Hoja de Trucos de NumPy
Última actualización
Crear arrays
Un array guarda valores de un solo tipo en una cuadrícula con cualquier número de dimensiones.
| Tarea | Código |
|---|---|
| Importar NumPy | import numpy as np |
| Desde una lista | np.array([1, 2, 3]) |
| 2D desde listas anidadas | np.array([[1, 2, 3], [4, 5, 6]]) |
| Ceros, unos, un valor de relleno | np.zeros((2, 3)), np.ones(4), np.full((2, 2), 7) |
| Rango con paso (sin el final) | np.arange(0, 10, 2) # [0 2 4 6 8] |
| n puntos equiespaciados (con el final) | np.linspace(0, 1, 5) # [0. 0.25 0.5 0.75 1.] |
| Matriz identidad | np.eye(3) |
| Misma forma que otro array | np.zeros_like(m), np.ones_like(m) |
| Elegir el tipo de elemento | np.array([1, 2, 3], dtype=np.float32) |
| Mallas de coordenadas | xx, yy = np.meshgrid(np.arange(3), np.arange(2)) |
Inspeccionar un array
| Tarea | Código |
|---|---|
| Shape: tamaño de cada dimensión | m.shape # (3, 4) |
| Número de dimensiones | m.ndim # 2 |
| Número de elementos | m.size # 12 |
| Tipo de elemento | m.dtype # int64 |
| Convertir el tipo | m.astype(np.float64) |
| Longitud de la primera dimensión | len(m) # 3 |
| Volver a una lista de Python | m.tolist() |
| Mostrar menos decimales | np.set_printoptions(precision=3, suppress=True) |
Indexar y hacer slicing
Los slices son vistas: comparten memoria con el array original. Las máscaras y las listas de índices devuelven copias.
| Tarea | Código |
|---|---|
| Primer y último elemento | a[0], a[-1] |
| Slice start:stop (sin stop) | a[1:4] # [20 30 40] |
| Uno de cada dos, al revés | a[::2], a[::-1] |
| Un elemento de un array 2D | m[1, 2] # 6 |
| Una fila, una columna | m[0], m[:, 1] |
| Un bloque de filas y columnas | m[:2, 1:3] |
| Elementos que cumplen una condición | a[a > 25] # [30 40 50] |
| Combinar condiciones | a[(a > 15) & (a < 45)] |
| Elegir por una lista de posiciones | a[[0, 2, 4]] |
| Posiciones que cumplen | np.flatnonzero(a > 25) # [2 3 4] |
| Elegir elemento a elemento | np.where(a > 25, a, 0) |
| Copiar antes de modificar un slice | part = a[1:3].copy() |
| Asignar valores con una máscara | a[a > 40] = 0 |
Operaciones y broadcasting
Los operadores trabajan elemento a elemento. El broadcasting estira un escalar, una fila o una columna hasta la forma del otro array.
| Tarea | Código |
|---|---|
| Aritmética elemento a elemento | x + y, x - y, x * y, x / y, x ** 2 |
| Con un escalar | x * 10 |
| Raíz cuadrada, exponencial, logaritmo | np.sqrt(x), np.exp(x), np.log(x) |
| Valor absoluto, redondeo | np.abs(x - 5), np.round(x / 3, 2) |
| Limitar valores a un rango | np.clip(x, 2, 8) |
| Máximo elemento a elemento | np.maximum(x, 3) |
| Producto escalar | x @ y # 37.0 |
| Centrar cada columna (broadcast de una fila) | m - m.mean(axis=0) |
| Escalar cada fila (broadcast de una columna) | m / m.sum(axis=1, keepdims=True) |
| Comparar floats con seguridad | np.isclose(0.1 + 0.2, 0.3) # True, np.allclose(x, y) |
| Trigonometría y pi | np.sin(np.pi / 2) # 1.0 |
Agregar a lo largo de un eje
axis=0 recorre las filas hacia abajo y da un resultado por columna. axis=1 recorre las columnas y da un resultado por fila.
| Tarea | Código |
|---|---|
| Suma de todos los elementos | m.sum() # 21 |
| Un resultado por columna | m.sum(axis=0) # [5 7 9] |
| Un resultado por fila | m.sum(axis=1) # [ 6 15] |
| Media y desviación estándar | m.mean(), m.std(), m.mean(axis=0) |
| Mínimo, máximo | m.min(), m.max(axis=1) |
| Posición del máximo | m.argmax(), m.argmax(axis=1) |
| Mediana y percentiles | np.median(m), np.percentile(m, [25, 50, 75]) |
| Suma acumulada | np.cumsum(m, axis=1) |
| Producto de todos los elementos | m.prod() # 720 |
| Alguno, todos, contar | (m > 4).any(), (m > 0).all(), np.count_nonzero(m > 2) |
Cambiar de forma y combinar
Un reshape conserva los elementos y cambia la forma, así que el tamaño total debe ser el mismo.
