Lección 11 del curso NumPy para Ciencia de Datos y Machine Learning.
Cuando estamos haciendo la indexación y el «slicing» de arreglos de NumPy debemos ser cuidadosos porque en ocasiones el arreglo resultante sigue manteniendo “conexiones” con el arreglo original.
Lo anterior quiere decir que si modificamos el arreglo resultante, el arreglo original también será modificado, lo que se conoce como «shallow copy» (copia poco profunda).
Para evitar estos inconvenientes debemos realizar lo que se conoce como «deep copy» (o copia profunda) con lo cual podremos desacoplar un arreglo del otro.
En esta lección veremos en detalle en qué consisten estas copias «shallow» y «deep»:
Contenido exclusivo para suscriptores
Si eres suscriptor accede en este enlace ó suscríbete a la Academia Online y accede a todo el contenido (lecciones en video, código fuente, sets de datos y descargas) de todos los cursos, proyectos y tutoriales.
Muy bien, teniendo claros los conceptos de copias poco profundas («shallow») y copias profundas («deep») lo único que nos resta en este tercer módulo del curso es aprender a usar algunas funciones específicas que resultarán muy útiles para el pre-procesamiento de datos y para la implementación de modelos que desarrollaremos más adelante en nuestros proyectos de Ciencia de Datos y Machine Learning.
Entonces en la próxima lección veremos varias funciones avanzadas de NumPy útiles en este tipo de proyectos. En particular, hablaremos de la concatenación de arreglos y de las funciones «where» y «random.seed».
Todas las lecciones del curso NumPy para Ciencia de Datos y Machine Learning