• 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

NumPy: La función reshape de NumPy con ejemplos

NumPy

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.

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.

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

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]]])

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])

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

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

  • 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