Data Science N029. numpy Matrices

Cordiales saludos

Comencemos entrando a nuestro entorno virtual y luego ejecutando jupyter lab

rafael@HP:~$ 
rafael@HP:~$ cd .gitlab/datascience/
rafael@HP:~/.gitlab/datascience$ 
rafael@HP:~/.gitlab/datascience$ source env/bin/activate
(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ jupyter lab

Para comenzar importamos la librería de numpy

import numpy as np

Generar una matriz con un rango de fecha

Podemos crear un rango de fecha en formato de dos dimensiones.

np.arange('2024-01', '2024-02', dtype='datetime64[D]')

    array(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04',
           '2024-01-05', '2024-01-06', '2024-01-07', '2024-01-08',
           '2024-01-09', '2024-01-10', '2024-01-11', '2024-01-12',
           '2024-01-13', '2024-01-14', '2024-01-15', '2024-01-16',
           '2024-01-17', '2024-01-18', '2024-01-19', '2024-01-20',
           '2024-01-21', '2024-01-22', '2024-01-23', '2024-01-24',
           '2024-01-25', '2024-01-26', '2024-01-27', '2024-01-28',
           '2024-01-29', '2024-01-30', '2024-01-31'], dtype='datetime64[D]')

Matriz identidad

Otra forma de generar la matriz identidad es con np.eye()

np.eye(4, dtype=int)

    array([[1, 0, 0, 0],
           [0, 1, 0, 0],
           [0, 0, 1, 0],
           [0, 0, 0, 1]])

np.eye(4)

    array([[1., 0., 0., 0.],
           [0., 1., 0., 0.],
           [0., 0., 1., 0.],
           [0., 0., 0., 1.]])

Repaso matriz Identidad

Esta forma de generar la matriz identidad ya la habíamos visto en este curso

np.identity(4)

array([[1., 0., 0., 0.],
       [0., 1., 0., 0.],
       [0., 0., 1., 0.],
       [0., 0., 0., 1.]])

np.identity(4, dtype=int)

array([[1, 0, 0, 0],
       [0, 1, 0, 0],
       [0, 0, 1, 0],
       [0, 0, 0, 1]])

randint

Podemos generar una matriz con números aleatorios, en este caso generamos una matriz de 5 por 5 con números aleatorios entre el 1 y 10.

np.random.randint(1,10,(5,5))

array([[9, 1, 5, 3, 6],
       [2, 1, 9, 9, 1],
       [2, 6, 7, 3, 9],
       [2, 1, 1, 6, 9],
       [2, 2, 2, 2, 1]])

Suma de matrices

Con np.random.randint() generamos dos matrices para realizar la suma de matrices.

matriz = np.random.randint(1,50,(3,3))
matriz

array([[17,  8, 37],
       [12,  2, 27],
       [41, 21, 25]])

matriz2 = np.random.randint(1,50,(3,3))
matriz2

array([[ 9, 16, 40],
       [43, 27, 33],
       [ 2, 39, 33]])

Sumando matriz + matriz2

Con el concepto de suma de matrices se realiza la operación de sumar cada uno de sus elementos.

matriz + matriz2

array([[26, 24, 77],
       [55, 29, 60],
       [43, 60, 58]])

max(), min(),sum()

Podemos encontrar el máximo valor de la matriz; el menor valor de la matriz y la suma de todos sus valores.

matriz3 = np.random.randint(1,50,(3,3))
matriz3

array([[ 6, 18, 25],
       [ 7, 35, 48],
       [35, 31,  9]])

matriz3.max()

48

matriz3.min()

6

matriz3.sum()

214

Ejercicios Varios

lista=([ [1,2,3],[4,5,6] ])
m=np.array(lista)
m

array([[1, 2, 3],
       [4, 5, 6]])

m2=np.array([ [10,20,30],[40,50,60], [70,80,90] ])
m2

array([[10, 20, 30],
       [40, 50, 60],
       [70, 80, 90]])

