Introduccion a NumPy

NumPy: cálculo numérico en Python

NumPy (Numerical Python) es la base de casi todo el ecosistema de datos. Aporta el array n-dimensional (ndarray), una estructura compacta y rápida sobre la que se construyen Pandas, scikit-learn y muchas otras librerías. Entender NumPy te da intuición sobre cómo se almacenan y procesan los datos por debajo.

¿Por qué un array y no una lista?

import numpy as np



lista = [1, 2, 3, 4, 5]

array = np.array([1, 2, 3, 4, 5])



# Un array guarda un solo tipo de dato y vive en memoria contigua,

# por eso las operaciones numéricas son mucho más rápidas que con listas.

Crear arrays

# Desde una lista

arr = np.array([1, 2, 3, 4, 5])



# Matriz 2D

matriz = np.array([[1, 2, 3],

                   [4, 5, 6],

                   [7, 8, 9]])



# Arrays especiales

ceros = np.zeros(5)            # [0. 0. 0. 0. 0.]

unos = np.ones((3, 3))         # matriz 3x3 de unos

rango = np.arange(0, 10, 2)    # [0 2 4 6 8]

lineal = np.linspace(0, 1, 5)  # [0. 0.25 0.5 0.75 1.]

Propiedades clave de un array

arr = np.array([[1, 2, 3], [4, 5, 6]])



arr.shape   # (2, 3) -> 2 filas, 3 columnas

arr.ndim    # 2      -> número de dimensiones

arr.size    # 6      -> total de elementos

arr.dtype   # int64  -> tipo de dato

Indexado y slicing

arr = np.array([10, 20, 30, 40, 50])

arr[0]    # 10

arr[-1]   # 50

arr[1:4]  # [20 30 40]

arr[::2]  # [10 30 50]



matriz = np.array([[1, 2, 3],

                   [4, 5, 6],

                   [7, 8, 9]])

matriz[1, :]    # [4 5 6]  -> fila 1 completa

matriz[:, 2]    # [3 6 9]  -> columna 2 completa

matriz[0:2, 1:] # [[2 3] [5 6]]

Ejercicio práctico

Aplicación práctica en un caso real

Aplicar Introduccion a NumPy dentro del contexto de Python para Data Science con criterio práctico, evitando quedarse en una definición aislada. Para que esta lección sea útil, imagina un escenario concreto: tienes que usar este tema para mejorar un proceso, tomar una decisión, crear un entregable o explicar una recomendación a otra persona. La pregunta no es solo “qué significa”, sino “qué haría diferente después de entenderlo”.

Un buen uso empieza por delimitar el problema. Define qué resultado quieres lograr, qué información tienes disponible, qué restricciones existen y cómo sabrás si la decisión fue correcta. Esta forma de pensar evita respuestas genéricas y convierte el aprendizaje en una herramienta de trabajo.

Marco de decisión

Antes de avanzar, revisa tres niveles: primero, el objetivo operativo; segundo, los recursos disponibles; tercero, el riesgo de equivocarte. En Python para Data Science, muchas decisiones fallan porque se copia una táctica sin entender el contexto. El marco correcto te obliga a adaptar, no solo repetir.

• Objetivo: qué resultado medible o visible quieres conseguir.
• Contexto: quién usará esto, con qué nivel de experiencia y bajo qué restricciones.
• Acción: cuál es el siguiente paso mínimo que puedes ejecutar hoy.
• Señal: qué evidencia vas a observar para decidir si funcionó.

Ejemplo guiado

Supón que debes implementar esta idea en una pequeña empresa o proyecto personal. En vez de intentar una versión perfecta, prepara una versión mínima: una plantilla, una prueba, una lista de control, una automatización simple, una página, un mensaje o una medición inicial. Luego pide feedback o compara el resultado contra una métrica.

Si el resultado mejora, documenta el proceso. Si no mejora, identifica si falló la hipótesis, la ejecución o la medición. Esta distinción es clave: muchas personas abandonan una buena idea por una mala primera ejecución, o escalan una mala idea porque miraron la métrica equivocada.

Errores frecuentes

• Confundir actividad con avance: hacer muchas tareas sin saber qué resultado persiguen.
• Copiar ejemplos sin adaptarlos al cliente, audiencia, equipo o nivel técnico real.
• No dejar evidencia: si no registras decisiones y resultados, no aprendes del proceso.
• Querer automatizar o escalar antes de validar que el enfoque básico funciona.

Ejercicio práctico

1. Escribe el objetivo de esta lección en una frase aplicada a tu caso.
2. Define un entregable pequeño que puedas crear en menos de una hora.
3. Lista tres criterios para evaluar si ese entregable está bien hecho.
4. Ejecuta una versión inicial y anota qué cambiarías en una segunda iteración.

Checklist de salida

• Puedo explicar el concepto con mis propias palabras.
• Tengo un ejemplo aplicado, no solo una definición.
• Sé qué error debo evitar primero.
• Tengo una acción concreta para practicar esta semana.