• 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
    • 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
      • Simulador FIRE (Financial Independence, Retire Early)
    • Herramientas
      • Formateador / Minificador de 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: eliminar elementos en arrays de Numpy

octubre 30, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Para eliminar eliminar elementos en arrays de Numpy se puede utilizar la función de la librería np.delete(). Esta función permite eliminar tanto valores como filas o columnas utilizando la posición del elemento a eliminar. Lo que la convierte en una función realmente interesante.

np.delete() de Numpy

La función np.delete() es realmente sencilla ya que solamente necesita dos parámetros para hacer su trabajo. La forma genérica de utilizarla es:

np.delete(arr, obj, axis=None)

donde

  • arr: es el array de Numpy con el que se desea trabajar.
  • obj: es la posición de índice o una lista de posiciones que se desean eliminar del array de Numpy.
  • axis: valor opcional que indica eje a lo largo del cual se desean eliminar los registros. En caso de que sea 1, eliminará por columnas, si es 0, eliminará por filas y, si no valor, eliminará los valores ordenados de la matriz.

El método devuelve una copia del array de Numpy eliminando los registros que se encuentran en la posición o posiciones indicadas.

Eliminar los elementos de un vector

El ejemplo más básico de uso de np.delete() es eliminar un registro de un vector. Para ello simplemente se pasa el vector a la función seguido de la posición del elemento a eliminar. Proceso que se muestra en el siguiente ejemplo.

Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
En Analytics Lane
Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane

import numpy as np

arr = np.array([1,2,3,4,5])

np.delete(arr, 1)
array([1, 3, 4, 5])

En donde se ha elimina el segundo registro, ya que en Python los registros empiezan a contar en cero. Si se desea eliminar más de un registro simplemente se pasa una tupla con las posiciones a eliminar

np.delete(arr, (1, 3))
array([1, 3, 5])

En este segundo caso se puede ver como se han eliminado el segundo y cuarto registro del vector.

Publicidad


Eliminar las filas o columnas de una matriz

A la hora de trabajar con matrices la forma de trabajar es idéntica a la utilizada en los vectores. Antes de probar la función, en primer lugar es necesario crear una nueva matriz con la que trabajar.

mat = np.array([[11,12,13], [21,22,23], [31,32,33]])
mat
array([[11, 12, 13],
       [21, 22, 23],
       [31, 32, 33]])

En este ejemplo la matriz es de 3×3 siendo la primera fila decenas, la segunda veintenas y la tercera treintenas. Lo que permite identificar fácilmente los valores. Ahora se pude eliminar una fila o columna. Si lo que se desea es eliminar una fila es necesario indicar a np.delete() que trabaje sobre el eje 0. Por otro lado, si lo que se desea es eliminar una columna se tiene que utilizar el eje. Esto es lo que se muestra en los siguientes ejemplos.

np.delete(mat, 1, axis=0)
array([[11, 12, 13],
       [31, 32, 33]])
np.delete(mat, 1, axis=1)
array([[11, 13],
       [21, 23],
       [31, 33]])

Al igual que en el caso anterior se puede eliminar más de una columna o fila en la misma instrucción.

np.delete(mat, (0,2), axis=1)
array([[12],
       [22],
       [32]])

Un ejemplo en donde se ha eliminado la primera y tercera columna de la matriz.

Eliminar los valores de una matriz

Si no se indica el eje de la matriz, la función np.delete() convertirá la matriz en un vector y eliminará el registro o registros de esta. Es necesario recordar esto, ya que lo más habitual es eliminar filas o columnas, y siempre es necesario indicar la dimensión.

np.delete(mat, 5)
rray([11, 12, 13, 21, 22, 31, 32, 33])

Conclusiones

En esta entrada se ha visto una función con la que eliminar elementos en arrays de Numpy, pudiéndose utilizar tanto sobre vectores como matrices. La función np.delete() facilita el trabajo y permite simplificar muchas tareas.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3.4 / 5. Votos emitidos: 7

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?

Publicidad


Publicaciones relacionadas

  • Nuevo simulador FIRE en el laboratorio de aplicaciones de Analytics Lane
  • Nueva calculadora de préstamos e hipotecas en el laboratorio de aplicaciones de Analytics Lane
  • Hardening avanzado de NGINX: CSP, OCSP Stapling y defensa en profundidad
  • Nuevo generador y verificador de hashes en el laboratorio de aplicaciones de Analytics Lane
  • Nueva simulación de la estrategia Martingala en ruleta en el laboratorio de aplicaciones de Analytics Lane
  • Exactitud, precisión, recall… y los errores que cometemos al interpretarlas en proyectos reales
  • Nuevo simulador del problema de Monty Hall en el laboratorio de aplicaciones de Analytics Lane
  • Nuevo simulador interactivo de K-Means en el laboratorio de aplicaciones de Analytics Lane
  • Por qué los chatbots de inteligencia artificial parecen estar siempre de acuerdo contigo – Conversar con una inteligencia artificial – Parte I

Publicado en: Python Etiquetado como: NumPy

Interacciones con los lectores

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

Nuevo Inspector de JWT en el laboratorio de aplicaciones de Analytics Lane

abril 20, 2026 Por Daniel Rodríguez

Nuevo simulador de regresión logística en el laboratorio de aplicaciones de Analytics Lane

abril 17, 2026 Por Daniel Rodríguez

Nuevo simulador de regresión lineal con ruido en el laboratorio de aplicaciones de Analytics Lane

abril 16, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Nuevo Inspector de JWT en el laboratorio de aplicaciones de Analytics Lane publicado el abril 20, 2026 | en Noticias
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • El método de Muller e implementación en Python publicado el marzo 24, 2023 | en Ciencia de datos
  • El método de la bisección e implementación en Python publicado el marzo 11, 2022 | en Ciencia de datos
  • Cómo calcular el tamaño de la muestra para encuestas publicado el septiembre 9, 2025 | en Ciencia de datos

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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown

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