Indexación y Slicing en NumPy para Análisis de Datos

📝 Mis apuntes y ejercicios de la clase: **Indexación** Forma de acceder a los elementos de un array por medio de su índice. 📢 Los indices empiezan a partir del 0 que representa el primer elemento del array. ```python array = np.random.randint(5, 30, 20) print(array) print("Elemento en la posición 5:", array[4]) print("Elemento en la primer posición:", array[0]) print("Elemento en la última posición", array[-1]) print("Elemento en la ante última posición", array[-2]) ``` **Indexación booleana** Forma de obtener datos a partir de una condición. 📢 Todos los elementos que cumplan con la condición serán “devueltos”. ```python bool_index = array > 15 print("Array booleano:", bool_index) print("Elementos mayortes a 15:", array[bool_index]) print("Elementos entre 15 y 20:", array[(array >= 15 ) & (array <= 20)]) ``` **Indexación por listas** Permite obtener multiples elementos de un array con una lista de indices. 📢 Al mandarle indices “desordenados” el array resultante obtiene los elementos en el orden en que se pasó el índice centro de la lista. ```python index_list = [3,8,5,0] print("Elementos en las posiciones 3,8,5 y 0:", array[index_list]) print("Elementos en las posiciones -1, 2,3 y 5:", array[[-1,2,3, 5]]) ```**Indexación de arrays multidimensionales** Para acceder a un elemento de un array bidimensional, le indicamos 2 indices. 📢 `[indice_fila, indice_columna]` ```python matrix = np.random.randint(5, 30, (5,5)) matrix print("Elemento de la fila 2, columna 2:", matrix[2,2]) # Elemento especifio print("Elementos de las fila 1 y 2, columna 2:", matrix[[1,2],2]) # Indexaciónb por lista (1) print("Elementos en la fila 1 , columna 2, y fila 3, columna 2:", matrix[[1,2],[3,2]]) # Indexaciónb por lista (2) print("Elementos mayores a 18:", matrix[matrix > 18]) # Indexación booleana ``` **Slicing** Selección de sub-arrays, donde le indicamos el índice inicial e índice final del conjunto original. 📢 También se se pueden agregar “saltos”. ```python print("*"*5, "Array", "*"*5) print("Elementos desde el incio hasta la posición 3:", array[:3]) print("Elementos desde la posición 5 hasta el final:", array[5:]) print("Elementos desde la posición 5 hasta la posición 10:", array[5:10]) print("Elementos desde la posición hasta la penultima posición dando 2 saltos:", array[3:-2:2]) print("*"*5, "Matriz", "*"*5) print("Elementos a partir de la fila uno, y columnas a partir de la fila 2:\n", matrix[1:, 2:]) print("Elementos hasta la fila 3, y hasta la columna 2:\n", matrix[:3, :2]) print("Elementos a partir de la fila 1 dando 2 saltos, hasta la columna 1 dando 2 saltos\n",matrix[1::2, :1:2]) ```

\## Resumen \- Indexación Básica: Acceso a elementos individuales con índices enteros. \- Indexación con Listas y Booleana: Selección de múltiples elementos utilizando listas de índices o máscaras booleanas. \- Slicing: Selección de subarrays con notación de dos puntos, incluyendo pasos. \- Indexación en Arrays Multidimensionales: Aplicación de slicing y selección en cada dimensión. \- Indexación Avanzada: Selección de elementos arbitrarios utilizando arrays de índices y combinaciones de métodos. 

