Conjunto universal E en Python

Contenido del Bootcamp Dirigido por: | Última modificación: 16 de abril de 2024 | Tiempo de Lectura: 3 minutos

Algunos de nuestros reconocimientos:

Premios KeepCoding

Decimos que existe un conjunto universal E cuando un conjunto es una colección que contiene una serie de conjuntos y que puede, además, contener un número de elementos que pertenecen al mismo. Veamos en qué consiste el conjunto universal E en Python y cómo usarlo para nuestros procesos de machine learning.

Conjunto de las partes de un conjunto universal E en Python

Es el conjunto formado por todos los subconjuntos de E, incluyendo los subconjuntos impropios.

Si en nuestro ejemplo es E = a, b, c, el conjunto de las partes de E viene dado por:

{∅, a, b, c (a, b), (a, c), (b, c), (a, b, c)}

representa un conjunto vacío.

Como E tiene 3 elementos, el conjunto de las partes de E tiene 23 = 8 elementos.

Conjunto complementario

Dado un conjunto A, se denomina conjunto complementario respecto de un conjunto universal E, al conjunto AC, formado por los elementos de E que no están en A.

AC = {x / x ϵ E y x ∉ A}

Veamos un ejemplo de un conjunto universal E en Python. Vamos a crear dos conjuntos que tengan números y letras:

#Conjunto universal E en Python
E = {1, 'k', 'z', 2, 7}
A = {'z', 1, 7}

A_comp = set ()
for x in E:
if x set in A:
A_comp.add (x)

print (A_comp)

Tenemos, por tanto, los dos conjuntos. Lo que nos dice la teoría es que un conjunto complementario respecto al conjunto universal E debe ser los elementos de E que no pertenecen a A.

Entonces, si observamos en nuestro conjunto universal E en Python que no están en A, existen dos elementos: ‘k’ y 2.

Por tanto, lo que haremos para llegar a este resultado será codificar en Python algunos que nos permitirán tener la misma conclusión de manera automática.

Para ello vamos a iterar sobre los elementos del conjunto E, y si ese elemento no está en A, lo vamos a añadir al resultado, es decir, al conjunto complementario.

Por último, imprimimos el resultado que, como observamos, efectivamente nos da lo que teníamos previsto:

{2, ‘k’}

El conjunto complementario es simplemente el número de elementos que están en E, es decir, el conjunto universal E en Python, pero no están en A.

Existe una forma mucho más simple de hacer este proceso con el conjunto universal E en Python, que sería:

E - A

{2, ‘k’}

Y nos da el mismo resultado.

Diferencia relativa de dos conjuntos

Se llama diferencia relativa de dos conjuntos A y B (o simplemente diferencia) al conjunto formado por los elementos de A que no pertenecen a B.

A – B = {x ϵ A y x ∉ B} = A ∩ BC

Mutabilidad de dos conjuntos

Los conjuntos son mutables, es decir, cambiantes, porque podemos añadir o borrar elementos y modificar los elementos ya existentes dentro del mismo.

Para añadir un elemento add:

#Conjunto universal E en Python
A = {1, 2, 3}
A.add (4)
A

{1, 2, 3, 4}

Para eliminar un elemento remove:

A.remove (3)
A

{1, 2, 4}

Si intentamos, por ejemplo, eliminar de nuevo el elemento 3, nos aparece error porque ese elemento ya ha sido eliminado:

A.remove (3)
Conjunto universal E en Python

Podemos añadir varios elementos al mismo tiempo usando update:

print (A)

{1, 2, 4}

A.update ({4, 6, 10})
A

{1, 2, 4, 6, 10}

Podemos quedarnos solo con la intersección de nuestro conjunto con otro dado. Por ejemplo, queremos obtener intersección de A con {7, 8, 9} y que ese conjunto sustituya a nuestro A:

A.intersection_update ({7, 8, 9})
A

set ()

Vemos que está vacío, porque no hay ningún elemento en común.

Observemos ahora un ejemplo en el que tenemos elementos en común:

#Conjunto universal E en Python
A = {1, 2, 3, 4, 5, 6}
A.intersection_update ({5, 6, 7})
A

{5, 6}

¿Cómo avanzar?

Para que cumplas tus sueños y sigas aprendiendo sobre el mundo tecnológico, que ofrece excelentes y numerosas oportunidades laborales, tenemos para ti el Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp. En esta formación intensiva adquirirás todos los conocimientos teóricos y prácticos para que sigas tu camino hacia el éxito. ¡No esperes más para obtener lo que quieres y solicita información ahora!

Sandra Navarro

Business Intelligence & Big Data Advisor & Coordinadora del Bootcamp en Data Science, Big Data & Machine Learning.

Posts más leídos

¡CONVOCATORIA ABIERTA!

Big Data, IA & Machine Learning

Full Stack Bootcamp

Clases en Directo | Profesores en Activo | Temario 100% actualizado