Creación Básica de Arreglos
Un array de NumPy es un contenedor multidimensional eficiente para almacenar y manipular grandes conjuntos de datos del mismo tipo de dato. Aunque son similares a las listas de Python, son más eficientes en memoria y permiten operaciones matemáticas y numéricas de alto rendimiento.
Ahora, es momento de crear tus primeros arrays de NumPy. La forma más directa de hacerlo es utilizando la función array(), pasando como argumento una list o una tuple, y solo ellas.
Debes crear arrays de NumPy solo a partir de listas en todas las tareas a lo largo de nuestro curso.
1234567import numpy as np # Creating an array from list array_from_list = np.array([1, 2, 3, 2, 6, 1]) # Creating an array from tuple array_from_tuple = np.array((1, 2, 3, 2, 6, 1)) print(f'Array from list: {array_from_list}') print(f'Array from tuple: {array_from_tuple}')
Especificación del tipo de dato
El tipo de dato de los elementos del array se define implícitamente; sin embargo, puede especificarse explícitamente mediante el parámetro dtype:
1234567import numpy as np # Creating an integer array without specifying dtype array_1 = np.array([1, 2, 3]) # Creating an integer array with setting dtype to 1-byte integer array_2 = np.array([1, 2, 3], dtype=np.int8) print(f'First array dtype: {array_1.dtype}') print(f'Second array dtype: {array_2.dtype}')
El primer array de enteros utiliza el tipo de dato predeterminado int64, que corresponde a un entero de 8 bytes. El segundo array utiliza int8, un entero de 1 byte.
Los tipos de datos más comunes en NumPy incluyen numpy.float16, numpy.float32 y numpy.float64, que almacenan números de punto flotante de 2, 4 y 8 bytes, respectivamente.
¡Gracias por tus comentarios!
Pregunte a AI
Pregunte a AI
Pregunte lo que quiera o pruebe una de las preguntas sugeridas para comenzar nuestra charla
Awesome!
Completion rate improved to 3.7Creación Básica de Arreglos
Desliza para mostrar el menú
Un array de NumPy es un contenedor multidimensional eficiente para almacenar y manipular grandes conjuntos de datos del mismo tipo de dato. Aunque son similares a las listas de Python, son más eficientes en memoria y permiten operaciones matemáticas y numéricas de alto rendimiento.
Ahora, es momento de crear tus primeros arrays de NumPy. La forma más directa de hacerlo es utilizando la función array(), pasando como argumento una list o una tuple, y solo ellas.
Debes crear arrays de NumPy solo a partir de listas en todas las tareas a lo largo de nuestro curso.
1234567import numpy as np # Creating an array from list array_from_list = np.array([1, 2, 3, 2, 6, 1]) # Creating an array from tuple array_from_tuple = np.array((1, 2, 3, 2, 6, 1)) print(f'Array from list: {array_from_list}') print(f'Array from tuple: {array_from_tuple}')
Especificación del tipo de dato
El tipo de dato de los elementos del array se define implícitamente; sin embargo, puede especificarse explícitamente mediante el parámetro dtype:
1234567import numpy as np # Creating an integer array without specifying dtype array_1 = np.array([1, 2, 3]) # Creating an integer array with setting dtype to 1-byte integer array_2 = np.array([1, 2, 3], dtype=np.int8) print(f'First array dtype: {array_1.dtype}') print(f'Second array dtype: {array_2.dtype}')
El primer array de enteros utiliza el tipo de dato predeterminado int64, que corresponde a un entero de 8 bytes. El segundo array utiliza int8, un entero de 1 byte.
Los tipos de datos más comunes en NumPy incluyen numpy.float16, numpy.float32 y numpy.float64, que almacenan números de punto flotante de 2, 4 y 8 bytes, respectivamente.
¡Gracias por tus comentarios!
