Sumar dos arrays
Devolvé la suma elemento a elemento (vectorizado, sin for). Ejemplo: sumar_arrays(np.array([1, 2]), np.array([10, 20])) → array([11, 22])
Entrá y llevá tu progreso —ejercicios, medallas y Pokémon— a cualquier dispositivo. 🔄
Si tu cuenta ya tiene progreso guardado, se carga ese al entrar.
Entraste como . Tu progreso se sincroniza solo. 🔄
Devolvé la suma elemento a elemento (vectorizado, sin for). Ejemplo: sumar_arrays(np.array([1, 2]), np.array([10, 20])) → array([11, 22])
🎯 Meta: dar el primer paso en el análisis de datos. Vas a conocer NumPy, la librería que maneja montones de números a la vez, rapidísimo.
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.
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))
💡 Por convención, NumPy siempre se importa como np. Lo vas a ver en todos lados.
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)
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]
⚡ Comparalo con Python puro: ahí necesitarías un for y una lista nueva. NumPy lo hace de una, y mucho más rápido.
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.
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.
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]
| 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 |
Ahora practicá: andá a los ejercicios de este tema y resolvelos. Se corrigen al instante en tu navegador. 💪
⚡ “Un buen Entrenador conoce las stats de su equipo. Un buen analista, las de miles.”