Estructuras I

Clase N° 4

Introducción a Numpy

Librerías de Python

In [1]: # Librería para cálculos numéricos

import numpy as np

Cálculos Varios

In [2]: # Raíz cuadrada de un número:

'''El comando para realizar el cálculo de un número
es el siguiente:
np.sqrt()
Donde:
np: apodo otorgado a la librería Numpy'''
# Raíz Cuadrada de 5, 6, 7 y 8
np.sqrt(5), np.sqrt(6), np.sqrt(7), np.sqrt(8)

Out[2]: (2.23606797749979, 2.449489742783178, 2.6457513110645907, 2.8284271247461903)

In [3]: # Número pi y Número de Euler

np.pi, np.e

Out[3]: (3.141592653589793, 2.718281828459045)

In [4]: # Logaritmo de un numero

'''El comando para realizar el cálculo del logaritmo natural de
un número es el siguiente:
np.log()
Donde:
np: apodo otorgado a la librería Numpy
log: logaritmo natural (logaritmo de base igual al número de Euler)'''
​
"""Para realizar un logaritmo de base diferente al número de Euler
se debe utilizar el mismo comando pero se debe añadir la base antes del parentesi
np.log(np.e), np.log10(10)

Out[4]: (1.0, 1.0)

In [5]: # Cálculos de seno, coseno, tangente

'''Para realizar dichos cálculos los angulos deben de
estar expresados en radianes'''
​
"""
Para transformar un angulo de sexagesimal a radian se utiliza
el siguiente comando:
np.deg2rad
"""
angle = np.deg2rad(90)
np.sin(angle), np.cos(angle), np.tan(angle)

Out[5]: (1.0, 6.123233995736766e-17, 1.633123935319537e+16)

 Vectores

In [6]: v1 = np.array([1,2,3])
v2 = np.array([4,5,6])

In [7]: v1 , v2

Out[7]: (array([1, 2, 3]), array([4, 5, 6]))

In [8]: # Norma de un vector

np.linalg.norm(v1), np.linalg.norm(v2)

Out[8]: (3.7416573867739413, 8.774964387392123)

In [9]: # Producto escalar

v1@v2, np.dot(v1,v2)

Out[9]: (32, 32)

Matrices ¶

In [10]: # Matrices
A = np.array([
[1,2,8],
[4,5,5],
[7,8,4]
])
B = 1/3*A
A, B

Out[10]: (array([[1, 2, 8],

[4, 5, 5],

[7, 8, 4]]),

array([[0.33333333, 0.66666667, 2.66666667],

[1.33333333, 1.66666667, 1.66666667],

[2.33333333, 2.66666667, 1.33333333]]))

In [11]: # Transpuesta de una matriz

A.T, B.T

Out[11]: (array([[1, 4, 7],

[2, 5, 8],

[8, 5, 4]]),

array([[0.33333333, 1.33333333, 2.33333333],

[0.66666667, 1.66666667, 2.66666667],

[2.66666667, 1.66666667, 1.33333333]]))

In [12]: # Determinante de una matriz

np.linalg.det(A), np.linalg.det(B)

Out[12]: (-6.000000000000009, -0.22222222222222246)

In [13]: # Inversa de una matriz

np.linalg.inv(A), np.linalg.inv(B)

Out[13]: (array([[ 3.33333333, -9.33333333, 5. ],

[-3.16666667, 8.66666667, -4.5 ],
[ 0.5 , -1. , 0.5 ]]),

array([[ 10. , -28. , 15. ],

[ -9.5, 26. , -13.5],

[ 1.5, -3. , 1.5]]))