Summary  
This chapter introduces efficient array and matrix operations using NumPy’s C-based implementation and demonstrates how vectorization enables high-performance computations by applying operations to whole data sets at once.

General domain of usage  
Numerical computing

Para sentirse seguro y completar con éxito este curso, recomendamos encarecidamente **completar los siguientes cursos** previamente (simplemente haga clic en ellos para comenzar):

En un mundo lleno de datos, trabajar con matrices y arreglos es sumamente importante. Ahí es donde **NumPy** resulta útil. Gracias a su gran velocidad y a una interfaz relativamente fácil de usar, se ha convertido en la biblioteca de Python **más utilizada** para trabajar con arreglos.

Ahora analicemos la velocidad de NumPy y su origen. Aunque es una biblioteca de Python, está escrita principalmente en **C**, un lenguaje de bajo nivel que permite realizar cálculos rápidos.

Otro factor que contribuye a la velocidad de NumPy es la **vectorización**. En esencia, la vectorización consiste en transformar un algoritmo que opera sobre un solo valor a la vez para que opere sobre un **conjunto de valores** (vector) simultáneamente, lo cual se realiza internamente a nivel de CPU.

import unittest
import importlib.util
import re

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Завантажуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Зчитуємо сирцевий код
        with open("user_code.py", "r", encoding="utf-8") as f:
            cls.src = f.read()

    def test_numpy_import(self):
        # Перевірка, що numpy імпортовано з псевдонімом np
        has_np = "np" in dir(self.m)
        pat_alias = re.search(r"import\s+numpy\s+as\s+np", self.src)
        _dynamic_test(
            self,
            has_np and pat_alias,
            "NumPy imported correctly as np",
            "NumPy import alias incorrect or missing"
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Desbloquea todo el potencial de la biblioteca más esencial de Python para el cálculo numérico, NumPy. Este curso integral está diseñado para llevarte desde un nivel principiante hasta un dominio avanzado de NumPy. Ya seas científico de datos, ingeniero, investigador o desarrollador, dominar NumPy es fundamental para la manipulación eficiente de datos, el cálculo científico y el aprendizaje automático.

Explora las aplicaciones de NumPy y comprende por qué es una de las bibliotecas más populares para el cálculo numérico. Aprende las diferentes formas de crear e inicializar arreglos para gestionar diversas necesidades de datos de manera eficiente.

Descubra cómo acceder a elementos y subconjuntos específicos en arreglos de NumPy utilizando notación de índices. Aprenda a aplicar indexación condicional para filtrar datos y gestionar valores faltantes de manera eficiente.

NumPy ofrece muchas funciones integradas para realizar operaciones comunes con arreglos. Aprenda a aplicar estas herramientas para transformar, agregar y analizar datos de manera eficiente sin escribir código repetitivo.

Aprenda a realizar operaciones matemáticas de manera eficiente en arreglos de NumPy. Aplique estas operaciones para resolver problemas del mundo real y obtenga una comprensión más profunda de cómo los cálculos vectorizados aceleran el análisis numérico.

Introducción a NumPy

Solución

Awesome!

Introducción a NumPy

Solución