Cordiales saludos
Comencemos entrando a nuestro entorno virtual y luego ejecutando jupyter lab
rafael@HP:~$
rafael@HP:~$ cd .gitlab/datascience/
rafael@HP:~/.gitlab/datascience$
rafael@HP:~/.gitlab/datascience$ source env/bin/activate
(env) rafael@HP:~/.gitlab/datascience$
(env) rafael@HP:~/.gitlab/datascience$ jupyter lab
Para comenzar importamos la librería de numpy
import numpy as np
Podemos crear un rango de fecha en formato de dos dimensiones.
np.arange('2024-01', '2024-02', dtype='datetime64[D]')
array(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04',
'2024-01-05', '2024-01-06', '2024-01-07', '2024-01-08',
'2024-01-09', '2024-01-10', '2024-01-11', '2024-01-12',
'2024-01-13', '2024-01-14', '2024-01-15', '2024-01-16',
'2024-01-17', '2024-01-18', '2024-01-19', '2024-01-20',
'2024-01-21', '2024-01-22', '2024-01-23', '2024-01-24',
'2024-01-25', '2024-01-26', '2024-01-27', '2024-01-28',
'2024-01-29', '2024-01-30', '2024-01-31'], dtype='datetime64[D]')
Otra forma de generar la matriz identidad es con np.eye()
np.eye(4, dtype=int)
array([[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]])
np.eye(4)
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
Esta forma de generar la matriz identidad ya la habíamos visto en este curso
np.identity(4)
array([[1., 0., 0., 0.],
[0., 1., 0., 0.],
[0., 0., 1., 0.],
[0., 0., 0., 1.]])
np.identity(4, dtype=int)
array([[1, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 1, 0],
[0, 0, 0, 1]])
Podemos generar una matriz con números aleatorios, en este caso generamos una matriz de 5 por 5 con números aleatorios entre el 1 y 10.
np.random.randint(1,10,(5,5))
array([[9, 1, 5, 3, 6],
[2, 1, 9, 9, 1],
[2, 6, 7, 3, 9],
[2, 1, 1, 6, 9],
[2, 2, 2, 2, 1]])
Con np.random.randint() generamos dos matrices para realizar la suma de matrices.
matriz = np.random.randint(1,50,(3,3))
matriz
array([[17, 8, 37],
[12, 2, 27],
[41, 21, 25]])
matriz2 = np.random.randint(1,50,(3,3))
matriz2
array([[ 9, 16, 40],
[43, 27, 33],
[ 2, 39, 33]])
Con el concepto de suma de matrices se realiza la operación de sumar cada uno de sus elementos.
matriz + matriz2
array([[26, 24, 77],
[55, 29, 60],
[43, 60, 58]])
Podemos encontrar el máximo valor de la matriz; el menor valor de la matriz y la suma de todos sus valores.
matriz3 = np.random.randint(1,50,(3,3))
matriz3
array([[ 6, 18, 25],
[ 7, 35, 48],
[35, 31, 9]])
matriz3.max()
48
matriz3.min()
6
matriz3.sum()
214
lista=([ [1,2,3],[4,5,6] ])
m=np.array(lista)
m
array([[1, 2, 3],
[4, 5, 6]])
m2=np.array([ [10,20,30],[40,50,60], [70,80,90] ])
m2
array([[10, 20, 30],
[40, 50, 60],
[70, 80, 90]])
m3=np.diag(np.diag(m2))
m3
array([[10, 0, 0],
[ 0, 50, 0],
[ 0, 0, 90]])
m4=np.diag([1,2,3,4,5,6,7,8])
m4
array([[1, 0, 0, 0, 0, 0, 0, 0],
[0, 2, 0, 0, 0, 0, 0, 0],
[0, 0, 3, 0, 0, 0, 0, 0],
[0, 0, 0, 4, 0, 0, 0, 0],
[0, 0, 0, 0, 5, 0, 0, 0],
[0, 0, 0, 0, 0, 6, 0, 0],
[0, 0, 0, 0, 0, 0, 7, 0],
[0, 0, 0, 0, 0, 0, 0, 8]])
m4.shape
(8, 8)
m5=np.full((3,3),100)
m5
array([[100, 100, 100],
[100, 100, 100],
[100, 100, 100]])
m6=np.ones((3,3))
m6
array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
m7=np.ones((3,3), dtype=int)
m7
array([[1, 1, 1],
[1, 1, 1],
[1, 1, 1]])
m8=np.zeros((3,3))
m8
array([[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]])
m9=np.zeros((3,3), dtype=int)
m9
array([[0, 0, 0],
[0, 0, 0],
[0, 0, 0]])
m10=np.array([np.arange(4),np.arange(4)])
m10
array([[0, 1, 2, 3],
[0, 1, 2, 3]])
list1=np.arange(3)
list2=np.arange(3)
m11=np.array([list1,list2])
m11
array([[0, 1, 2],
[0, 1, 2]])
m12 = np.array([
[9,8,7,6],
[5,4,3,2]
])
m12
array([[9, 8, 7, 6],
[5, 4, 3, 2]])
m12[1]
array([5, 4, 3, 2])
m12[:,0]
array([9, 5])
m12[0,0]
9
m12[0,1]
8
En esta publicacíón se repasaron temas anteriores que puedes revisar en:
✅ Arreglos Bidimensionales
✅ Arreglos Bidimensionales - continuación
Todo el código generado en Markdown para esta publicación lo realicé de la siguiente manera.
Este apartado te permite practicar git. Poco a poco de darás cuenta de la utilidad y lo importante para trabajar en este mundo de la programación e informática.
(env) rafael@HP:~/.gitlab/datascience$
(env) rafael@HP:~/.gitlab/datascience$ git status
En la rama main
Tu rama está actualizada con 'origin/main'.
Archivos sin seguimiento:
(usa "git add ..." para incluirlo a lo que se será confirmado)
29_ejercicios.ipynb
no hay nada agregado al commit pero hay archivos sin seguimiento presentes (usa "git add" para hacerles seguimiento)
(env) rafael@HP:~/.gitlab/datascience$ git add 29_ejercicios.ipynb
(env) rafael@HP:~/.gitlab/datascience$
(env) rafael@HP:~/.gitlab/datascience$ git commit -m "add 29_ejercicios"
[main 6ceba72] add 29_ejercicios
1 file changed, 870 insertions(+)
create mode 100644 29_ejercicios.ipynb
(env) rafael@HP:~/.gitlab/datascience$ git push
Username for xxxxxxxxxxxxxxxxxxxx
Password for xxxxxxxxxxxxxxxxxxxx
Enumerando objetos: 4, listo.
Contando objetos: 100% (4/4), listo.
Compresión delta usando hasta 4 hilos
Comprimiendo objetos: 100% (3/3), listo.
Escribiendo objetos: 100% (3/3), 3.20 KiB | 1.60 MiB/s, listo.
Total 3 (delta 1), reusados 0 (delta 0), pack-reusados 0
To https://gitlab.com/btcsiraquino/datascience.git
74f5cdb..6ceba72 main -> main
(env) rafael@HP:~/.gitlab/datascience$
Hasta aquí nuestra publicación, hasta la próxima semana.
Para ver todas la publicaciones del Curso de Data Science, puedes entrar a:
📍 https://siraquino.github.io/pythoncumanes/datascience.html
Todos a programar!
Rafael Aquino
Bogotá / Colombia
