NumPy y Matplotlib para datos en Python
Contenido del curso
Operaciones con Vectores y Matrices
Multiplicación de Matrices
Construcción de un Modelo de Regresión Lineal
NumPy y Matplotlib para datos en Python
NumPy y Matplotlib para datos en Python
Contenido del curso
Johan L
Roxana Patricia Arauco Aliaga
Luis Felipe Rodríguez Zamora
José-Luis Quio Zamora
Gabriel Obregón
Daniel Morales
Juan Diego Ussa Aponte
Jorge Enrique Santander Fernandez
Grace Estibaliz Rojas García
José Eder Guzmán Mendoza
William Alexander Bejarano Pinilla
Bryan Steven Morales Ceron
Alex Xiomar Rubio Lopez
Franco Alvarado
Carlos Alvarado Riaño
Harold Baigorria
Daniela Estupiñan
Daniel Erazo
Profesor
Jhon Freddy Tavera Blandon
NESTOR IVAN RONCANCIO CABALLERO
santos Ines Sanchez Lemus
x = np.array([1,3,4,5,6]) y = np.array([2,4,6,8,10]) v1 = np.array([2,6])
import matplotlib.pyplot as plt #figsize = 6,6 quiere decir que nuestro lienso tendra un 6x6 pulgadas plt.figure(figsize=(6,6)) #Esparse los puntos en las cordenadas de los vectores x, y plt.scatter(x, y, label='Puntos de datos') #quiver nos permite dibujar una flecha plt.quiver(0,0, v1[0], v1[1], angles='xy', scale_units='xy', scale=1, color='r', label='Vector 1') plt.title('Mi primera visualizacion') #Compila todos los label o etiquetas de este grafico plt.legend() #Alpha es la opacidad de la grid plt.grid(True, alpha=0.3) plt.show()
Cambié el signo del segundo valor del vector A para que apuntara hacia abajo. También cambié el punto de inicio del vector a la esquina superior izquierda
x = np.array([3,4,5])
y = np.array([1,2,5])
A = np.array([5,-3])
plt.quiver(0,4, A[0], A[1], angles='xy', scale_units='xy', scale=1, color='green', label='Vector A')
import numpy as np import matplotlib.pyplot as plt x = np.array([1, 2, 3, 4, 5]) y = np.array([4, 7, 6, 9, 10]) v1 = np.array([3, 2]) v2 = np.array([2, 5]) v3 = v1 + v2 v4 = v1 - v2 plt.figure(figsize=(8, 6)) plt.ylim(-4, 11) plt.xlim(0, 6) plt.scatter(x, y, label='Puntos de Datos') plt.xlabel('Eje X') plt.ylabel('Eje Y') plt.quiver(0, 0, v1[0], v1[1], angles='xy', scale_units='xy', scale=1, color='red', label='Vector v1') plt.quiver(0, 0, v2[0], v2[1], angles='xy', scale_units='xy', scale=1, color='blue', label='Vector v2') plt.quiver(0, 0, v3[0], v3[1], angles='xy', scale_units='xy', scale=1, color='black', label='Vector v1+v2') plt.quiver(0, 0, v4[0], v4[1], angles='xy', scale_units='xy', scale=1, color='green', label='Vector v1-v2') # Define the x and y coordinates for the two points x_values = [v1[0], v3[0], v2[0]] y_values = [v1[1], v3[1], v2[1]] plt.plot(x_values, y_values, linestyle='dotted', marker='o', color='gray') plt.legend() plt.grid(True, alpha=0.3) plt.title('Gráfico de Puntos y Vectores') plt.show()
🔢 NumPy & 📊 Matplotlib
De datos a visualización clara
🎯 OBJETIVO
➡️ Aprender a:
· 📦 Crear arrays con NumPy
· 📐 Entender el shape de los datos
· 📊 Visualizar información combinando:
o 🔵 Gráfico de dispersión (scatter)
o 🔴 Vector (quiver)
· 🤖 Preparar datos correctamente para machine learning
🧠 ¿POR QUÉ NUMPY ES CLAVE EN IA?
🔹 Idea central Los modelos de machine learning solo entienden números bien estructurados.