| Tarea | Código |
|---|---|
| Nueva forma | a.reshape(2, 3) |
| Dejar que NumPy calcule un tamaño | a.reshape(3, -1), a.reshape(-1, 1) |
| Aplanar a 1D | m.ravel(), m.flatten() |
| Transponer | m.T |
| Añadir una dimensión | a[:, np.newaxis], np.expand_dims(a, axis=0) |
| Quitar dimensiones de tamaño 1 | np.squeeze(np.ones((1, 3, 1))) |
| Unir a lo largo de un eje existente | np.concatenate([a, a]) |
| Apilar filas o columnas | np.vstack([m, m]), np.hstack([m, m]) |
| Arrays 1D como columnas | np.column_stack([a, a ** 2]) |
| Apilar en un eje nuevo | np.stack([a, a], axis=0) # shape (2, 6) |
| Dividir en trozos | np.split(a, 3), np.array_split(a, 4) |
| Repetir o replicar en mosaico | np.repeat([1, 2], 2) # [1 1 2 2], np.tile([1, 2], 2) # [1 2 1 2] |
Ordenar, buscar y valores únicos
| Tarea | Código |
|---|---|
| Copia ordenada | np.sort(a) |
| De mayor a menor | np.sort(a)[::-1] |
| Posiciones que ordenarían el array | np.argsort(a) |
| Los tres valores más grandes | np.sort(a)[-3:] |
| Valores únicos y sus conteos | values, counts = np.unique(a, return_counts=True) |
Nombres de NumPy 2 (unique_values puede no ordenar) | np.unique_values(a), np.unique_counts(a) |
| ¿Está cada elemento en una lista? | np.isin(a, [1, 9]) |
| Posición de inserción en un array ordenado | np.searchsorted([1, 3, 5, 7], 4) # 2 |
| Operaciones de conjuntos | np.intersect1d(a, [1, 2, 10]), np.union1d(a, [10]), np.setdiff1d(a, [1]) |
| Ordenar filas por una columna | m[m[:, 1].argsort()] |
Números aleatorios
Crea un Generator con semilla y saca todo de él, para que los resultados se repitan en cada ejecución.
| Tarea | Código |
|---|---|
| Generador con semilla | rng = np.random.default_rng(42) |
| Floats en [0, 1) | rng.random(3) |
| Enteros, sin el extremo superior | rng.integers(1, 7, size=10) |
| Distribución normal | rng.normal(loc=0, scale=1, size=(2, 3)) |
| Floats uniformes en un rango | rng.uniform(5, 10, size=4) |
| Elegir de una lista | rng.choice(["a", "b", "c"], size=5) |
| Elegir sin repetición | rng.choice(10, size=3, replace=False) |
| Elegir con pesos | rng.choice(["H", "T"], size=10, p=[0.7, 0.3]) |
| Copia barajada, barajar in situ | rng.permutation(a), rng.shuffle(a) |
| Conteos binomiales y de Poisson | rng.binomial(10, 0.5, size=5), rng.poisson(3, size=5) |
Álgebra lineal
| Tarea | Código |
|---|---|
| Producto de matrices | A @ A |
| Resolver Ax = b | np.linalg.solve(A, b) # [0.8 1.4] |
| Inversa y determinante | np.linalg.inv(A), np.linalg.det(A) |
| Norma de un vector | np.linalg.norm(b) |
| Autovalores y autovectores | values, vectors = np.linalg.eig(A) |
| Ajustar una recta | slope, intercept = np.polyfit(x, y, 1) |
| Producto exterior | np.outer([1, 2], [3, 4]) |
| Diagonal y traza | np.diag(A), np.trace(A) |
Valores faltantes y especiales
np.nan marca un float faltante. Cualquier operación con él da nan, así que usa las funciones nan o una máscara.
| Tarea | Código |
|---|---|
| Valor faltante | np.nan |
| Encontrar valores faltantes | np.isnan(v), np.isnan(v).sum() |
| Eliminar valores faltantes | v[~np.isnan(v)] |
| Reemplazar faltantes e infinitos | np.nan_to_num(v, nan=0.0, posinf=0.0) |
| Comprobar infinitos y finitos | np.inf, np.isfinite(v) |
| Estadísticas que ignoran NaN | np.nanmean(v[:3]) # 2.0, np.nanmax(v) |
Guardar y cargar
| Tarea | Código |
|---|---|
| Un array, archivo binario | np.save("data.npy", m), m = np.load("data.npy") |
| Varios arrays en un archivo | np.savez("data.npz", x=x, y=y), np.load("data.npz")["x"] |
| Escribir texto CSV | np.savetxt("data.csv", m, delimiter=",", fmt="%d") |
| Leer texto CSV | np.loadtxt("data.csv", delimiter=",") |
NumPy 2: nombres antiguos y qué escribir ahora
NumPy 2 eliminó muchos alias, así que el código copiado de tutoriales antiguos puede fallar con un AttributeError.