Mis respuestas a los ejercicios 

Cuando manejas grandes volúmenes de datos, es fundamental poder extraer información específica de manera eficiente sin necesidad de copiar grandes cantidades de datos. En esta lección, exploraremos cómo la **indexación** y el **slicing** en arrays permiten trabajar rápidamente con subconjuntos de datos. También practicaremos estas técnicas para reforzar conceptos. ### **1. ¿Qué es la indexación y el slicing?** * **Indexación**: Permite acceder a elementos específicos dentro de un array. * **Slicing**: Facilita la selección de subconjuntos de datos utilizando rangos. Ambas técnicas son útiles para trabajar de forma eficiente con datos en estructuras como los arrays de NumPy. ### **2. Ejemplo básico de indexación** En este ejemplo, utilizamos un array unidimensional: import numpy as np array = np.array(\[10, 20, 30, 40, 50]) print(array\[1])  # Accede al segundo elemento (índice 1) print(array\[-1]) # Accede al último elemento utilizando indexación negativa **Salidas**: * 20: Corresponde al elemento en el índice 1. * 50: Es el último elemento del array, accedido mediante -1. ### **3. Ejemplo de slicing** El slicing permite extraer subconjuntos de datos usando rangos: print(array\[1:4])  # Elementos desde el índice 1 al 3 print(array\[1:7])  # Intenta extraer del índice 1 al 6 (se detiene al final del array) print(array\[-1:-7]) # Intento de slicing negativo (devuelve array vacío) **Salidas**: * \[20 30 40]: Subconjunto desde el índice 1 hasta el 3 (excluye el índice 4). * \[20 30 40 50]: Se detiene en el final del array, ya que no hay índice 7. * \[]: La dirección del slicing negativo es incorrecta, resultando en un array vacío. ### **4. Indexación booleana** La indexación booleana permite seleccionar elementos que cumplen una condición específica: array = np.array(\[10, 20, 30, 40, 50]) bool\_index = array > 25 print(bool\_index)       # Array booleano con True/False según la condición print(type(bool\_index)) # Tipo del array resultante **Salidas**: * \[False False True True True]: Indica qué elementos son mayores a 25. * \<class 'numpy.ndarray'>: El resultado es un array booleano de NumPy. ### **5. Indexación avanzada (Fancy Indexing)** Podemos acceder a múltiples posiciones usando una lista de índices: index = \[2, 0, 3] print(array\[index])  # Elementos en las posiciones 2, 0 y 3 **Salida**: * \[30 10 40]: Los valores seleccionados según la lista de índices. ### **6. Trabajando con arrays multidimensionales** Los arrays de múltiples dimensiones requieren un formato más detallado para acceder a sus elementos: array = np.random.randint(1, 10, size=(3, 3)) print(array)         # Imprime el array 3x3 print(array\[0, 1])   # Accede al elemento en la fila 0, columna 1 **Salida** (puede variar por los valores aleatorios): * \[\[8 5 1] \[9 2 7] \[8 3 6]]: Ejemplo de un array 3x3 generado aleatoriamente. * 5: Valor en la fila 0, columna 1. ### **7. Extrayendo submatrices** Podemos seleccionar subconjuntos de una matriz mayor, creando submatrices: print(array\[:2, :2])  # Submatriz de las primeras 2 filas y columnas **Salida** (puede variar): * \[\[8 5] \[9 2]]: Una submatriz de 2x2 extraída del array original.

por fin ando entendiendo mejor los temas

Comparto mi solución a los ejercicios plantados en la clase, ignoren el nombre las variables XD:  recuerden que en el ejercicio 5 primero se colocan las filas y luego las columnas para hacer el slicing: print(f\[2:,2:]), esto se traduciría en toma todos los datos de la fila 2 hasta el final y luego los datos de la columna 2 hasta el final dando como resultado la submatriz de 2x2 ubicada en la esquina inferior derecha.

![]()

Excelente!!! una de las mejores Profes!

```python eje = np.arange(0, 10) print(eje) print(eje[-4]) eje2 = np.arange(1, 21) print(eje2) print(eje[3:7]) print(eje[3:7][:-5]) ```

mis respuestas a ejercicios 1\)array = np.array(\[99,32,58,234,3,46,74,92,122,593])n4 = array\[3]n9 = array\[8]print(f"Cuarto: {n4},  Penultimo: {n9}") 2\)array = np.array(\[1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20])grupo37 = array\[2:7]grupou5 = array\[-5:]print(f"Grupo 3 al 7: {grupo37},  Ultimos 5: {grupou5}") \#)array = np.random.randint(0, 101, size=100 )print(array)bool\_array = array > 50print(bool\_array)num50 = array\[bool\_array]print(num50) 4\) array = np.array(\[1,2,3,4,5,6,7,8])index = \[0,3,5]newarray = array\[index]print(newarray) 5\)array = np.random.randint(10, 50, size=(4,4) )print(array)print(array\[2:,2:])

Para obtener de manera mas dinamica los elementos que cumplen cierta condicion podemos hacer bool\_index = array > 25 bool\_true\_indexes = np.where(bool\_index)\[0] # Esto nos regresara las posiciones donde es true \#Esas posiciones las podemos ocupar print(array\[bool\_true\_indexes])

```js #Ejercicios clase 5 array = np.random.randint(1, 25, size=(10)) print(array) print(array[3],array[8]) print(array[-7],array[-2]) #2 array = np.arange(1,21) print(array) print(array[2],array[6]) for i in range(len(array)): if array[i] > 15: print(array[i]) #3 array = np.random.randint(1, 100, size=(100)) bool_index = array > 50 print(array) size_2 = np.sum(bool_index) c = 0 array_2 = np.zeros(size_2, dtype=int) for i in range(len(array)): if bool_index[i]: array_2[c] = array[i] c += 1 print(array_2) #4 array = np.random.randint(1, 25, size=(8)) print(array) indices = [1,4,6] for i in range(len(indices)): print(array[indices[i]]) #5 array = np.random.randint(10, 50, size=(4,4)) print(array) sub_matrix= array[2:4,2:4] print(sub_matrix) ```Buenas noches, aporto mi solución para los ejercicios, no estoy seguro si entendí bien el #4, pero pues de una lista con los índices lo puse a iterar para así seleccionar los datos que necesitamos.

