Multiplicar por k

Bienvenido a Johto, la región del análisis de datos. 📊 Acá aprendés a trabajar con muchos datos: stats de cientos de Pokémon, tablas, gráficos. La primera herramienta es NumPy.

🎮 Analogía: el array es la ficha de stats del equipo

Una lista de Python guarda cosas, pero para hacer cálculos con muchos números es lenta. Un array de NumPy es como la planilla de stats de tu equipo: todos los números juntos, y podés operar sobre todos a la vez (eso se llama vectorización).

import numpy as np

niveles = np.array([25, 90, 12, 70])
print(niveles)
print("tipo:", type(niveles))

✨ Crear arrays

import numpy as np

a = np.array([1, 2, 3])        # desde una lista
ceros = np.zeros(5)            # array de 5 ceros
unos = np.ones(3)             # array de 3 unos
rango = np.arange(1, 6)       # del 1 al 5 (el 6 NO entra)
print(a)
print(ceros)
print(rango)

⚡ Vectorización: matemática sobre TODO el array

Lo mágico: operás con el array entero, sin escribir un for.

import numpy as np

ataques = np.array([10, 20, 30])
print(ataques * 2)        # duplica cada valor -> [20 40 60]
print(ataques + 5)        # suma 5 a cada uno  -> [15 25 35]

defensa = np.array([3, 8, 1])
print(ataques - defensa)  # elemento a elemento -> [ 7 12 29]

🔪 Indexing y slicing

Igual que en las listas: accedés por posición y cortás con :.

import numpy as np

equipo = np.array([25, 90, 12, 70, 5])
print(equipo[0])     # primero -> 25
print(equipo[-1])    # último  -> 5
print(equipo[:3])    # primeros tres -> [25 90 12]
print(equipo[1:4])   # del 1 al 3     -> [90 12 70]

P: ¿Qué imprime `np.arange(1, 5)`?
- `[1, 2, 3, 4, 5]`
+ `[1 2 3 4]`
- `[0 1 2 3 4]`
> `np.arange(a, b)` genera valores desde `a` hasta `b-1`. El `5` no entra.

🎭 Máscaras booleanas: filtrar por condición

Una máscara es un array de True/False. La usás para quedarte con lo que cumple una condición.

import numpy as np

niveles = np.array([25, 90, 12, 70, 5])
print(niveles > 30)          # [False  True False  True False]
print(niveles[niveles > 30]) # solo los que cumplen -> [90 70]

P: Dado `niveles = np.array([25, 90, 12, 70, 5])`, ¿qué devuelve `niveles[niveles > 30]`?
- `[False True False True False]`
- `[25, 12, 5]`
+ `[90 70]`
> La máscara `niveles > 30` filtra y devuelve solo los valores que cumplen la condición: 90 y 70.

📐 Forma (shape) y matrices 2D

Un array puede ser 2D (una tabla de números): filas y columnas.

import numpy as np

stats = np.array([[35, 55, 40],
                  [78, 84, 78]])
print(stats.shape)    # (2, 3) -> 2 filas, 3 columnas
print(stats.flatten())  # aplanar a 1D -> [35 55 40 78 84 78]

📝 Resumen

Cosa	Para qué
np.array([...])	crear un array desde una lista
np.zeros(n) / np.ones(n)	array de ceros / unos
np.arange(a, b)	rango de a hasta b-1
arr * 2, a + b	operaciones vectorizadas
arr[i], arr[a:b]	indexing y slicing
arr[arr > x]	filtrar con máscara booleana
arr.shape, arr.flatten()	forma y aplanar

➡️ ¿Y ahora qué?

Ahora practicá: andá a los ejercicios de este tema y resolvelos. Se corrigen al instante en tu navegador. 💪