• 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
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

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

NumPy: La función reshape de NumPy con ejemplos

abril 5, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 4 minutos

NumPy

El método que podemos usar en NumPy para redimensionar los vectores es la función reshape. Una función que es clave conocer para trabajar de forma eficaz con NumPy. Veamos a continuación como se puede usar la función reshape de NumPy a través de diferentes ejemplos.

Tabla de contenidos

  • 1 La función reshape de NumPy
    • 1.1 El nuevo tamaño tiene que ser compatible con el original
  • 2 Uso básico de reshape en NumPy
  • 3 Convertir matrices 2D o 3D en vectores
  • 4 Tipos de llenado de los vectores
  • 5 Los resultados de reshape son vistas
    • 5.1 Accediendo al objeto base
  • 6 Conclusiones

La función reshape de NumPy

En la documentación de NumPy se pude ver que la función reshape tiene la siguiente forma

np.reshape(a, newshape, order='C')

donde

  • a: el vector de NumPy que se desea redimensionar.
  • newshape: una tupla, en el caso de que se desee convertir en un vector 23 o 30, o un valor entero, cuando el vector de destino 1D.
  • order: un valor opción en el que se indica el orden de llenado de los vectores. Los valores disponibles para esta propiedad son:
    * C: lee y escribe los elementos del vector por filas, estilo como en C.
    * F: lee y escribe los elementos del vector por columnas, estilo como en FORTRAN
    * A: lee y escribe los elementos del vector según el orden que tengan esos en memoria.

Publicidad


El nuevo tamaño tiene que ser compatible con el original

Un punto importante es que el nuevo tamaño que se le indique a la función reshape tiene que ser compatible con el original. Esto es, si en el vector original hay 10 elementos, tiene que haber necesariamente 10 en el de nuevo. Si no es así se producirá un error. Esto es así porque reshape no permite omitir elementos del vector original ni dejar elementos sin valor en el de destino.

Tutorial de Mypy para Principiantes
En Analytics Lane
Tutorial de Mypy para Principiantes

Uso básico de reshape en NumPy

En el caso de que tengamos un vector en memoria se puede usar reshape para crear un vector 2D con los mismos datos. Para ello solamente se tiene que llamar a la función y pasar el vector original y una tupla con las nuevas dimensiones como parámetro. Así para convertir un vector en un objeto 2D se puede usar

import numpy as np

arr = np.arange(12)

np.reshape(arr, (2, 6))
array([[ 0,  1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10, 11]])

Con lo que se ha convertido una vector en una matriz de 6 por dos. Otra alternativa sería crear una matriz de 2 por seis, lo que se puede conseguir mediante

np.reshape(arr, (6, 2))
array([[ 0,  1],
       [ 2,  3],
       [ 4,  5],
       [ 6,  7],
       [ 8,  9],
       [10, 11]])

En el caso de que queramos crear un objeto 3D, simplemente es necesario pasar una tupla de tres elementos.

np.reshape(arr, (2, 2, 3))
array([[[ 0,  1,  2],
        [ 3,  4,  5]],

       [[ 6,  7,  8],
        [ 9, 10, 11]]])

Publicidad


Convertir matrices 2D o 3D en vectores

Para convertir una matriz tanto de 2D como 3D en un vector se ha de indicar un escalar con el número de elementos. Aunque, en estos casos, es más cómodo utilizar -1, ya que convertirá la matriz en un vector sin necesidad de conocer su tamaño. Lo que evita posibles errores. Esto es, una matriz 3D se puede transformar en una vector con las dos líneas que se muestra a continuación.

arr3d = np.reshape(arr, (2, 2, 3))

np.reshape(arr3d, 12)

np.reshape(arr3d, -1)
array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

Tipos de llenado de los vectores

Como ya se ha explicado al principio existen tres tipos de llenado para los vectores. Por filas, al estilo C

arr3d = np.arange(9)

np.reshape(arr3d, (3,3), order='C')
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])

Por columnas, al estilo FORTRAN

np.reshape(arr3d, (3,3), order='F')
array([[0, 3, 6],
       [1, 4, 7],
       [2, 5, 8]])

Y en base a la posición en memoria.

np.reshape(arr3d, (3,3), order='A')
array([[0, 3, 6],
       [1, 4, 7],
       [2, 5, 8]])

