Por qué bibliotecas de datos: de las listas a los arrays
Las listas normales de Python son flexibles, pero para números son lentas y largas de escribir. Duplicar cada valor de una lista obliga a escribir un bucle:
prices = [10, 20, 30]
doubled = []
for p in prices:
doubled.append(p * 2)
print(doubled) # [20, 40, 60]numpy (Numerical Python) te da el ndarray: una cuadrícula de números guardada en un único bloque compacto de memoria. Las operaciones sobre un array entero se hacen en C compilado y rápido, sin ningún bucle de Python. Esto se llama vectorización.
import numpy as np
prices = np.array([10, 20, 30])
print(prices * 2) # [20 40 60] no loop needed
print(prices.sum()) # 60
print(prices.mean()) # 20.0Toda la pila de datos y de aprendizaje automático se apoya en numpy, así que es el primer paso natural. Por convención lo importamos como np.
Construye un array con np.array(a_list) y luego llama directamente a métodos como .sum() y .mean() sobre él. Devuelven números sueltos (un escalar de Python o de numpy), no listas.
Importa numpy como np. Convierte la lista [4, 8, 12, 16] en un array de numpy llamado arr. Luego calcula total como su suma y avg como su media. Imprime avg.
¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección
Este ejercicio se abre pronto
Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.