• Saltar al contenido principal
  • Skip to secondary menu
  • Saltar a la barra lateral principal
  • Saltar al pie de página
  • Inicio
  • Secciones
    • Ciencia de datos
    • Criptografía
    • Herramientas
    • Machine Learning
    • Noticias
    • Opinión
    • Productividad
    • Programación
      • JavaScript
      • Julia
      • Matlab
      • Python
      • R
  • Programación
    • JavaScript
    • Julia
    • Matlab
    • Python
    • R
  • Laboratorio
    • Estadística
      • Calculadora del Tamaño Muestral en Encuestas
      • Calculadora de estadísticos descriptivos
      • Test de normalidad
      • Calculadora de contrastes de hipotesis
      • Calculadora de tamano del efecto
      • Simulador de Regresión Lineal con Ruido
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Simulador de K-Means
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • Simulador de la Estrategia Martingala
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
    • Juegos
      • Tres en Raya
      • Nim con Q-Learning
    • Más
      • Método D’Hondt
      • Generador de Contraseñas Seguras
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • R
  • Excel

Numpy básico: encontrar la posición de un elemento en un Array de Numpy

septiembre 11, 2019 Por Daniel Rodríguez 3 comentarios
Tiempo de lectura: 3 minutos

Hace unos días se explicó cómo crear Array de Numpy a partir de otros objetos de Python. En esta ocasión se va a ver cómo encontrar la posición de un elemento buscnao el valor en un Array de Numpy. Lo que se hará mediante la función np.where().

La función np.where()

La función np.where() devuelve una tupla con la posición del los elementos diferentes de cero de objetos np.array u otros que puedan contener un vector como listas o tuplas. En el caso de que el tipo de dato del objeto sea lógico devuelve la posición de los elementos verdaderos. Lo que se puede ver en el siguiente ejemplo

import numpy as np

np_array = np.array((True, False, True, False))
np.where(np_array)
(array([0, 2]),)

Obteniéndose una tupla con los valores 0 y 2, aquellos índices en los que se encuentra el valor True.

Encontrar la posición de un elemento en un Array de Numpy

Esta función se puede utilizar para localizar la posición de los elementos dentro de un objetos np.array, simplemente escribiendo una operación lógica e inyectando el resultado a esta función. Así para localizar el registro que tiene un valor dentro de un Array de Numpy se puede escribir:

import numpy as np

np_array = np.array((1, 5, 9, 3, 7, 2, 0))
np.where(np_array == 5)
(array([1]),)

En este ejemplo se ha importado Numpy, creado un Array de Numpy y posteriormente se ha buscado la posición de los elementos con valor 5. Obteniéndose una tupla con el valor 1, el índice en el que se encuentra el elemento buscado. Lo que se puede comprobar con el siguiente código.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

np_array[np.where(np_array == 5)]
array([5])

Publicidad


Cuando el elemento buscado no se existe

En el caso de que el elemento buscado no exista se obtendrá como respuesta de la función una tupla vacía.

np.where(np_array == 25)
(array([], dtype=int64),)

Obtención de los elementos en una matriz

La función np.where() también se puede utilizar para localizar la posición de los elementos en una matriz. La única diferencia es que en este caso devolverá una tupla con las dos coordenadas. Por ejemplo, al crear una matriz se puede buscar la posición de un elemento.

np_array = np.array(((1, 5), (9, 3), (7, 2)))
print(np_array)

np.where(np_array == 5)
[[1 5]
 [9 3]
 [7 2]]

(array([0]), array([1]))

Otros usos buscar máximos y mínimos

Al comprender el funcionamiento de la función np.where() se puede utilizar para buscar la posición de otros elementos como son los máximos, mínimos o cualquier otra condición más compleja. Para ello solamente se ha de comparar el array con un valor calculado y utiliza esto dentro de la función. Por ejemplo, para localizar el máximo se puede utilizar:

np_array = np.array((1, 5, 9, 3, 7, 2, 0))

np.where(max(np_array) == np_array)
array([9])

Publicidad


Conclusiones

En esta entrada se ha visto cómo se puede utilizar la función np.where() de Numpy para encontrar la posición de un elemento en un Array de Numpy. Una función básica, pero al mismo tiempo interesante ya que permite saber dónde se encuentra un valor dentro de un objeto. Algo que dentro de grandes conjuntos de datos puede no ser fácil encontrar.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 4

Ya que has encontrado útil este contenido...

