array NumPy en Python

Las listas de Python son un sustituto de las arrays, pero no brindan el rendimiento requerido al calcular grandes conjuntos de datos numéricos. Para solucionar este problema, usamos una biblioteca de python llamada NumPy. La palabra NumPy significa Numerical Python. NumPy ofrece un objeto de array llamado ndarray . Son similares a las secuencias estándar de Python, pero difieren en ciertos factores clave.

Arreglos NumPy vs secuencias de Python incorporadas

• A diferencia de las listas, las arrays NumPy tienen un tamaño fijo, y cambiar el tamaño de una array conducirá a la creación de una nueva array mientras que la array original se eliminará.
• Todos los elementos de un arreglo son del mismo tipo.
• Las arrays Numpy son más rápidas, más eficientes y requieren menos sintaxis que las secuencias estándar de Python.

Nota: Varios paquetes científicos y matemáticos basados ​​en Python usan Numpy. Pueden tomar la entrada como una secuencia de Python incorporada, pero es probable que conviertan los datos en una array NumPy para lograr un procesamiento más rápido. Esto explica la necesidad de entender NumPy.

¿Por qué Numpy es tan rápido?

Las arrays Numpy están escritas principalmente en lenguaje C. Al estar escritas en C, las arrays NumPy se almacenan en ubicaciones de memoria contiguas, lo que las hace accesibles y más fáciles de manipular. Esto significa que puede obtener el nivel de rendimiento de un código C con la facilidad de escribir un programa en Python.

Uso de arrays Numpy

Si no tiene NumPy instalado en su sistema, puede hacerlo siguiendo estos pasos. Después de instalar NumPy, puede importarlo en su programa de esta manera

import numpy as np

Aquí np es un alias de uso común para NumPy.

Array numpy de una lista

Puede usar el alias np para crear ndarray de una lista usando el método array().

li = [1,2,3,4]
numpyArr = np.array(li)

o

numpyArr = np.array([1,2,3,4])

La lista se pasa al método array() que luego devuelve una array NumPy con los mismos elementos.

Ejemplo:

El siguiente ejemplo muestra cómo inicializar una array NumPy de una lista. 

import numpy as np
  
li = [1, 2, 3, 4]
numpyArr = np.array(li)
print(numpyArr)

Producción:

[1 2 3 4]

La array resultante tiene el mismo aspecto que una lista, pero en realidad es un objeto NumPy. 

Ejemplo: Tomemos un ejemplo para verificar si numpyArr es un objeto NumPy o no.

import numpy as np
  
li = [1, 2, 3, 4]
numpyArr = np.array(li)
  
print("li =", li, "and type(li) =", type(li))
print("numpyArr =", numpyArr, "and type(numpyArr) =", type(numpyArr))

Producción:

li = [1, 2, 3, 4] and type(li) = <class 'list'>
numpyArr = [1 2 3 4] and type(numpyArr) = <class 'numpy.ndarray'>

Como puede ver, li es un objeto de lista, mientras que numpyArr es un objeto de array de NumPy.

array NumPy de una tupla

Puede hacer ndarray a partir de una tupla usando una sintaxis similar.

tup = (1,2,3,4)
numpyArr = np.array(tup)

o

numpyArr = np.array((1,2,3,4))

Ejemplo:

El siguiente ejemplo ilustra cómo crear una array NumPy a partir de una tupla.

import numpy as np
  
tup = (1, 2, 3, 4)
numpyArr = np.array(tup)
  
print("tup =", tup, "and type(tup) =", type(tup))
print("numpyArr =", numpyArr, "and type(numpyArr) =", type(numpyArr))

Producción:

tup = (1, 2, 3, 4) and type(tup) = <class 'tuple'>
numpyArr = [1 2 3 4] and type(numpyArr) = <class 'numpy.ndarray'>

Tenga en cuenta que el valor de numpyArr sigue siendo el mismo para cualquiera de las dos conversiones.