Arrays de NumPy

Los objetos ndarray de NumPy almacenan datos numéricos homogéneos y exponen operaciones vectorizadas que reemplazan los lentos bucles de Python.

Receta

Tarjeta de referencia rápida - lista para copiar y pegar.

import numpy as np
 
# Crear, convertir dtype, vectorizar
a = np.array([1, 2, 3], dtype=np.float64)
b = np.arange(3)  # [0, 1, 2]
result = a * 2 + b  # broadcasting + ufunc
print(result.shape, result.dtype)

Cuándo usar esto:

• Transformaciones numéricas en millones de valores (matemáticas, máscaras, agregaciones)
• Álgebra lineal, estadísticas y preprocesamiento de imágenes/tensores
• Interoperabilidad con pandas, SciPy y bibliotecas de ML que esperan entrada ndarray
• Cualquier bucle intensivo que, según el profiling, pase tiempo en el bytecode de Python

Ejemplo de Trabajo

import numpy as np
 
# Matriz de ingresos mensuales: filas = regiones, columnas = meses
revenue = np.array(
    [[120_000, 135_000, 128_000],
     [98_000, 102_000, 110_000],
     [150_000, 148_000, 155_000]],
    dtype=np.int64,
)
 
# Tasa de crecimiento por región frente al mes anterior (la columna 0 no tiene anterior)
growth = np.diff(revenue, axis=1) / revenue[:, :-1]
 
# Normalizar cada región a su propia media (broadcasting)
normalized = (revenue - revenue.mean(axis=1, keepdims=True)) / revenue.std(axis=1, keepdims=True)
 
# Enmascarar celdas de bajo rendimiento
threshold = revenue.mean()
under = np.where(revenue < threshold, revenue, 0)
 
print("forma de growth:", growth.shape)
print("media normalizada por fila:", normalized.mean(axis=1))
print("total de bajo rendimiento:", under.sum())

Lo que esto demuestra:

• Creación 2-D con dtype explícito para matemáticas enteras estables
• np.diff a lo largo de axis=1 para el cambio mes a mes columna a columna
• Broadcasting con keepdims=True para que las estadísticas de fila se alineen con la forma de la matriz
• np.where como una condición vectorizada sin if de Python por celda

Inmersión Profunda

Cómo Funciona

• Un ndarray es un buffer contiguo más metadatos de forma/pasos - todos los elementos comparten un único dtype.
• Las funciones universales (ufuncs) aplican operaciones elemento a elemento en bucles compilados, a menudo liberando el GIL.
• El broadcasting compara formas desde la derecha: las dimensiones coinciden cuando son iguales o uno de los lados es 1.
• Las vistas comparten memoria con el array padre; las copias son explícitas (arr.copy()) o provienen de asignaciones incompatibles.

Patrones de Creación

Referencia Rápida de dtype

Notas de Python

import numpy as np
 
# Prefiere dtype explícito al ingerir
ids = np.array(["1", "2", "3"], dtype=np.int64)  # ValueError - convierte cadenas primero
 
# Usa default_rng, no el legado np.random.seed
rng = np.random.default_rng(42)
samples = rng.normal(0, 1, size=10_000)
 
# np.ndarray no es un reemplazo directo para list - .append no existe

Trampas

• Tipos mixtos en np.array - np.array([1, 2.5, 3]) se convierte en float64 y puede sorprender al código entero posterior. Solución: convierte explícitamente en la creación.
• División entera - / siempre promueve a flotante; // trunca hacia infinito negativo. Solución: usa np.floor_divide cuando necesites un truncamiento consistente.
• Copias silenciosas vs vistas - el indexado "fancy" (arr[[0, 2]]) devuelve una copia; los "slices" a menudo devuelven vistas. Solución: llama a .copy() antes de mutar los resultados filtrados.
• Propagación de NaN - np.mean([1, np.nan, 3]) es NaN a menos que pases nanmean. Solución: usa np.nanmean o enmascara primero.
• Errores de broadcasting - (3, 4) + (4,) funciona; (3, 4) + (3,) lanza un error a menos que cambies la forma. Solución: alinea con arr[:, np.newaxis] o reshape.

Alternativas

Preguntas Frecuentes

import numpy as np
rng = np.random.default_rng(42)
rng.integers(0, 100, size=5)

safe = arr[mask].copy()
safe *= 2  # no toca arr

Relacionado

• Indexación y Reestructuración de NumPy - slices, indexado fancy, ejes
• Series y DataFrames de pandas - tablas etiquetadas construidas sobre NumPy
• Rendimiento y Memoria - reducción de dtype y fragmentación
• Conceptos Básicos de Análisis de Datos - primer recorrido de análisis

Versiones de la pila: Esta página fue escrita para Python 3.14.0 (estable 3.14, mantenimiento 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, y uv 0.6+.