Para filtrar el array con indexacion booleana: 

donde estan los exercícios?...

Me ha gustado mucho el curso, la parte de los ejercicios me parece genial para practicar. A continuación dejo los ejercicios: arreglo=np.array(\[0,1,2,3,4,5,6,7,8,9])print(arreglo\[\[3,-2]]) arreglo2=np.array(\[0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19,20])print(arreglo2\[2:7])print(arreglo2\[-5:]) arreglo100=np.random.randint(1,100,size=30)print(arreglo100)print(arreglo100\[arreglo100>50]) arreglo8=np.array(\[0,1,2,3,4,5,6,7])indeces=\[1,4,6]print(arreglo8\[indeces]) matrix4=np.random.randint(10,50,size=(4,4))print(matrix4)print(matrix4\[2:4,2:4])

<https://github.com/iecgerman/python-numpy-pandas/blob/master/clase05.ipynb>


Por si a alguien les sirve de referencia, les comparto mi solucion a los ejercicios: ```python import numpy as np """# Ejercicios: **Acceder a elementos específicos:** * Crea un arreglo de 10 números y accede al cuarto y penúltimo elemento usando índices positivos y negativos. """ array1 = np.arange(1, 11) print("Cuarto elemento del array: ", array1[3]) print("Penultimo elemento del array: ", array1[-2]) """**Slicing de arreglos:** * Dado un arreglo de números del 1 al 20, extrae los elementos entre las posiciones 3 y 7, y luego los elementos de las últimas 5 posiciones. """ array2 = np.arange(1, 21) position1 = array2[3:7] position2 = array2[-5:] print(position1) print(position2) """**Indexing con booleanos:** * Crea un arreglo de números aleatorios entre 0 y 100. Usa una expresión booleana para acceder solo a los números mayores a 50. """ array3 = np.random.randint(0, 100, size=20) print(array3 > 50) """**Indexación con múltiples índices:** * Dado un arreglo de 8 elementos, crea una lista de índices para acceder a los elementos en las posiciones 1, 4, y 6. """ array4 = np.arange(1, 9) positions = [1,4,6] print(array4[positions]) """**Matrices bidimensionales:** * Genera una matriz 4x4 de números aleatorios entre 10 y 50, y accede a la submatriz de 2x2 ubicada en la esquina inferior derecha. """ matrix = np.random.randint(10, 50, size=(4,4)) submatrix = matrix[-2:, -2:] print(submatrix) ```import numpy as np """# Ejercicios: \*\*Acceder a elementos específicos:\*\* \* Crea un arreglo de 10 números y accede al cuarto y penúltimo elemento usando índices positivos y negativos. """ array1 = np.arange(1, 11) print("Cuarto elemento del array: ", array1\[3]) print("Penultimo elemento del array: ", array1\[-2]) """\*\*Slicing de arreglos:\*\* \* Dado un arreglo de números del 1 al 20, extrae los elementos entre las posiciones 3 y 7, y luego los elementos de las últimas 5 posiciones. """ array2 = np.arange(1, 21) position1 = array2\[3:7] position2 = array2\[-5:] print(position1) print(position2) """\*\*Indexing con booleanos:\*\* \* Crea un arreglo de números aleatorios entre 0 y 100. Usa una expresión booleana para acceder solo a los números mayores a 50. """ array3 = np.random.randint(0, 100, size=20) print(array3 > 50) """\*\*Indexación con múltiples índices:\*\* \* Dado un arreglo de 8 elementos, crea una lista de índices para acceder a los elementos en las posiciones 1, 4, y 6. """ array4 = np.arange(1, 9) positions = \[1,4,6] print(array4\[positions]) """\*\*Matrices bidimensionales:\*\* \* Genera una matriz 4x4 de números aleatorios entre 10 y 50, y accede a la submatriz de 2x2 ubicada en la esquina inferior derecha. """ matrix = np.random.randint(10, 50, size=(4,4)) submatrix = matrix\[-2:, -2:] print(submatrix)

Una pena que no tiene resumen escrito esta clase, ya venia con las clases anteriores usándolo como soporte y de repente lo sacan. Gracias a los compañeros que colaboran con sus resúmenes!!

Para los ejercicios solo bajen el archivoindexing\_slicing.ipynb, y si usan google colab, suban el archivo a google drive y abranlo con colab.