La función numpy.asarray convierte una estructura de datos en un array NumPy.
Esta función es semejante a np.array (aunque con menos opciones), siendo la mayor diferencia el hecho de que np.array genera -por defecto- una copia independiente de la estructura pasada como argumento, mientras que numpy.asarray no.
numpy.number es una clase de la librería NumPy que representa a todos los tipos numéricos.
Siempre llega el momento en el que tienes un array NumPy unidimensional al que quieres añadir un valor adicional (por ejemplo) y te das cuenta de que no es tan inmediato como parece.
La función np.concatenate() nos permite "concatenar" dos arrays a lo largo de un cierto eje. Por ejemplo:
a = np.arange(4).reshape(2, 2)
b = np.arange(10, 14).reshape(2, 2)
a, b
En ocasiones nos encontramos con que necesitamos invertir un array NumPy. Por ejemplo partimos del array:
numbers = np.array(["one", "two", "three", "four"])
numbers
array(['one', 'two', 'three', 'four'], dtype='<U5')
...y deseamos obtener el mismo array tras invertir sus elementos. Una opción es extraer los valores del array "hacia atrás":
numbers[::-1]
array(['four', 'three', 'two', 'one'], dtype='<U5')
En este escenario partimos de un array NumPy que, en nuestro ejemplo, contiene nombres:
names = np.array(["Susana", "Jorge", "Alicia", "Alfonso"])
...y de otro array, de la misma longitud, que contiene, en este ejemplo, edades:
ages = np.array([53, 29, 33, 19])
En ocasiones nos encontramos con la necesidad de comparar dos arrays NumPy cuyos valores son casi idénticos. Por ejemplo, supongamos que estamos trabajando con los dos siguientes arrays:
import numpy as np
a = np.array([[2, 1], [0, 3]])
a
array([[2, 1],
[0, 3]])
b = np.array([[1.999999999, 1], [0.0000000001, 2.99999999]])
b
El objetivo en este escenario es, partiendo de un dataframe, generar bins (bloques) definidos por los valores que tome una de las características y, a continuación, dividir el dataframe según estos bins.
Veamos un ejemplo muy sencillo: Supongamos que estamos trabajando con el dataset Iris y queremos dividirlo en N grupos en función de los valores que tome la característica "sepal_length". Tendríamos que crear N bins basados en los valores de sepal_length y, a continuación, asignar cada registro del dataframe a uno de los bins.
Podemos comparar dos arrays NumPy a y b del mismo tamaño con el operador igualdad (==):
a == b
Esto nos va a devolver un array del mismo tamaño que a y b formado por booleanos indicando si el elemento correspondiente coincide en ambos arrays:
a = np.array([[1, 2, 3], [2, 3, 4]])
b = np.array([[1, 3, 3], [2, 3, 4]])
a == b
La función numpy.subtract resta los valores de los dos arrays implicados, elemento a elemento. Si x1 y x2 son escalares, el resultado de la resta también será un escalar.
Excepto donde se indique otra cosa, los contenidos de este sitio web se ofrecen bajo una licencia Reconocimiento-NoComercial-SinObraDerivada 4.0 Internacional