Operaciones con arrays y broadcasting
Realice operaciones aritméticas vectorizadas y comprenda las reglas de broadcasting.
Operaciones con arrays y broadcasting es una lección gratuita de Python Academy en CoddyKit. Esta es la lección 2 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 Python Academy, y tu progreso se sincroniza en la web y la app de CoddyKit. El curso de Python Academy incluye 4 lecciones en total.
Aritmética vectorizada
NumPy aplica operaciones aritméticas elemento a elemento en arrays completos sin usar bucles de Python; las ejecuta en código C optimizado.
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # [5 7 9]
print(a * b) # [4 10 18]
print(a ** 2) # [1 4 9]Funciones universales (ufuncs)
Las ufuncs de NumPy aplican funciones en C a nivel de cada elemento: np.sqrt, np.exp, np.log, np.sin, etc.
import numpy as np
x = np.linspace(0, np.pi, 5)
print(np.sin(x)) # [0. 0.707 1. 0.707 0.]
print(np.exp([1.0, 2.0, 3.0])) # [2.718 7.389 20.086]Operaciones de reducción
Reduzca un array a un escalar (o a un array de menor dimensión) con np.sum, np.mean, np.max, np.min y np.std.
import numpy as np
m = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(m)) # 21
print(np.sum(m, axis=0)) # [5 7 9] — sum each column
print(np.sum(m, axis=1)) # [6 15] — sum each rowReglas de broadcasting
El broadcasting amplía los arrays más pequeños para que coincidan con los más grandes, sin copiar los datos. Regla: las dimensiones se alinean desde la derecha y las dimensiones de tamaño 1 se amplían.
import numpy as np
a = np.array([[1], [2], [3]]) # shape (3,1)
b = np.array([10, 20, 30]) # shape (3,)
print(a + b)
# [[11 21 31]
# [12 22 32]
# [13 23 33]]Operaciones escalares con broadcasting
Un escalar se aplica mediante broadcasting a todos los elementos del array.
import numpy as np
arr = np.arange(6).reshape(2, 3)
print(arr + 10)
# [[10 11 12]
# [13 14 15]]
print(arr * 0.5)
# [[0. 0.5 1. ]
# [1.5 2. 2.5]]Operaciones de comparación y booleanas
Las comparaciones producen arrays booleanos. Combínelos con &, | y ~ (no con and, or ni not de Python).
import numpy as np
arr = np.array([1, 5, 3, 8, 2])
print(arr > 3) # [False True False True False]
print(arr[(arr > 2) & (arr < 7)]) # [5 3]where()
np.where(condition, x, y) devuelve elementos de x donde el resultado es True y de y donde es False.
import numpy as np
arr = np.array([-2, 3, -1, 4, 0])
result = np.where(arr >= 0, arr, 0) # clip negatives to 0
print(result) # [0 3 0 4 0]Agregaciones a lo largo de ejes
Especifique axis= para reducir a lo largo de una dimensión concreta de un array multidimensional.
import numpy as np
data = np.arange(12).reshape(3, 4)
print(data.mean(axis=0)) # mean of each column → shape (4,)
print(data.mean(axis=1)) # mean of each row → shape (3,)cumsum y diff
np.cumsum calcula sumas acumuladas; np.diff calcula las diferencias entre elementos consecutivos.
import numpy as np
prices = np.array([100, 110, 105, 115])
print(np.cumsum(prices)) # [100 210 315 430]
print(np.diff(prices)) # [10 -5 10] (daily changes)Operaciones vectorizadas con cadenas
np.char proporciona operaciones vectorizadas con cadenas en arrays de strings.
import numpy as np
words = np.array(["apple", "banana", "cherry"])
print(np.char.upper(words)) # ['APPLE' 'BANANA' 'CHERRY']
print(np.char.startswith(words, "a")) # [True False False]Rendimiento frente a las listas de Python
NumPy es entre 10 y 100 veces más rápido que los bucles de Python equivalentes en tareas numéricas, porque ejecuta el código en C sin la sobrecarga del intérprete de Python.
import numpy as np, time
n = 1_000_000
start = time.perf_counter()
python_sum = sum(i**2 for i in range(n))
print(f"Python: {time.perf_counter()-start:.3f}s")
arr = np.arange(n)
start = time.perf_counter()
numpy_sum = (arr**2).sum()
print(f"NumPy: {time.perf_counter()-start:.3f}s")Comprobación rápida
Al sumar un array de forma (3,1) a otro de forma (3,), ¿qué forma tiene el resultado?
Resumen
Las operaciones de NumPy se ejecutan elemento a elemento en C (sin bucles de Python). El broadcasting amplía las formas compatibles sin copiar los datos. Use axis= para realizar reducciones a lo largo de dimensiones específicas. Las ufuncs (np.sin, np.exp, etc.) se aplican elemento a elemento a velocidad de C.
Preguntas frecuentes
¿La lección «Operaciones con arrays y broadcasting» es gratis?
Sí — el texto completo de «Operaciones con arrays y broadcasting» 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 Python Academy, actualiza a CoddyKit PRO. El curso de Python Academy incluye 4 lecciones en total.
¿Qué aprenderé en «Operaciones con arrays y broadcasting»?
Realice operaciones aritméticas vectorizadas y comprenda las reglas de broadcasting. Practicas Python 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 Python Academy?
No se requiere experiencia previa. Python 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 2 de 4.
¿Cuánto tiempo toma la lección «Operaciones con arrays y broadcasting»?
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 Python Academy?
Sí. Cada lección de Python 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
- Arrays de NumPy y dtypes
- Operaciones con arrays y broadcasting
- Indexación, segmentación e indexación avanzada
- Álgebra lineal con NumPy