🔹 Problema con listas de Python
· ❌ No son eficientes a gran escala
· ❌ Operaciones matemáticas más lentas
🔹 Ventajas de NumPy
· ⚡ Operaciones vectorizadas rápidas
· 🧩 Arrays optimizados para cálculo numérico
🔹 Ecosistema que depende de NumPy
· 📈 pandas
· 🧪 Scikit-learn
· 🧠 TensorFlow
📦 IMPORTACIÓN Y ENTORNO
🔧 Convención estándar
import numpy as np
ℹ️ Notas
· np es el alias habitual
· NumPy ya viene instalado en:
o ☁️ Google Colab
o 📓 Jupyter Notebook
🔢 ARRAYS: CONCEPTO CLAVE
🧩 Qué es un array
· Estructura central de NumPy
· Similar a una lista, pero mucho más eficiente
🧪 Ejemplo
datos = np.array([1, 2, 3, 4, 5])
print(datos)
print(datos.shape)
📐 SHAPE: LA FORMA DE LOS DATOS
📌 Qué indica shape
· Describe la estructura del array
📌 Ejemplo
· (5,) significa:
o 🔢 5 elementos
o ➡️ Un vector unidimensional
⚠️ Por qué revisarlo siempre
· Los modelos esperan dimensiones exactas
· Un shape incorrecto genera errores
· Revisarlo ahorra tiempo y frustración
💡 Idea clave
Los vectores son la base de matrices y estructuras mayores
🧩 HABILIDADES QUE PRACTICAS
✔️ Crear arrays con np.array
✔️ Inspeccionar dimensiones con .shape
✔️ Pensar los datos antes de entrenar un modelo
📊 VISUALIZACIÓN CON MATPLOTLIB
👁️ Por qué visualizar
· 🔍 Detectar patrones
· 🐞 Encontrar errores
· 🗣️ Comunicar resultados
🛠️ Herramienta
· Matplotlib permite dibujar puntos y vectores en el plano cartesiano
Estas librerias son muy importantes, por lo que que recomiendo profundizar con el curso de platzi:
Curso de Python para Ciencias de Datos https://platzi.com/cursos/python-data-science/
NumPy y Matplotlib son herramientas fundamentales en Python para trabajar con datos numéricos y visualizarlos, especialmente en proyectos de machine learning. NumPy permite crear y manipular arrays, estructuras optimizadas para cálculos matemáticos que sirven como base para representar vectores y matrices. Verificar propiedades como .shape es clave para asegurarse de que los datos tengan la dimensión correcta antes de entrenar un modelo.
Por su parte, Matplotlib permite transformar datos en gráficas claras, facilitando la interpretación de patrones y resultados. Con funciones como scatter se pueden representar puntos en un plano cartesiano, mientras que quiver permite visualizar vectores como flechas desde el origen. La combinación de ambas librerías permite pasar de datos numéricos a representaciones visuales útiles para análisis, depuración y comunicación de resultados en ciencia de datos.
x=np.array([1,2,3,4,5])
y=np.array([1,3,5,6,8])
v1=np.array([2,4])
import matplotlib.pyplot as plt
plt.figure(figsize=(6,6))
plt.scatter(x, y, label='puntos de datos')
plt.quiver(0,0, v1[0], v1[1],
angles='xy',scale_units='xy',scale=1,color='red',label='vector1')
plt.title("VISUALIZACION")
plt.legend()
plt.grid(True,alpha=0.3)
plt.show()
Reto: Primera visualización en Colab
import matplotlib.pyplot as plt
plt.figure(figsize=(10,10))
plt.scatter(a,b,label='puntos de datos')
plt.quiver(0,0, v1[0], v1[1], angles='xy' , scale_units= 'xy', scale= 0.5, color = 'green', label = 'Vector 1')
plt.quiver(0,0, v2[0], v2[1], angles='xy' , scale_units= 'xy', scale= 0.5, color = 'blue', label = 'Vector 2')
plt.title("Numeros random")
plt.legend()
plt.grid(True, alpha =0.5)
plt.show()
x = np.array([1,2,3,4,5,7])
y = np.array([2,4,1,3,5,8])
v1 = np.array([5,8])
import matplotlib.pyplot as plt
plt.figure(figsize=(6,6))
plt.scatter(x,y, label='Puntos de datos')
plt.quiver(0,0,v1[0],v1[1], angles='xy',scale_units='xy', scale=1, color='blue', label='vector 1')
plt.title("Mi grafico")
plt.legend()
plt.grid(True, alpha=0.2)
plt.show()
Excelente ejemplo!
Me gusraria aprenderá graficar curvas polares