Día 7: Numpy y Machine Learning

Continuamos con el último módulo de Introduction to Python, de Data Camp. Este módulo está dedicado exclusivamente a la librería de NumPy.

¿Qué he aprendido?

• import numpy as np
• np.array(lista) -> convertimos una lista en un array de numpy, lo que nos permitirá manipular los elementos como queramos. Vector arithmetic.
• Ojo!
  • un array de numpy no puede contener elementos de distintos tipos (como sí pasaba con las listas)
  • los símbolos aritméticos (+, / , -, *) funcionan de manera diferente en las listas y los arrays de numpy (vectores).
    • Ej.: np.array([True, 1, 2]) + np.array([3, 4, False]) >> array([4, 5, 2])
• Acceder a los elementos de un array de Numpy es mucho más fácil que con listas de listas en Python. Veamos cómo acceder a los elementos «a» y «c»:

# regular list of lists
x = [["a", "b"], ["c", "d"]]
[x[0][0], x[1][0]]

# numpy
import numpy as np
np_x = np.array(x)
np_x[:,0]

• Los índices de antes de la coma, se refieren a las filas y los de después de la coma a las columnas. El «:» del ejemplo es para hacer slicing y le dice que se incluyan todas las filas.
• Numpy nos permite realizar cálculos de estadística básicos de manera muy simple. Por ejemplo:
  • np.mean
  • np.median
  • np.corrcoef
  • np.std

import numpy as np
x = [1, 4, 8, 10, 12]
np.mean(x)
np.median(x)