Representar un array visualmente

Autor: | Última modificación: 11 de enero de 2023 | Tiempo de Lectura: 3 minutos
Temas en este post: ,

¿Sabes cómo representar un array visualmente? Los arrays o vectores son tuplas de números que pueden tener múltiples dimensiones y con los que se pueden realizar operaciones matemáticas como sumas y restas.

¿Cómo representar un array visualmente?

Al principio puede resultar un poco confuso, pero a continuación te contamos cómo se representa visualmente un array cuando lo creamos dependiendo de sus dimensiones.

Array o vector de una dimensión (1D array)

Para crear un array de una sola dimensión o 1D array solamente hay que poner corchetes y el contenido que queremos. Después de crear el array vamos a imprimir la forma. Se puede imprimir el array, representarlo visualmente, de varias formas:

  • La primera es poniendo texto en el inicio con comillas, en el medio el array y luego volviendo a introducir texto por medio de las comillas inglesas dobles.
  • La segunda forma de representar un array visualmente es con format. Nos permite introducir la variable justo donde ponemos el corchete.
  • La tercera forma es a partir del Python 3.7 o Python 3.8 con el f.

Estas son tres formas distintas de imprimir datos y juntar distintos de datos en una misma línea de impresión.

arr_1d = np.array ([2, 3, 4, 5])

#representar un array visualmente
#primera forma
print ("Shape: ", arr_1d.shape, "con numpy")
#segunda forma
print ("Shape: {}".format (arr_1d.shape))
#tercera forma
print (f "Shape: {arr_1d.shape}")

Shape: (4, ) con numpy

Shape: (4, )

Shape: (4, )

Aquí estamos creando el array introduciendo los datos a mano, pero también lo podemos crear de la siguiente forma, por medio del .arange, que nos permite crear una secuencia de números.

Creemos, por ejemplo, una secuencia de números del 2 al 6:

#representar un array visualmente
arr_1d = np.arange (2, 6)
arr_1d

array ([2, 3, 4, 5])

El resultado nos muestra que tenemos el mismo contenido, que el vector es igual.

Representar un array visualmente
axis: 0
shape: (4)

Aquí vemos como shape es 4 y el axis es 0.

Si definimos un array de una dimensión, numpy considera que el axis debe ser un 0, es decir, no juega ningún papel ahí. Pero si tenemos una matriz de dos o más dimensiones, el axis 0 viene dado por el número de filas y el axis 1 por el número de columnas.

Array o vector de dos dimensiones (2D array)

Al crear un 2D array lo tenemos que hacer de manera distinta. Aquí tendremos que generar primero la secuencia del 2 al 9, es decir, del 2 al 10, porque siempre es n – 1.

#representar un array visualmente
arr_2d = np.array ([2, 3, 4, 5]), [6, 7, 8,9]])
print (arr_2d.shape)

(2, 4)

Al igual que antes, lo podemos crear usando arange ().

Hasta aquí hemos hecho un array de una dimensión. Ahora debemos convertirlo en un array de (2, 4). Esto lo podemos hacer con reshape:

#representar un array visualmente
arr_2d = np.arange (2, 10).reshape (2, 4)
print (arr_2d.shape)

(2, 4)

El np.arrange estaría generando una secuencia de números y el reshape estaría dándole la forma que queramos a esa matriz.

Representar un array visualmente 1
axis: 2
shape: (2, 4)

Array o vector de tres dimensiones (3D array)

Por último, creamos un array con 3 dimensiones o 3D array. Vamos a definir el array, donde tenemos que definir 1, 2 y 3 componentes, porque ese es el número de componentes que tenemos.

#representar un array visualmente
arr_3d = np.array = ([[[0, 1], [2, 3], [4, 5],
[6, 7], [8, 9], [10, 11],
[12, 13], [14, 15], [16, 17],
[18, 19], [20, 21], [22, 23]]
])
arr_3d.shape

(4, 3, 2)

Podemos imprimir el array y vemos cuál es el resultado:

arr_3d

array ([[

[0, 1],

[2, 3],

[4, 5]],

[[6, 7],

[8, 9],

[10, 11]],

[[12, 13],

[14, 15],

[16, 17]],

[[18, 19],

[20, 21],

[22, 23]

]])

De una forma más concisa:

#representar un array visualmente
arr_3d = np.arange (0, 24).reshape (4, 3, 2)
arr_3d.shape

(4, 3, 2)

Representar un array visualmente 2
shape: (4, 3, 2)

¿Quieres seguir aprendiendo?

El Big Data es una de las áreas en las que más empleos se ofertan. Para crecer en el sector IT y acceder a estas oportunidades laborales que transformarán tu futuro, tenemos para ti el Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp. Se trata de una formación intensiva en la que adquirirás todos los conocimientos teóricos y prácticos necesarios para, en pocos meses, obtener el trabajo de tus sueños. ¡No esperes más para impulsar tu carrera y pide información ahora!

👉 Descubre más del Big Data, Inteligencia Artificial & Machine Learning Full Stack Bootcamp ¡Descarga el temario!

👉 Prueba el Bootcamp Gratis por una Semana ¡Empieza ahora mismo!

👉 Conoce nuestros otros Bootcamps en Programación y Tecnología

[email protected]

¿Trabajo? Aprende a programar y consíguelo.

¡No te pierdas la próxima edición del Aprende a Programar desde Cero Full Stack Jr. Bootcamp!

 

Prepárate en 4 meses, aprende las últimas tecnologías y consigue trabajo desde ya. 

 

Solo en España hay más de 120.400 puestos tech sin cubrir, y con un sueldo 11.000€ por encima de la media nacional. ¡Es tu momento!

 

🗓️ Próxima edición: 13 de febrero

 

Reserva tu plaza descubre las becas disponibles.