En estos ejemplos no se puede hacer una diferencia entre el tipo C en base a la posición en memoria. Pero sí que es posible observar esto cuando se realiza una transformación, por ejemplo, una transposición de la matriz.

arr = np.arange(9)
arr2d = np.reshape(arr, (3,3), order='C').T
arr2d
array([[0, 3, 6],
       [1, 4, 7],
       [2, 5, 8]])

En este caso el método C leerá los datos por filas

np.reshape(arr2d, 9, order='C')
array([0, 3, 6, 1, 4, 7, 2, 5, 8])

Mientras que el método A recuperará los datos tal como están ubicados en memoria.

np.reshape(arr2d, -1, order='A')
array([0, 1, 2, 3, 4, 5, 6, 7, 8])

Publicidad


Los resultados de reshape son vistas

Es importante tener en cuenta que siempre que es posible reshape devuelve una vista del objeto original. No un nuevo objeto con los valores. Por lo que, en caso de modificar los valores en la vista, también se modificarán en el objeto original y viceversa. Efecto que se puede observar en el siguiente ejemplo.

arr = np.arange(4)
arr2d = np.reshape(arr, (2,2))

arr2d[1][1] = 9

print(arr)
print(arr2d)
[0 1 2 9]
[[0 1]
 [2 9]]

En el caso de que queramos modificar uno de los dos objetos sin afectar al otro es necesario hacer una copia del resultado. Así se podrán modificar el contenido de los vectores sin riesgo de modificaciones accidentales.

arr = np.arange(4)
arr2d = np.reshape(arr, (2,2)).copy()

arr2d[1][1] = 9

print(arr)
print(arr2d)
[0 1 2 3]
[[0 1]
 [2 9]]

Accediendo al objeto base

En la vista se puede acceder al objeto original, usando para ellos la propiedad base. Propiedad que en caso de ser nula indicará que el objeto no es una vista, por ejemplo es una copia de una vista.

arr = np.arange(4)
arr2d = np.reshape(arr, (2,2))
copy2D = arr2d.copy()

print(arr2d.base)
print(copy2D.base)
[0 1 2 3]
None

Publicidad


Conclusiones

En esta entrada hemos comprobado las propiedades de la función reshape de NumPy. Una función que es clave a la hora de trabajar con vectores de NumPy, ya que es la que se utiliza para redimensionar estos. Viendo además que en esta función existen dos puntos claves: el número de elementos del vector redimensionado tiene que ser compatible con el original y los resultados son una vista del vector original. Siendo necesario tenerlos en cuenta para evitar problemas.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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

  • Tutorial de Mypy para Principiantes
  • Semana sin nuevas publicaciones
  • Combinar gráficos con FacetGrid: Cómo analizar tendencias complejas en múltiples paneles con Seaborn
  • Introducción a igraph en R (Parte 6): Centralidad de Katz en grafos
  • Cómo modificar los mensajes de commit en Git
  • Optimización de memoria en Pandas: Usar tipos de datos personalizados para manejar grandes conjuntos de datos
  • Introducción a igraph en R (Parte 7): Centralidad de Bonacich
  • ¡Analytics Lane cumple siete años!
  • Sincronizar múltiples ejes con twinx(): Comparación de datos con diferentes escalas en un solo gráfico con Matplotlib

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

Variables globales en Python: Problemas y cómo evitarlos

mayo 12, 2025 Por Daniel Rodríguez

Los valores numéricos en los ordenadores: Entendiendo enteros, flotantes y más

mayo 9, 2025 Por Daniel Rodríguez

Introducción a igraph en R (Parte 8): PageRank

mayo 7, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Cómo funciona k-modes e implementación en Python publicado el octubre 14, 2022 | en Ciencia de datos, Python
  • Ventana principal de NSSM Cómo configurar un servicio en Windows publicado el mayo 11, 2022 | en Herramientas
  • pandas Pandas: Obtener el nombre de las columnas y filas en Pandas publicado el diciembre 7, 2020 | en Python
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Método de Brent e implementación en Python publicado el abril 28, 2023 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • Daniel Rodríguez en Tutorial de Mypy para Principiantes
  • Javier en Tutorial de Mypy para Principiantes
  • javier en Problemas con listas mutables en Python: Cómo evitar efectos inesperados
  • soldado en Numpy básico: encontrar la posición de un elemento en un Array de Numpy
  • plataformas AéReas en Numpy básico: encontrar la posición de un elemento en un Array de Numpy

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto