9/6/2016

4.1. Numpy Computacin cientfica con Python para mdulos de evaluacin continua en asignaturas de ciencias aplicadas

http://pendientedemigracion.ucm.es/info/aocg/python/modulos_cientificos/numpy/index.html

1/4

9/6/2016

4.1. Numpy Computacin cientfica con Python para mdulos de evaluacin continua en asignaturas de ciencias aplicadas

El desarrollo y la principal finalidad del mdulo Numpy es la creacin y modificacin de arrays multidimensionales.
Para este fin utilizaremos las clase ndarray del ingles Ndimensional array o usando su alias simplemente array (no
confundir con la clase array.array que ofrece menos funcionalidad). En Python cada clase puede tener atributos que se
pueden llamar con el mtodo visto anteriormente o simplemente escribiendo a continuacin de la clase un punto y el
atributo. En la mayora de los IDEs al cargar la clase y escribir el punto aparecen todos los atributos disponibles en
orden alfabtico por lo que en caso de dudar siempre podemos utilizar este mtodo para escribir el comando. En el caso
de ndarray los principales atributos son los siguientes:
ndarray.ndim > Proporciona el nmero de dimensiones de nuestro array. El array identidad es un array cuadrado
con una diagonal principal unitaria.
ndarray.shape > Devuelve la dimensin del array, es decir, una tupla de enteros indicando el tamao del
array en cada dimensin. Para una matriz de n filas y m columnas obtendremos (n,m). ndarray.size > Es el
nmero total de elementos del array.
ndarray.dtype > Es un objeto que describe el tipo de elementos del array.
ndarray.itemsize > devuelve el tamao del array en bytes.
ndarray.data > El buffer contiene los elementos actuales del array.
Veamos un ejemplo de su uso con un array sencillo de diez elementos,

Ejemplo 4.4
>>> import numpy as np # Importamos numpy como el alias np
>>> miArray = np.arange(10) # Creamos un array de 0 a 9 separados de uno en uno
>>> miArray # Presentamos en pantalla el array creado array([0, 1,
2, 3, 4, 5, 6, 7, 8, 9])
>>> type(miArray) #Comprobamos que es un ndarray
<type 'numpy.ndarray'>
>>> miArray.ndim

# Consultamos el nmero de dimensiones

1
>>> miArray.shape # Consultamos la dimensin
(10,)
>>> miArray.size # Consultamos la dimensin
10
>>> miArray.dtype # Consultamos el tipo de elementos del array dtype('int64')
>>> miArray.itemsize # tamao en bytes
8
>>> miArray.data # Consultamos el buffer de memoria.
<readwrite buffer for 0x2fb57a0, size 80, offset 0 at 0x2f664b0>

Como hemos mencionando anteriormente, los arrays son unos de los elementos ms utilizados por los programadores
bajo cualquier lenguaje. Este gran uso hace que dispongamos de una gran variedad de comandos para la creacin de
arrays: arrays unidimensionales, multidimensionales, nulos, unitarios, secuenciales, de nmeros aleatorios, etc.
Dependiendo de las necesidades de nuestro problema escogeremos la opcin ms adecuada.
identity(n,dtype). Devuelve la matriz identidad, es decir, uma matriz cuadrada nula excepto en su diagonal
principal que es unitaria. n es el nmero de filas (y columnas) que tendr la matriz y dtype es el tipo de dato.
Este argumento es opcional. Si no se establece, se toma por defecto como flotante.
ones(shape,dtype). Crea un array de unos compuesto de shape elementos.
zeros(shape, dtype). Crea un array de ceros compuesto de shape elementos.
empty(shape, dtype). Crea un array de ceros compuesto de shape elementos sin
entradas.
eye(N, M, k, dtype). Crea un array bidimensional con unos en la diagonal k y ceros en el resto. Es similar a
identity. Todos los argumentos son opcionales. N es el nmero de filas, M el de columnas y k es el ndice de la
diagonal. Cuando k=0 nos referimos a la diagonal principal y por tanto eye es similar a identity.
arange([start,]stop[,step,],dtype=None). Crea un array con valores distanciados step entre el valor inicial star y
el valor final stop. Si no se establece step python establecer uno por defecto.
linspace(start,stop,num,endpoint=True,retstep=False). Crea un array con valor inicial start, valor final stop y
num elementos. meshgrid(x,y). Genera una matriz de coordenadas a partir de dos los arrays x, y.
En el siguiente ejemplo podemos ver su utilizacin,

Ejemplo 4.5
>>> from numpy import * # Importamos todo el mdulo numpy.
>>> zeros( (3,4) )

# Creamos un array nulo de 3 filas y 4 columnas.

array([[0., 0., 0., 0.],

[0., 0., 0., 0.],

[0., 0., 0., 0.]])

>>> ones(9)

# Creamos un array unitario de 1 fila y 9 columnas,

array([ 1., 1., 1., 1., 1., 1., 1., 1., 1.])
>>> empty( (2,3) )

# Creamos un array sin entradas de 2x3.

array([[ 3.73603959e262, 6.02658058e154, 6.55490914e260],

http://pendientedemigracion.ucm.es/info/aocg/python/modulos_cientificos/numpy/index.html

2/4

9/6/2016

4.1. Numpy Computacin cientfica con Python para mdulos de evaluacin continua en asignaturas de ciencias aplicadas

[ 5.30498948e313, 3.14673309e307, 1.00000000e+000]])

>>> arange( 10, 30, 5 ) # Creamos un array con inicio en 10 final en 30 y paso de 5. array([10, 15,
20, 25])
>>> linspace( 0, 2, 9 )

# Array de 9 elementos de 0 a 2 array([ 0. ,

0.25, 0.5 , 0.75, 1. , 1.25, 1.5 , 1.75, 2. ])

>>> x = linspace( 0, 2*pi, 100 )

# Para grficas conviene tener muchos puntos, en este caso 100 puntos entre 0 y 2*pi.

>>> X, Y = np.meshgrid([1,2,3], [4,5,6,7]) # Generamos una matriz de coordenadas.

>>> X array([[1,
2, 3],

[1, 2,

3],
[1, 2, 3],
[1, 2, 3]])
>>> Y array([[4,
4, 4],

[5, 5,

5],
[6, 6, 6],

[7, 7,

7]])

4.1.3. Matrices
Un subtipo especial de array bidimensional de NumPy es la matriz. Una matriz es como una array, excepto que la
multiplicacin de matrices (y exponenciacin) reemplaza la multiplicacin elemento a elemento. Las matrices se crean
mediante la funcin matrix.

Ejemplo 4.6
>>> from numpy import matrix # Importamos matrix del mdulo numpy.
>>>

matrix([[1,3,5],[3,4,2],[5,2,0]])

matrix([[ 1, 3, 5],

[ 3, 4, 2],

[5, 2, 0]])
>>> b = matrix([[1],[5],[3]])
>>> b
matrix([[1],
[5],
[3]]) >>>
a*b matrix([[ 1],
[29],
[ 5]])

Definidas las matrices, podemos hacer uso de todas las funciones relacionadas con el lgebra lineal como la
transposicin, la diagonalizacin etc.

Ejemplo 4.7
>>> b.T

# Calculamos la transpuesta de *b*. matrix([[1, 5, 3]])

>>> b.H

# Calculamos la hermtica (transpuesta y conjugada) de *b*. matrix([[1, 5, 3]])

>>> c = a.I

# Calculamos la inversa de *b*.

>>> c matrix([[ 0.02439024,

0.15853659],

0.06097561,

[ 0.06097561,

0.15243902,

0.10365854],
[0.15853659, 0.10365854, 0.0304878 ]])
>>> a*c

# Multiplicamos las matrices *a* y *c*.

matrix([[ 1.00000000e+00, 5.55111512e17, 6.93889390e18],

[ 0.00000000e+00, 1.00000000e+00, 4.16333634e17],
[ 0.00000000e+00, 0.00000000e+00, 1.00000000e+00]])

Con el paquete linalg podemos calcular el determinante (det), resolver ecuaciones lineales (solve) y calcular autovalores
y autovectores.

Ejemplo 4.8
>>> linalg.det(a)

# Clculo del determinante.

164.0
>>> d = linalg.solve(a,b)

# Resolucin de ecuaciones lineales.

>>> d
matrix([[0.14634146],
[ 1.13414634],
[ 0.45121951]])

http://pendientedemigracion.ucm.es/info/aocg/python/modulos_cientificos/numpy/index.html

3/4

9/6/2016

4.1. Numpy Computacin cientfica con Python para mdulos de evaluacin continua en asignaturas de ciencias aplicadas

>>> a*d
matrix([[ 1.],
[ 5.],
[ 3.]])
>>> e = linalg.eig(a)

# Clculo de autovalores y autovectores.

>>> e[0]
array([5.78304165, 6.23396835, 4.5490733 ])
>>> e[1]
matrix([[ 0.65072855, 0.7001856 , 0.29375583],

0.33849942, 0.61380708, 0.71320335],

[ 0.67968412, 0.3646656 , 0.6364342 ]])
>>> u = e[1] >>> u.T*a*u matrix([[ 5.78304165e+00,
1.22688318e15, 7.92985469e16],

[ 1.62554432e15,

6.23396835e+00, 1.43223107e15],
[ 7.68916181e16, 1.83533744e15, 4.54907330e+00]])

La funcin eig devuelve una tupla donde el primer elemento es un array de autovalores y el segundo es una matriz que
contiene a los autovectores.

4.1.4. Operaciones y funciones

El mdulo numpy contiene todas las operaciones usuales entre arrays como las matemticas (suma, resta,
multiplicacin, etc), las lgicas (and, or, xor, etc), binarias, ... Lo ms fcil y sencillo es en caso de duda consultar la
documentacin oficial. De particular inters en ptica es la transformada de Fourier,

Ejemplo 4.9
>>> import numpy as np # Importamos numpy como el alias np.
>>> x=np.linspace(0,1,16)
>>> y=np.sin(x)
>>> print np.fft.fft(y)
array([ 6.82834723+0.j

, 0.72886897+1.98380961j,

0.46469805+0.9337634j , 0.42166285+0.57663662j,
0.40711196+0.38478538j, 0.40066563+0.25695308j,
0.39747563+0.15924205j, 0.39594637+0.07645992j,
0.39548834+0.j

, 0.395946370.07645992j,

0.397475630.15924205j, 0.400665630.25695308j,
0.407111960.38478538j, 0.421662850.57663662j,
0.464698050.9337634j , 0.728868971.98380961j])

obsrvese como se ha formado en nmero complejo 2j. En python los nmeros complejos se forman (parte real signo
jparte imaginaria), es decir, separando parte real e imaginaria y sin ningn signo multiplicativo entre el coeficiente y el
numero imaginario j.

Ejemplo 4.10
>>> numero_complejo = (1 + 1j) # Defino el nmero complejo.
>>> print(numero_complejo)

# Lo presento en pantalla.

(1+1j)
>>> type(numero_complejo)

# Compruebo el tipo.

complex

ANTERIOR | SIGUIENTE MOSTRAR

EL CDIGO
Copyright 2013, Luis Miguel Snchez Brea. Creado con Sphinx

http://pendientedemigracion.ucm.es/info/aocg/python/modulos_cientificos/numpy/index.html

4/4