Indexación y Remodelación de NumPy

La indexación selecciona y reorganiza datos de ndarray a lo largo de ejes; la remodelación cambia la forma sin cambiar los valores cuando el tamaño total se mantiene constante.

Receta

Tarjeta de referencia rápida - lista para copiar y pegar.

import numpy as np
 
matrix = np.arange(12).reshape(3, 4)
rows = matrix[1:3, ::2]          # selecciona filas 1-2, cada otra columna
cols = matrix[:, [0, 3]]         # indexación avanzada de columnas 0 y 3
flat = matrix.reshape(-1)        # vista 1-D cuando es posible

Cuándo usar esto:

• Extracción de submatrices para procesamiento por lotes
• Reordenamiento de dimensiones antes de pasar datos a modelos de ML
• Creación de máscaras para actualizaciones condicionales
• Alineación de formas para broadcasting a través de ejes

Ejemplo de Trabajo

import numpy as np
 
# 4 regiones x 6 meses
sales = np.array(
    [[10, 12, 11, 13, 14, 15],
     [8, 9, 10, 9, 11, 12],
     [20, 18, 19, 21, 22, 23],
     [5, 6, 5, 7, 6, 8]],
    dtype=np.int32,
)
 
# Solo Q1: meses 0-2, todas las regiones
q1 = sales[:, 0:3]
 
# Dos regiones principales por ventas totales
totals = sales.sum(axis=1)
top_idx = np.argsort(totals)[-2:]
top_regions = sales[top_idx]
 
# Apilar vectores de región como columnas para correlación
wide = sales.T  # forma (6, 4) - meses como filas
 
# Marcar meses donde cualquier región superó 20
hot_months = np.where(sales.max(axis=0) >= 20)[0]
 
print("q1 shape:", q1.shape)
print("top regions:", top_idx)
print("hot months:", hot_months)

Lo que esto demuestra:

• Slicing de columnas con inicio:fin en axis=1
• Reducción a lo largo de axis=1 y luego argsort para selección de filas
• .T (transpuesta) como atajo de remodelación
• np.where en max(axis=0) para indexar columnas por condición

Profundización

Cómo Funciona

• El slicing básico (inicio:fin:paso) usa strides para producir una vista que comparte memoria.
• La indexación con arrays de enteros recopila elementos en orden arbitrario y generalmente copia.
• Las máscaras booleanas deben coincidir con la forma broadcastable; arr[mask] devuelve una selección 1-D.
• reshape devuelve una vista cuando los strides lo permiten; de lo contrario, copia.

Modos de Indexación

Convenciones de Ejes

Notas de Python

import numpy as np
 
# Insertar eje para broadcasting
row = np.array([1, 2, 3])
col = row[:, np.newaxis]  # forma (3, 1)
 
# ravel vs flatten: flatten siempre copia
a = np.arange(6).reshape(2, 3)
flat_view = a.ravel()
flat_copy = a.flatten()

Errores Comunes

• Asignación a través de indexación avanzada - a[[0, 1]] = 5 puede no comportarse como la asignación repetida de slices. Solución: asignar a .copy() o usar np.put.
• Vistas con strides negativos - invertir con a[::-1] puede hacer que algunas remodelaciones copien inesperadamente. Solución: llamar a .copy() antes de extensiones C posteriores.
• Forma de la máscara booleana - a[mask] en 2-D necesita una forma de máscara (filas, columnas) o broadcastable. Solución: mask = mask & (a > 0) con formas alineadas.
• Slices con diferencia de uno - a[1:3] excluye el índice 3; a diferencia de range. Solución: recordar que el final es exclusivo.
• Desajuste de tamaño en reshape - reshape(3, 5) en 12 elementos lanza un error. Solución: usar -1 para una dimensión inferida: reshape(3, -1).

Alternativas

Preguntas Frecuentes

import numpy as np
a = np.arange(10)
every_other = a[::2]

Relacionado

• NumPy Arrays - creación, dtypes, broadcasting
• pandas Series & DataFrames - análogos de .loc / .iloc
• Rendimiento y Memoria - vistas vs copias a escala
• Conceptos Básicos de Análisis de Datos - ejemplos introductorios

Versiones de Stack: 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+.