Guía del usuario de NumPy

Descripción general: Esta lección presenta NumPy como la biblioteca fundamental para el cálculo científico en Python, explicando sus ventajas de rendimiento mediante la vectorización. Los estudiantes aprenderán a instalar la biblioteca en diversas plataformas (Windows, Raspberry Pi, Conda, PyCharm) y resolver obstáculos comunes de instalación como ImportError mediante el manejo de variables de entorno y dependencias del sistema.

Resultados de aprendizaje:

• Definir NumPy e identificar su papel en el ecosistema científico de Python.
• Explicar por qué NumPy es significativamente más rápido que los bucles estándar de Python mediante el concepto de vectorización.
• Ejecutar comandos de instalación para diversos entornos, incluyendo Pip, Conda y Raspberry Pi.

Descripción general: Esta lección proporciona una introducción completa al objeto ndarray de NumPy, cubriendo sus atributos principales, métodos de creación y operaciones matemáticas básicas. Se extiende hacia temas avanzados, incluyendo indexación avanzada (basada en booleanos e enteros), manipulación de formas y rutinas esenciales de álgebra lineal. Al final de este módulo, los participantes podrán almacenar, transformar y analizar eficientemente estructuras de datos multidimensionales.

Resultados de aprendizaje:

• Identificar e interpretar los atributos principales del ndarray, como ndim, shape y dtype.
• Ejecutar la creación y manipulación de matrices usando funciones como linspace, reshape, vstack y hstack.
• Aplicar operaciones elementales, funciones universales (ufuncs) y resolutores de álgebra lineal a conjuntos de datos numéricos.

Descripción general: Esta lección aborda los mecanismos avanzados de NumPy, centrándose en el manejo preciso de tipos de datos, el tratamiento del desbordamiento y operaciones I/O sofisticadas usando genfromtxt. Los estudiantes dominarán la lógica interna de la Difusión para operaciones aritméticas, los matices del orden de bytes a nivel de memoria y la creación de matrices estructuradas o de registros para conjuntos de datos heterogéneos. Las secciones finales detallan la extensibilidad de NumPy mediante contenedores de matrices personalizadas y los protocolos formales para subclasificar ndarray.

Resultados de aprendizaje:

• Gestionar la precisión de los datos y mitigar errores de desbordamiento usando los tipos escalares de NumPy y herramientas de información (iinfo, finfo).
• Implementar la ingesta flexible de datos desde disco usando genfromtxt con delimitadores personalizados, encabezados y selección de columnas.
• Aplicar las Reglas Generales de Difusión para predecir y controlar las interacciones entre matrices de formas diferentes.

Descripción general: Esta lección explora los matices avanzados de la subclasificación de NumPy, especialmente respecto al manejo de memoria y compatibilidad descendente. También examina cómo NumPy implementa el estándar IEEE 754 para valores flotantes para gestionar valores especiales y excepciones numéricas, concluyendo con los mecanismos para conectar matrices de NumPy con lenguajes de bajo nivel como C, C++ y Fortran.

Resultados de aprendizaje:

• Gestionar referencias de memoria y evitar "trampas" en subclases personalizadas de ndarray usando el atributo .base.
• Mantener la compatibilidad descendente en subclases implementando correctamente __array_wrap__ y las firmas de métodos.
• Identificar y manipular valores especiales IEEE 754 (NaN, Inf) y configurar el comportamiento global de excepciones numéricas.

Descripción general: Esta lección explora los diversos métodos para extender la funcionalidad de NumPy mediante la interfaz con lenguajes compilados como C, C++ y Fortran. Cubre herramientas automatizadas como f2py y Cython, envoltorios manuales con ctypes, la creación de funciones universales de alto rendimiento (ufuncs) y técnicas avanzadas de la API de C para iteración de matrices, tipos de datos personalizados y subtipos del ndarray.

Resultados de aprendizaje:

• Comparar e implementar diversos métodos para "unir" código compilado con Python (f2py, Cython, ctypes).
• Crear y registrar funciones universales personalizadas de NumPy (ufuncs) para tipos de datos simples y múltiples, incluyendo matrices estructuradas.
• Utilizar la API de C de NumPy para realizar iteración eficiente de matrices, gestionar la difusión y definir tipos de datos o subtipos de ndarray personalizados.