• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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

Vectorización en Python para mejorar el rendimiento

NumPy

mayo 25, 2020 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

Python es uno de los leguajes de programación más populares en la actualidad en ciencia de datos y otras áreas intensivas en cálculo numérico. Aun así, no es rápido en comparación con otros lenguajes. Por eso, conocer las prácticas que nos permiten obtener el mejor rendimiento en nuestros códigos es importante. Para poder reducir así el tiempo de ejecución de nuestros programas. En esta entrada vamos a ver cómo mediante el uso de vectorización en Python se puede aumentar el rendimiento de ciertos programas en órdenes de magnitud respecto.

Vectorización en Python

Al trabajo con grandes conjuntos de datos el código escrito en Python tiende a volverse lento. Especialmente el uso de bucles para repetir las mismas operaciones es algo que afecta negativamente al rendimiento. Por eso, si podemos evitar el uso de estas estructuras posiblemente podemos mejorar el rendimiento de nuestro código. En Python esto se puede conseguir con los diferentes métodos de la librería NumPy.

Realmente con esto no evitamos el uso de bucles. Lo que hacemos es usar librerías compiladas de C, las cuales ofrecen un mayor rendimiento para este tipo de operaciones, en lugar del intérprete de Python. Así se pueden obtener mejoras del rendimiento de varios órdenes de magnitud dependiendo de problema y el número de operaciones a realizar.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

Producto vectorial

Un problema típico en el que la vectorización en Python ofrece importantes mejoras de rendimiento es el producto vectorial. Una operación relativamente sencilla. El producto vectorial de dos vectores genera una matriz. Matriz en la que se almacenan el producto de todos los elementos de un vector por el otro.

\begin{bmatrix} a_1 \\ a_2 \end{bmatrix} \begin{bmatrix} b_1 & b_2 \end{bmatrix} = \begin{bmatrix} a_1 b_1 & a_1 b_2 \\ a_2 b_1 & a_2 b_2 \end{bmatrix}

Una operación que se puede implementar fácilmente con dos bucles for anidados. Otra alternativa es utilizar el método outer de NumPy, un método que además de producir código más legible también lo hace más rápido.

Comparación del rendimiento en Python con y sin vectorización

Para comprobar cuánto mejora el rendimiento solamente tenemos que escribir código con ambas implementaciones y ejecutarlo. Por ejemplo, podemos ver el siguiente archivo.

import numpy as np
import time

# Creamos dos vectores aleatorios
size = 10000
np.random.seed(0)
vec_1 = np.random.random(size)
vec_2 = np.random.random(size)

# Implementación del producto vectorial en Python 
tic = time.process_time()

python_product = np.zeros((size, size))

for i in range(size):
    for j in range(size):
        python_product[i][j] = vec_1[i] * vec_2[j]

phyton_time = time.process_time() - tic

# Implementación del producto vectorial Numpy 
tic = time.process_time()
numpy_product = np.outer(vec_1, vec_2)

numpy_time = time.process_time() - tic

# Evaluación de resultados 
if (numpy_product == python_product).all():
    print('Los resultados son iguales')
else:
    print('Los resultados son diferentes')
print('Tiempo de Python', phyton_time)
print('Tiempo de Numpy', numpy_time)
print('Mejora con Numpy', phyton_time / numpy_time)
Los resultados son iguales
Tiempo de Python 64.72391299999998
Tiempo de Numpy 0.42430899999999383
Mejora con Numpy 152.5395713972622

En este en primer lugar se crea dos vectores con datos aleatorio de 10.000 registros. Posteriormente se implementa el producto vectorial en Python con dos bucles for anidados. Midiéndose el tiempo que tarda en obtener el resultado con time.process_time(). Posteriormente se repite la operación con los mismos vectores usando el método numpy.outer().

Finalmente se compara que los resultados obtenidos mediante los dos métodos son exactamente iguales. Verificado que se ha implementado la misma operación. Además de esto, también se imprime el tiempo que tarda cada uno de los métodos y la mejora de rendimiento que se obtiene. En las pruebas realizadas hemos pasado de 64 segundos con el código Python a 0,42, lo que representa un factor de mejora superior a 150.

Conclusiones

Hoy hemos visto que la vectorización de las operaciones en Python puede suponer una considerable mejora de tiempo. En concreto, para una operación tan sencilla y habitual como el producto vectorial se puede hacer que el código 150 veces más rápido. Lo que permite obtener programas mucho más rápidos. Así, siempre que sea posible deberíamos optar por usar la vectorización en Python.

Además de esto también tenemos recordar otra prácticas de python con las que mejorar el rendimiento de nuestro código como el uso de Cython, Modin o la importancia de los método usado para iterar.

Imagen de My pictures are CC0. When doing composings: en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 2

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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos

Publicidad

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

Noticias

Analytics Lane lanza la versión 1.5 del laboratorio con un extractor de tickets por OCR y consultas SQL sobre CSV en el navegador

noviembre 18, 2026 Por Daniel Rodríguez

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo Explorar un Dataset antes de Modelar publicado el noviembre 17, 2026 | en Ciencia de datos
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas publicado el mayo 10, 2019 | en Python
  • Hoja de cálculo para repartir los escaños en base al método D’Hont Aplicar el método D’Hondt en Excel publicado el abril 14, 2021 | en Herramientas
  • La tabla de la web finalmente importada en Excel Importar tablas desde la web en Excel publicado el octubre 21, 2020 | en Herramientas

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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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