• 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
  • JavaScript
  • Excel

NumPy: Convertir matrices de NumPy en vectores

julio 13, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Existen diferentes opciones para transformar las matrices de NumPy en vectores: el método flatten() o la función ravel(). Veamos a continuación la forma de trabajar con ambos.

El método flatten()

En los objetos ndarray de NumPy existe el método flatten() con el cual se puede aplacar el contenido de los objetos, es decir, convertir una matriz de cualquier dimensión en una matriz numérica 1D plana. Método que tiene la siguiente forma:

ndarray.flatten(order='C')

donde el parámetro order admite alguno de los siguientes valores:

  • 'C': lee los elementos de la matriz por filas, esto es, genera un resultado similar al que obtendremos en C.
  • 'F': lee los elementos de la matriz por columnas, esto es, genera un resultado similar al que obtendremos en Fortran.
  • 'A': lee los elementos de la matriz según el orden que se encuentre en memoria.

El resultado que devuelve el método es una copia del objeto original, por lo que se puede modificar sin afectar al original.

Ejemplo de uso de flatten() para transformar matrices de NumPy en vectores

Una vez vista la forma del método se puede ver cómo funciona este, para lo que se creará una simple matriz a partir de una lista de Python. Una vez hecho esto se puede comparar el resultado que se obtiene al ordenar por filas (valor por defecto), por columnas o en base a la posición en memoria de los elementos.

Publicidad


import numpy as np

arr = np.array([[1, 2, 3],
                [4, 5, 6],
                [7, 8 ,9]])

print('Por filas   ', arr.flatten())
print('Por columnas', arr.flatten(order='F'))
print('Por memoria ', arr.flatten(order='A'))
Por filas    [1 2 3 4 5 6 7 8 9]
Por columnas [1 4 7 2 5 8 3 6 9]
Por memoria  [1 2 3 4 5 6 7 8 9]

En los dos primeros ejemplos se puede ver el resultado esperado, los valores se leen por filas o columnas. Por otro lado, cuando se selecciona la opción “A” parecer que el resultado es el mismo que al ordenar por filas, pero no es así. Esto se puede comprobar simplemente transponiendo la matriz y comprobando los resultados.

print('Por filas   ', arr.T.flatten())
print('Por columnas', arr.T.flatten(order='F'))
print('Por memoria ', arr.T.flatten(order='A'))
Por filas    [1 4 7 2 5 8 3 6 9]
Por columnas [1 2 3 4 5 6 7 8 9]
Por memoria  [1 2 3 4 5 6 7 8 9]

Observamos que los resultados por filas y columnas se han intercambiado, como esperaríamos, pero al leer por la posición en memoria no. Esto es así porque al transponer los elementos no cambia la posición de estos en memoria, simplemente se reordenan. Por eso, en caso de que el orden de los elementos del vector es importante la mejor opción es usar las opciones 'C' o 'F'.

La función ravel()

Una alternativa al método flatten() es la función ravel(). Al ser una función es necesario pasarle como primer parámetro el objeto a transformar, el cual puede ser también una lista de listas, y como segundo el orden, con las mismas opciones que flatten(). Así esta función tiene la siguiente forma

np.ravel(arr, order='C')

Ejemplo de uso de ravel() para transformar matrices de NumPy en vectores

La única diferencia entre ravel() y flatten() es que el primero es una función, por no se le debe pasar el objeto a procesar. Así para aplanar la matriz del ejemplo anterior solamente se tiene que escribir.

np.ravel(arr)
array([1, 2, 3, 4, 5, 6, 7, 8, 9])

Al ser una función también se puede utilizar sobre otros objetos que se puedan transformar en un objeto ndarray, por ejemplo, sobre una lista de listas.

Publicidad


np.ravel([[1, 2, 3], [4, 5, 6], [7, 8 ,9]], order='F')
array([1, 4, 7, 2, 5, 8, 3, 6, 9])

Conclusiones

En esta entrada se ha visto cómo se puede usar el método flatten() o la función ravel() para convertir matrices de NumPy en vectores. Siendo ambas opciones similares.

¿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

  • ¿Cómo eliminar columnas o filas multi-índice en un dataframe de Pandas?
    ¿Cómo eliminar columnas o filas multi-índice en un dataframe…
  • NumPy
    NumPy: Concatenar matrices en NumPy con np.concatenate()
  • Cómo funciona k-means e implementación en Python
    Cómo funciona k-means e implementación en Python
  • Seleccionar filas y columnas en Pandas con iloc y loc
    Seleccionar filas y columnas en Pandas con iloc y loc
  • Cómo funciona k-modes e implementación en Python
    Cómo funciona k-modes e implementación en Python
  • pandas
    Pandas: Eliminar filas en base a sus valores con Pandas

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.

Publicidad




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
  • Facebook
  • GitHub
  • Instagram
  • Pinterest
  • RSS
  • Twitter
  • Tumblr
  • YouTube

Publicidad

Entradas recientes

El método de Hare-Niemeyer y su implementación en Python

septiembre 29, 2023 Por Daniel Rodríguez

Redimensionar una partición de disco LVM con espacio no asignado en Linux

septiembre 27, 2023 Por Daniel Rodríguez

¿Cómo saber la versión de Pandas o cualquier otra librería en Python?

septiembre 25, 2023 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Unir y combinar dataframes con pandas en Python publicado el septiembre 10, 2018 | en Python
  • Duplicado Eliminar registros duplicados en pandas publicado el junio 20, 2018 | en Python
  • Enviar mensajes de WhatsApp con Python publicado el marzo 7, 2022 | en Python
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas
  • ¿Cómo eliminar columnas y filas en un dataframe pandas? publicado el marzo 25, 2019 | en Python

Publicidad

Lo mejor valorado

4.9 (22)

Seleccionar filas y columnas en Pandas con iloc y loc

4.7 (12)

Operaciones de filtrado de DataFrame con Pandas en base a los valores de las columnas

4.6 (15)

Archivos JSON con Python: lectura y escritura

4.5 (10)

Diferencias entre var y let en JavaScript

4.3 (12)

Ordenación de diccionarios en Python mediante clave o valor

Publicidad

Comentarios recientes

  • Daniel Rodríguez en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • Miguel en ¿Cómo eliminar columnas y filas en un dataframe pandas?
  • alberto en Resolver problema de credenciales en Bitbucket
  • Pablo en Aplicar el método D’Hondt en Excel
  • Agapito en Creación de un EXE desde un archivo Python en Windows

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 © 2018-2023 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto