.arange; después, inspeccione su shape y dtype.
Creación de arrays de NumPy es una lección gratuita de Pandas & NumPy Academy en CoddyKit. Esta es la lección 1 de 4. Puedes leer la lección completa abajo gratuitamente — luego la practicas en el navegador con un editor de código integrado y un tutor de IA 24/7. Forma parte de la ruta de aprendizaje de Pandas & NumPy Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Pandas & NumPy Academy incluye 4 lecciones en total.
What Is a NumPy Array?
NumPy es la biblioteca predilecta de Python para el procesamiento de números. Su núcleo es el ndarray, una cuadrícula de valores del mismo tipo que es mucho más rápida y ligera que una lista.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Creating Arrays from Lists
La forma más sencilla de crear un array: pasa una lista a np.array(). NumPy elige el dtype por ti, y una lista de listas se convierte en una matriz 2D.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros y np.ones
¿Necesita empezar desde cero? np.zeros rellena un array con 0.0 y np.ones lo rellena con 1.0; es perfecto para preparar un array antes de calcular sus valores reales.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange para secuencias de enteros
np.arange funciona como range de Python, pero devuelve un array. Indique un inicio, un límite final y un paso; el valor límite no se incluye.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace para floats espaciados uniformemente
¿Quiere floats espaciados uniformemente? np.linspace le proporciona un número determinado de valores entre dos extremos, incluidos ambos, sin acumulación de errores de redondeo.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full y np.eye
Use np.full para rellenar un array con la constante que prefiera, y np.eye para crear una matriz identidad: unos en la diagonal y ceros en el resto.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Especificar dtype al crear el array
Cada array tiene un único dtype para todos sus valores. Puede establecerlo con dtype=; por ejemplo, elegir float32 en lugar de float64 puede reducir la memoria a la mitad.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Arrays aleatorios con np.random
¿Necesita datos aleatorios? np.random los genera por usted. Establezca primero una semilla para obtener los mismos números en cada ejecución; es fundamental para realizar experimentos reproducibles. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Comprobar la forma y las dimensiones de un array
Después de crear un array, normalmente querrá comprobar su shape: una tupla con el tamaño de cada dimensión. Use .ndim para ver cuántas dimensiones tiene.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Convertir listas y tuplas
np.array() acepta más que listas: también funcionan las tuplas, los rangos e incluso otros arrays. Evite las listas internas ragged, ya que reducen considerablemente la velocidad de NumPy.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty para arrays no inicializados
np.empty reserva memoria sin rellenarla, por lo que es ligeramente más rápido que zeros. El inconveniente es que contiene datos residuales; escriba siempre antes de leer.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Comprobación rápida
Compruebe sus conocimientos sobre la creación de arrays de NumPy en esta lección.
Resumen de la lección
¡Buen trabajo! Puede convertir listas en arrays con np.array() y crearlos desde cero con zeros, ones, arange y linspace. A continuación: los atributos de los arrays.
Preguntas frecuentes
¿La lección «Creación de arrays de NumPy» es gratis?
Sí — el texto completo de «Creación de arrays de NumPy» es gratis para leer aquí en la web. Para practicarla de forma interactiva (editor de código integrado y tutor de IA 24/7) y desbloquear el resto del curso de Pandas & NumPy Academy, actualiza a CoddyKit PRO. El curso de Pandas & NumPy Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Creación de arrays de NumPy»?
Cree arrays unidimensionales y bidimensionales con np.array, np.zeros, np.ones y np.arange; después, inspeccione su shape y dtype. Practicas Pandas & NumPy Academy con código real que ejecutas directamente en el navegador, y un tutor de IA 24/7 responde tus preguntas mientras trabajas en la lección.
¿Necesito experiencia previa para empezar Pandas & NumPy Academy?
No se requiere experiencia previa. Pandas & NumPy Academy en CoddyKit está estructurado para principiantes hasta estudiantes avanzados, así que puedes empezar aquí o desde el inicio y avanzar a tu ritmo. Esta es la lección 1 de 4.
¿Cuánto tiempo toma la lección «Creación de arrays de NumPy»?
La mayoría de las lecciones de CoddyKit toman alrededor de 5–10 minutos. Cada una es compacta e interactiva, así que avanzas constantemente y retomas exactamente por donde dejaste en la web y la app.
¿Puedo escribir y ejecutar código en esta lección de Pandas & NumPy Academy?
Sí. Cada lección de Pandas & NumPy Academy incluye un editor de código integrado, así que escribes y ejecutas código real directamente en tu navegador y obtienes retroalimentación instantánea de IA — sin configuración local necesaria.
Todas las lecciones de este curso
- Creación de arrays de NumPy
- Atributos e inspección de arrays
- Aritmética elemento a elemento
- Indexación y slicing de arrays