Matriz diagonal

m3=np.diag(np.diag(m2))
m3

array([[10,  0,  0],
       [ 0, 50,  0],
       [ 0,  0, 90]])

m4=np.diag([1,2,3,4,5,6,7,8])
m4

array([[1, 0, 0, 0, 0, 0, 0, 0],
       [0, 2, 0, 0, 0, 0, 0, 0],
       [0, 0, 3, 0, 0, 0, 0, 0],
       [0, 0, 0, 4, 0, 0, 0, 0],
       [0, 0, 0, 0, 5, 0, 0, 0],
       [0, 0, 0, 0, 0, 6, 0, 0],
       [0, 0, 0, 0, 0, 0, 7, 0],
       [0, 0, 0, 0, 0, 0, 0, 8]])

m4.shape

(8, 8)

Creando matrices con full()

m5=np.full((3,3),100)
m5

array([[100, 100, 100],
       [100, 100, 100],
       [100, 100, 100]])

Creando matrices con ones()

m6=np.ones((3,3))
m6

array([[1., 1., 1.],
       [1., 1., 1.],
       [1., 1., 1.]])

m7=np.ones((3,3), dtype=int)
m7

array([[1, 1, 1],
       [1, 1, 1],
       [1, 1, 1]])

Creando matrices con zeros()

m8=np.zeros((3,3))
m8

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

m9=np.zeros((3,3), dtype=int)
m9

array([[0, 0, 0],
       [0, 0, 0],
       [0, 0, 0]])

Creando matrices con arange()

m10=np.array([np.arange(4),np.arange(4)])
m10

array([[0, 1, 2, 3],
       [0, 1, 2, 3]])

list1=np.arange(3)
list2=np.arange(3)
m11=np.array([list1,list2])
m11

array([[0, 1, 2],
       [0, 1, 2]])

Subarrreglos

m12 = np.array([
    [9,8,7,6],
    [5,4,3,2]
])
m12

array([[9, 8, 7, 6],
       [5, 4, 3, 2]])

m12[1]

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

m12[:,0]

array([9, 5])

Posiciones (selección de valores)

m12[0,0]

9

m12[0,1]

8

---

En esta publicacíón se repasaron temas anteriores que puedes revisar en:
✅ Arreglos Bidimensionales
✅ Arreglos Bidimensionales - continuación

Ampliando conocimientos

Todo el código generado en Markdown para esta publicación lo realicé de la siguiente manera.

Actualizando el repositorio

Este apartado te permite practicar git. Poco a poco de darás cuenta de la utilidad y lo importante para trabajar en este mundo de la programación e informática.

(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ git status
En la rama main
Tu rama está actualizada con 'origin/main'.

Archivos sin seguimiento:
  (usa "git add <archivo>..." para incluirlo a lo que se será confirmado)
    29_ejercicios.ipynb

no hay nada agregado al commit pero hay archivos sin seguimiento presentes (usa "git add" para hacerles seguimiento)
(env) rafael@HP:~/.gitlab/datascience$ git add 29_ejercicios.ipynb 
(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ git commit -m "add 29_ejercicios"
[main 6ceba72] add 29_ejercicios
 1 file changed, 870 insertions(+)
 create mode 100644 29_ejercicios.ipynb
(env) rafael@HP:~/.gitlab/datascience$ git push
Username for xxxxxxxxxxxxxxxxxxxx
Password for xxxxxxxxxxxxxxxxxxxx 
Enumerando objetos: 4, listo.
Contando objetos: 100% (4/4), listo.
Compresión delta usando hasta 4 hilos
Comprimiendo objetos: 100% (3/3), listo.
Escribiendo objetos: 100% (3/3), 3.20 KiB | 1.60 MiB/s, listo.
Total 3 (delta 1), reusados 0 (delta 0), pack-reusados 0
To https://gitlab.com/btcsiraquino/datascience.git
   74f5cdb..6ceba72  main -> main
(env) rafael@HP:~/.gitlab/datascience$ 

Hasta aquí nuestra publicación, hasta la próxima semana.

---

Para ver todas la publicaciones del Curso de Data Science, puedes entrar a:
📍 https://siraquino.github.io/pythoncumanes/datascience.html

Todos a programar!
Rafael Aquino
Bogotá / Colombia