• 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

Disponible la versión 1.20.0 de NumPy

NumPy

marzo 2, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

Noticias

La versión 1.20.0 se ha liberado recientemente. Versión en la que se incluyen nuevas capacidades como las anotaciones de tipos y expansión del uso de SIMD (single instruction, multiple data). Por lo que se ha descrito como la versión más grande de la historia de la librería.

Novedades de la versión

Las anotaciones de tipo se encuentran disponibles en una amplia parte de la librería. Estando disponible un nuevo módulo numpy.typing en el que se pueden encontrar tipos útiles para los usuarios finales. Entre los que se incluyen ArrayLike, para objetos que se pueden convertir en vectores, y DtypeLike, para objetos que se pueden convertir en un dtype.

Por otro lado, al aumentar el uso de SIMD en NumPy se mejora la velocidad de ejecución de muchas funciones. Además, se han realizado mejoras para preparar el código para introducir en un futuro las optimizaciones de rendimiento de SIMD de NEP-38.

Otras mejoras que se han incluido en la versión 1.20.0 de NumPy son:

  • Preparación para la modificación de los de los objetos dtype (objeto de tipo de datos) e implementación de conversiones para permitir extensión de tipos.
  • Soporte preliminar para la versión 3.0 del Cython para escribir extensiones C en Python.
  • La clase randon.Generator contiene una nueva función permuted.
  • Los errores de indexación se notificarán incluso cuando el resultado del índice esté vacío.
  • Una nueva palabra clave where se ha añadido para evaluar los valores en vectores de tipo Boolean.
  • Los tipos de numpy.typing ahora se pueden importar en tiempo de ejecución.
  • La función sliding_window_view ofrece una vista de ventana deslizante para matrices NumPy.
  • Al crear o asignar matrices, en todos los casos relevantes, los escalares NumPy ahora se convertirán a matrices NumPy
  • Se ha deprecado el uso de alias de tipos integrados, como puede ser el caso de np.int.
  • Las coincidencias inexactas de mode y searchside han sido deprecadas.
  • Se ha realizado limpieza de código relacionadas con la eliminación de Python 2.7 y mejoras en la legibilidad de código.

Las notas de la versión se pueden encontrar en la página web del proyecto con el resto de mejoras que se han introducido en esta versión.

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

Imagen de Michael Gaida en Pixabay

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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

  • Por qué el banco te ofrece un 3% TAE y no es lo que parece
  • Calibración vs Discriminación en Credit Scoring: diferencias clave y cómo evaluarlas

Publicado en: Noticias 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

DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

junio 30, 2026 Por Daniel Rodríguez

El bestiario de los indicadores económicos absurdos: El zoo patrio

junio 25, 2026 Por Daniel Rodríguez

Por qué el banco te ofrece un 3% TAE y no es lo que parece

junio 23, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica publicado el junio 30, 2026 | en Ciencia de datos
  • Cómo ejecutar modelos de lenguaje en local: Guía fácil para usar LM Studio en tu ordenador publicado el enero 29, 2025 | en Herramientas
  • Leer y guardar archivos de Matlab en Python publicado el febrero 14, 2020 | en Matlab, Python
  • El bestiario de los indicadores económicos absurdos: El zoo patrio publicado el junio 25, 2026 | en Opinión
  • FileNotFoundError en Python: Guía para abrir archivos correctamente en Python publicado el febrero 10, 2025 | 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