{
"cells": [
{
"cell_type": "markdown",
"metadata": {},
"source": [
""
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"# Características de los arrays de NumPy"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"_En este notebook veremos como las principales características de los arrays de NumPy y cómo mejoran la eficiencia de nuestro código._"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"El objeto tipo array que proporciona NumPy (Python ya dispone de un tipo array que sirve para almacenar elementos de igual tipo pero no proporciona toda la artillería matemática necesaria como para hacer operaciones de manera rápida y eficiente) se caracteriza por:"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"## 1) Homogeneidad de tipo:"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"Comencemos viendo que ocurre con las __listas__:"
]
},
{
"cell_type": "code",
"execution_count": 1,
"metadata": {
"collapsed": true
},
"outputs": [],
"source": [
"import numpy as np"
]
},
{
"cell_type": "code",
"execution_count": 2,
"metadata": {
"collapsed": false
},
"outputs": [
{
"data": {
"text/plain": [
"[1, (1+2j), True, 'aerodinamica', [1, 2, 3]]"
]
},
"execution_count": 2,
"metadata": {},
"output_type": "execute_result"
}
],
"source": [
"lista = [ 1, 1+2j, True, 'aerodinamica', [1, 2, 3] ]\n",
"lista"
]
},
{
"cell_type": "markdown",
"metadata": {},
"source": [
"En el caso de los __arrays__:"
]
},
{
"cell_type": "code",
"execution_count": 3,
"metadata": {
"collapsed": false
},
"outputs": [
{
"data": {
"text/plain": [
"array(['1', '(1+2j)', 'True', 'aerodinamica'], \n",
" dtype='