Manuales

Appearance

Operaciones vectorizadas ​

Vectorizar significa expresar el calculo sobre arrays enteros en vez de bucles Python. NumPy delega en codigo compilado (y a veces BLAS) y aprovecha SIMD.

Aritmetica y ufuncs ​

python
import numpy as np

a = np.array([1.0, 2.0, 3.0])
b = np.array([10.0, 20.0, 30.0])

a + b
a * b
a ** 2
np.sqrt(a)
np.exp(a)
np.log1p(a)
np.clip(a, 0, 2)

Las ufuncs operan elemento a elemento y soportan broadcasting.

Agregaciones ​

python
m = np.arange(1, 7).reshape(2, 3)
m.sum(), m.mean(), m.std()
m.min(axis=0)
m.max(axis=1)
np.percentile(m, 95)

Comparaciones y logica ​

python
a = np.array([1, 2, 3, 4])
a > 2
np.all(a > 0)
np.any(a > 3)
np.count_nonzero(a > 2)

Algebra element-wise vs matmul ​

python
A = np.array([[1, 2], [3, 4]])
B = np.array([[2, 0], [1, 2]])
A * B          # elemento a elemento
A @ B          # producto matricial
np.dot(A, B)

Evitar bucles ​

python
# Evitar
out = []
for x in a:
    out.append(x ** 2)

# Preferir
out = a ** 2

Si el algoritmo no se vectoriza limpio, considera np.vectorize (comodidad, no magia de velocidad) o Numba.

Errores habituales ​

  • Usar * cuando queriamos @.
  • Agregar sin axis y aplanar mentalmente mal el resultado.
  • np.vectorize pensando que es tan rapido como una ufunc C.

Buenas practicas ​

  • Encadena ufuncs legibles; si la linea supera ~80-100 chars, parte en pasos nombrados.
  • Usa agregaciones con axis explicito.
  • Mide con %timeit antes de micro-optimizar.

Ejercicio ​

  1. Dado un array de temperaturas en C, convierte a F de forma vectorizada.
  2. Calcula media y desviacion por columna de una matriz (100, 4) aleatoria.
  3. Cuenta cuantos valores estan fuera de [mean-2std, mean+2std].

Siguiente paso ​

Continua con Algebra lineal.