Lección 9 del curso NumPy para Ciencia de Datos y Machine Learning.
En la lección anterior vimos los principales métodos que posee un arreglo en NumPy, que permiten tomar el arreglo y operar sobre cada elemento generando a su vez un nuevo arreglo o una cantidad escalar.
En esta lección veremos otro grupo de funciones que no hacen parte como tal del objeto tipo arreglo pero que están también incluidas en la librería de NumPy y que permiten realizar operaciones matemáticas, trigonométricas y de álgebra lineal sobre arreglos individuales o sobre múltiples arreglos, generando a la salida nuevos arreglos o cantidades escalares.
Estas funciones se conocen como funciones universales, de las cuales hablaremos a continuación:
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.
Las funciones universales en NumPy son aquellas que operan sobre uno o más arreglos, realizando operaciones elemento por elemento y generando como resultado un nuevo arreglo o un escalar. Y si accedemos a la documentación de la librería podremos encontrar que existen !más de 60 funciones universales! lo cual nos da una gran flexibilidad al momento de usar NumPy en nuestros proyectos de Ciencia de Datos y Machine Learning.
Así que con los operadores y los métodos vistos en lecciones anteriores y con las funciones universales vistas en esta lección, ya tenemos un set de herramientas que resultan muy útiles para realizar diferentes tipos de operaciones sobre uno o múltiples arreglos, de manera eficiente y usando muy pocas líneas de código.
Para complementar estas herramientas en la próxima lección hablaremos de un concepto fundamental que nos permite operar sobre elementos individuales o sobre porciones específicas de un arreglo. Veremos entonces en detalle en qué consiste la indexación y el slicing de arreglos en NumPy.
Todas las lecciones del curso NumPy para Ciencia de Datos y Machine Learning