| Tarea | NumPy 2 | Forma antigua |
|---|---|---|
| Valor faltante | np.nan | np.NaN |
| Infinito | np.inf | np.Inf |
| Tipo float de 64 bits | np.float64 | np.float_ |
| Área bajo una curva | np.trapezoid(y, x) | np.trapz(y, x) |
| ¿Está cada elemento en otro array? | np.isin(a, b) | np.in1d(a, b) |
| Apilar filas | np.vstack([a, a]) | np.row_stack([a, a]) |
| Producto | np.prod(a) | np.product(a) |
| Números aleatorios | rng = np.random.default_rng(0)
rng.random(3) | np.random.seed(0)
np.random.rand(3) |
Las llamadas de NumPy sobre las que se construye el código de ciencia de datos, ordenadas por tarea: crear arrays, inspeccionarlos, indexar y hacer slicing, operar elemento a elemento, agregar a lo largo de un eje, cambiar de forma y combinar, ordenar y buscar, generar números aleatorios y resolver álgebra lineal. Cada fila es un fragmento corto que puedes pegar, con una línea que explica qué hace.
Todo está escrito para NumPy 2, la versión que usa Coddy, y la última tabla recoge los nombres que NumPy 2 eliminó, junto a lo que debes escribir en su lugar. La mayoría de los ejemplos usan a = np.array([3, 1, 4, 1, 5, 9, 2, 6]) y m = np.arange(12).reshape(3, 4). ¿Empiezas con Python? Arranca por la hoja de trucos de Python y el playground de Python, y ten a mano las hojas de trucos de pandas, Matplotlib y scikit-learn junto a esta.
Preguntas frecuentes sobre la hoja de trucos de NumPy
¿Esta hoja de trucos de NumPy es gratis?
Sí. Esta hoja de trucos de NumPy es totalmente gratis y no necesitas registrarte. Guárdala en marcadores o imprímela en PDF desde tu navegador, y vuelve cuando necesites la llamada exacta para un reshape, una suma por eje o un número aleatorio.
¿Qué versión de NumPy cubre esta hoja de trucos?
NumPy 2. Todos los fragmentos funcionan en NumPy 2.4, la versión que usa Coddy. NumPy 2 eliminó alias como
np.NaN, np.float_, np.trapz y np.in1d, así que la última tabla muestra cada uno junto a su nombre actual.¿Qué significa axis=0 en NumPy?
El eje es la dimensión que se colapsa. En un array 2D,
axis=0 recorre las filas hacia abajo, así que m.sum(axis=0) devuelve un total por columna. axis=1 recorre las columnas y devuelve un total por fila. Sin eje, la función usa todos los elementos.¿Cuál es la diferencia entre una vista y una copia?
Un slice como
a[1:3] es una vista: comparte memoria con a, así que modificar el slice modifica a. Las máscaras booleanas y las listas de índices como a[a > 2] o a[[0, 2]] devuelven copias. Llama a .copy() cuando necesites un array independiente.¿Por qué usar un array de NumPy en vez de una lista de Python?
Los arrays guardan un solo tipo en un bloque de memoria, así que las operaciones sobre el array completo se ejecutan en código compilado y suelen ser muchas veces más rápidas que un bucle de Python.
a * 2 duplica cada elemento, mientras que [1, 2] * 2 repite la lista. pandas y scikit-learn están construidos sobre arrays de NumPy.¿Uso np.random.seed o default_rng?
Usa
rng = np.random.default_rng(seed) y llama a los métodos de rng, como rng.normal() o rng.integers(). Es la API recomendada, con mejores secuencias aleatorias y sin estado global oculto. np.random.seed y np.random.rand siguen funcionando, pero son la interfaz heredada.¿Puedo ejecutar código de NumPy online?
Sí. El playground de Matplotlib, gratuito, ejecuta Python con NumPy, pandas, Matplotlib y scikit-learn en tu navegador, así que puedes pegar cualquier fragmento de esta hoja de trucos y ejecutarlo sin instalar nada. El curso de Machine Learning de Coddy enseña NumPy paso a paso mientras trabajas con datos reales.
Recursos relacionados
Más hojas de referencia
