Lección 6 del curso NumPy para Ciencia de Datos y Machine Learning.
En la lección anterior vimos las diferentes funciones de NumPy que facilitan la creación de arreglos, como «zeros», «ones», «full», «arange» y «linspace».
Y como lo mencionamos en la primera lección del curso, cuando vimos qué es NumPy, a pesar de que en Python también podemos usar las listas para almacenar y procesar arreglos, por tratarse de un lenguaje de programación genérico este procesamiento no será eficiente.
Por el contrario, NumPy es una librería diseñada específicamente para el procesamiento avanzado de arreglos, lo que la hace mucho más eficiente que Python al momento de operar sobre este tipo de datos.
En esta lección veremos un comparativo en el tiempo de cómputo requerido para procesar arreglos usando Python y NumPy:
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.
Con este sencillo ejemplo hemos podido comprobar que a medida que el tamaño de los arreglos a procesar se incrementa se hace más evidente la ventaja de usar NumPy que logra velocidades de cómputo entre 8 y 20 veces menores que las obtenidas al usar Python.
Y con esto cerramos este segundo módulo del curso, donde hemos visto los elementos básicos relacionados con los arreglos en NumPy. En el tercer módulo nos enfocaremos en cómo usar NumPy para realizar operaciones avanzadas sobre diferentes tipos de arreglos. Y en particular en la próxima lección veremos lo que se conocen como los operadores de arreglos en NumPy.
Todas las lecciones del curso NumPy para Ciencia de Datos y Machine Learning