Summary  
This chapter introduces NumPy’s array structures and vectorized operations for high-performance numerical computing, demonstrating how to create arrays, apply element-wise arithmetic, and use built-in statistical functions in code.

General domain of usage  
Scientific computing

Para sentirte seguro y completar con éxito este curso, te recomendamos encarecidamente que **completes los siguientes cursos** previamente (solo haz clic en ellos para comenzar):

Get a visual introduction to NumPy, the essential Python library for working with arrays and matrices. Discover why NumPy is so fast, how it uses C under the hood, and how vectorization lets you process data efficiently. See practical examples of NumPy in action and learn how to get started by importing the library in your Python projects.

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 su interfaz relativamente fácil de usar, se ha convertido en la biblioteca de Python **más utilizada** para trabajar con arreglos.

Ahora hablemos de la velocidad de NumPy y de dónde proviene. A pesar de ser 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**. Básicamente, la vectorización consiste en transformar un algoritmo que opera sobre un solo valor a la vez en uno que opera 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 nivel avanzado de competencia en 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 manejar diversas necesidades de datos de manera eficiente.

Descubre cómo acceder a elementos específicos y subconjuntos en arreglos de NumPy utilizando la notación de índices. Aprende 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 cómo aplicar estas herramientas para transformar, agregar y analizar datos de manera eficiente sin escribir código repetitivo.

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

Introducción a NumPy

Solución