Conviene haber comprendido API, automatización y scripts confiables.
CONTENIDO ORIGINAL
Avanza en orden. Cada lección está redactada para Palta es Cool, utiliza ejemplos propios y termina con una actividad cuya respuesta puedes desplegar.
ANTES DE EMPEZAR
Ubícate antes de avanzar
Al terminar deberías poder relacionar Arrays y forma con Vectorización y resolver un caso nuevo.
Reserva entre 75 y 120 minutos o divide el laboratorio en dos sesiones.
04 / PREPARA EL LABORATORIO
Instala Python 3 y utiliza IDLE o un editor como VS Code. Desde NumPy y Pandas trabaja dentro de un entorno virtual.
Abrir la guía de herramientas →Diagnóstico rápido: ¿cómo se relacionan Arrays y forma y Vectorización? ＋
No necesitas acertar todavía. Escribe una hipótesis de dos líneas y compárala con tu respuesta al finalizar; si puedes corregirla y justificar el cambio, hubo aprendizaje.
Aprende el tema paso a paso
Usarás arrays homogéneos para cálculo numérico, comprobando forma, ejes y compatibilidad antes de operar.
Al terminar podrás
- dtype, shape y ndim describen cómo NumPy organiza los datos
- Vectorización aplica operaciones sin escribir el ciclo elemento por elemento
- Multiplicación elemento a elemento y producto matricial responden preguntas distintas
01
Construir arrays
dtype, shape y ndim describen cómo NumPy organiza los datos
Un ndarray almacena elementos normalmente homogéneos en una forma multidimensional. shape indica el tamaño por eje, ndim el número de dimensiones y dtype la representación numérica. Una matriz 3×2 no es equivalente a un vector de seis elementos aunque contenga los mismos valores.
np.array convierte una secuencia compatible.
zeros, ones, arange y linspace generan patrones comunes.
Revisar shape evita operar sobre el eje equivocado.
¿Qué significa shape (3, 2) en este ejemplo?
Mostrar respuesta ＋
Hay tres elementos en el primer eje —las filas o días— y dos en el segundo —las columnas o sensores—.
02
Calcular por vectores
Vectorización aplica operaciones sin escribir el ciclo elemento por elemento
Las operaciones de NumPy actúan sobre arrays completos y suelen ejecutarse en código optimizado. Broadcasting permite combinar formas compatibles, alineando dimensiones desde la derecha. No se trata de “ignorar” los ciclos, sino de delegarlos a una implementación eficiente y clara.
Las operaciones aritméticas son elemento a elemento.
axis define la dimensión que se reduce.
Broadcasting solo es válido cuando las dimensiones son iguales o una vale 1.
¿Qué diferencia habría entre mean(axis=0) y mean(axis=1)?
Mostrar respuesta ＋
axis=0 reduce las filas y entrega un promedio por columna o sensor. axis=1 reduce las columnas y entrega un promedio por fila o día.
03
Matrices y álgebra
Multiplicación elemento a elemento y producto matricial responden preguntas distintas
* multiplica posiciones correspondientes; @ realiza producto matricial si las dimensiones internas coinciden. np.linalg ofrece resolución de sistemas, pero antes hay que verificar forma, condición y significado del modelo.
A * B exige formas compatibles por broadcasting.
A @ B requiere columnas de A iguales a filas de B.
Resolver un sistema no garantiza que el modelo represente bien el problema.
¿Por qué se comprueba A @ x después de resolver?
Mostrar respuesta ＋
Porque permite verificar que la solución reconstruye el vector b dentro de la tolerancia numérica y ayuda a detectar errores de forma o de transcripción.
Tu recorrido en tres ideas
- dtype, shape y ndim describen cómo NumPy organiza los datos
- Vectorización aplica operaciones sin escribir el ciclo elemento por elemento
- Multiplicación elemento a elemento y producto matricial responden preguntas distintas
Procesa una matriz de sensores sin perder su significado
Conecta dimensiones, tipos, ejes y vectorización con controles que evitan obtener un número correcto por casualidad.
CASO
Cinco sensores registran temperatura cada hora. Hay que resumirlos y detectar valores fuera de rango sin recorrer cada celda manualmente.
Procedimiento
- Define qué representa cada eje y comprueba shape, dtype y valores ausentes.
- Calcula resúmenes por hora y sensor con operaciones vectorizadas.
- Contrasta una muestra a mano y prueba qué ocurre con una forma incompatible.
Evidencia mínima
- Shape y unidades documentadas.
- Resultado vectorizado igual a un cálculo independiente.
- Máscara de anomalías y conteos por eje.
Mostrar razonamiento modelo ＋
El eje se decide desde la pregunta: si las filas son horas y las columnas sensores, axis=0 resume cada sensor. La validación usa una matriz pequeña cuyo resultado puede anticiparse antes de ejecutar.
Para ir más lejos¿Cómo conservarías los ausentes sin convertirlos silenciosamente en cero?
CIERRE DE LA SECCIÓN
Comprueba que puedes usarlo
Antes de continuar, revisa estos tropiezos frecuentes y resuelve un caso sin copiar los ejemplos.
Operar arrays sin revisar shape, dtype y eje.
Confundir multiplicación elemento a elemento con producto matricial.
Ahora hazlo sin guía
Organiza mediciones de sensores en una matriz y calcula promedios por sensor y por día sin bucles explícitos.
Mostrar pauta de corrección ＋
Una respuesta sólida:
- Documenta qué representa cada dimensión y cada eje.
- La operación vectorizada coincide con un ejemplo calculado a mano.
- Distingue *, @ y broadcasting mediante formas compatibles.