¡Síguenos en redes sociales!

¡Siento que este contenido no te haya sido útil!

¡Déjame mejorar este contenido!

Dime, ¿cómo puedo mejorar este contenido?

Publicaciones relacionadas

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura
  • Ley de Benford: cómo detectar datos manipulados con ejemplos reales
  • Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos
  • De la Regresión Logística al Scorecard: La Transformación Matemática

Publicado en: Python Etiquetado como: NumPy

Interacciones con los lectores

Comentarios

  1. invitación de boda dice

    diciembre 23, 2024 a las 11:53 pm

    realmente es interesante

    Responder
  2. plataformas AéReas dice

    enero 20, 2025 a las 12:53 am

    buen blog

    Responder
  3. soldado dice

    febrero 9, 2025 a las 6:31 am

    mejorable pero interesante

    Responder

Deja una respuesta Cancelar la respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

I accept the Terms and Conditions and the Privacy Policy

Este sitio usa Akismet para reducir el spam. Aprende cómo se procesan los datos de tus comentarios.

Barra lateral principal

Suscríbete a nuestro boletín

Suscríbete al boletín semanal para estar al día de todas las publicaciones.

Política de Privacidad

Analytics Lane en redes sociales

  • Amazon
  • Bluesky
  • Facebook
  • GitHub
  • Instagram
  • Mastodon
  • Pinterest
  • RSS
  • Telegram
  • Tumblr
  • Twitter
  • YouTube

Publicidad

Entradas recientes

Noticias

Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial

junio 12, 2026 Por Daniel Rodríguez

La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)

junio 11, 2026 Por Daniel Rodríguez

Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso

junio 9, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • pandas Diferencias entre loc e iloc en Pandas publicado el febrero 6, 2023 | en Python
  • Noticias Traducción al castellano de “Python for Data Analysis” de Wes McKinney publicado el febrero 28, 2023 | en Noticias
  • La distancia de Levenshtein publicado el junio 17, 2020 | en Ciencia de datos, R
  • Curiosidad: El uso del número 42 para fijar la semilla publicado el julio 7, 2023 | en Opinión
  • pandas Modificar el formato de los DataFrame de Pandas publicado el octubre 31, 2022 | en Python

Publicidad

Lo mejor valorado

4.9 (24)

Seleccionar filas y columnas en Pandas con iloc y loc

4.6 (16)

Archivos JSON con Python: lectura y escritura

4.4 (14)

Ordenación de diccionarios en Python mediante clave o valor

4.7 (13)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.1 (11)

Aplicar el método D’Hondt en Excel

Comentarios recientes

  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no
  • bif en Cómo desinstalar Oracle Database 19c en Windows
  • M. Pilar en Cómo eliminar las noticias en Windows 11 y recuperar tu concentración
  • Daniel Rodríguez en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria

Publicidad


Footer

Analytics Lane

  • Acerca de Analytics Lane
  • Boletín de noticias
  • Contacto
  • Libros
  • Lo más popular
  • Noticias
  • Tienda
  • Tiendas afiliadas

Secciones

  • Ciencia de datos
  • Criptografía
  • Herramientas
  • Machine Learning
  • Opinión
  • Productividad
  • Programación
  • Reseñas

Sobre de Analytics Lane

En Analytics Lane tratamos de explicar los principales conceptos de la ciencia e ingeniería de datos con un enfoque práctico. Los principales temas tratados son ciencia de datos, ingeniería de datos, inteligencia artificial, machine learning, deep learning y criptografía. Además, también se habla de los principales lenguajes de programación y herramientas utilizadas por los científicos e ingenieros de datos.

Copyright © 2018-2026 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto