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.
Se deben 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
Genial!
Completion tasa mejorada a 3.85Creación 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.
Se deben 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!
