• 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
    • 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

NumPy: ¿Cómo acceder al i-ésimo elemento de una matriz multidimensional de NumPy?

julio 27, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Una pregunta que me suele hacer de forma habitual los usuarios que comienzan con NumPy es cómo se puede acceder a un elemento en concreto. Pudiendo hacer referencia tanto a un escalar, una columna como una fila. Algo que es relativamente sencillo en cuanto se entiende el funcionamiento de las matrices multidimensionales de NumPy. Así que comprendamos estos objetos para saber cómo acceder al i-ésimo elemento de una matriz multidimensional de NumPy.

Acceder a los escalares de una matriz multidimensional de NumPy

Para acceder a los elementos de una matriz en NunPy es necesario indicar las coordenadas de estos entre corchetes después del nombre del objeto. En el caso de trabajar con un vector solamente hace falta un número, pero al trabajar con objetos multidimensionales es necesario indicar tantos números como dimensiones tenga el objeto separados por comas. Así en el caso de trabajar con matrices 2D es necesario indicar dos números.

Esto es, al trabajar con una matriz bidimensional se puede acceder al valor de la segunda fila y tercera columnas mediante la expresión mat[1,2], recordando que en Python la primera posición de un elemento tiene el índice 0. Para que esto funcione es necesario que la matriz tenga por lo menos dos filas y tres columnas, ya que en caso contrario el comando dará un error indicando que no se puede acceder a algún índice

Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
En Analytics Lane
Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane

Acceder a filas o columnas de una matriz multidimensional de NumPy

En una matriz bidimensional cuando se omite el segundo valor dentro de los corchetes se obtiene como resultado la fila indicada. Así si se indica que se desea obtener el elemento mat[1] se obtendrá la segunda fila de la matriz.

Otra forma de conseguir esto es usar el comodín dos puntos (:) mediante el que se indica todos los elementos. Así también se puede obtener la segunda fila de la matriz escribiendo mat[1, :]. Una forma que es más clara que la anterior, ya que al leer el código se puede ver que se espera un objeto bidimensional sin necesidad de conocer el contenido del elemento.

Análogamente a esto se puede obtener la segunda columnas escribiendo mat[:, 1]. Esto es, todos los elementos de todas las filas en la columna 1.

Publicidad


Acceder a un escalar por posición

En el caso de matrices, una forma alternativa para obtener un escalar es aplanar la matriz e indicar el índice de este. Teniendo en cuenta que al aplanar la matriz en primer lugar se situará la primera fila, luego la segunda y así hasta que termine el final. De este modo se puede obtener el quinto elemento de la matriz ordenado por filas mediante mat.flat[5] u ordenado por columnas, para lo que primero es necesario transponer la matriz, mediante el comando mat.T.flat[5].

Seleccionar múltiples elementos

Finalmente, también se puede usar los dos puntos para indicar múltiples elementos, lo que puede ser múltiples filas, columnas o ambas. En este caso se puede indicar un número antes de los dos puntos para indicar que comience en ese elemento y después de los puntos el elemento en el que terminará, el cual no se incluirá. Así para obtener la primera y segunda columna de una matriz se puede usar mat[:, 0:2], recordando que el índice 2 no se incluye, solamente el 0 y 1.

Siendo este un método con bastantes posibilidades como se ha explicado en otra ocasión.

Código con los ejemplos

A continuación, se muestra un código con los ejemplos que se han visto durante la entrada.

import numpy as np

mat = np.arange(9).reshape((3,3))
# mat = [[0, 1, 2],
#        [3, 4, 5],
#        [6, 7, 8]]

mat[1, 2] # 5
mat[1]    # [3, 4, 5]
mat[1, :] # [3, 4, 5]
mat[:, 1] # [1, 4, 7]

mat.flat[5]   # 5
mat.T.flat[5] # 7

mat[:, 0:2]
# [[0, 1],
#  [3, 4],
#  [6, 7]]

Publicidad


Conclusiones

En esta ocasión se han explicados algunas de las formas que tenemos para acceder al i-ésimo elemento de una matriz multidimensional de NumPy. Siendo posible emplearlos para seleccionar escalares, filas, columnas o conjuntos de estos.

¿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

  • Nuevo test de normalidad interactivo en el laboratorio de Analytics Lane
  • Nuevo conversor de timestamp Unix en el laboratorio de Analytics Lane
  • Calculadora de Contrastes de Hipótesis: interpreta correctamente el p-valor y toma decisiones estadísticas con confianza
  • Calculadora de Tamaño del Efecto: la herramienta clave para entender cuánto importa realmente una diferencia
  • Simulador de DBSCAN: descubre cómo encontrar clusters reales (y ruido) sin fijar K
  • Conversor de Colores: convierte, compara y valida cualquier color en tiempo real
  • Analytics Lane lanza su Generador de UUIDs: identificadores únicos, seguros y listos para producción en segundos
  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas

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

De la Regresión Logística al Scorecard: La Transformación Matemática

mayo 19, 2026 Por Daniel Rodríguez

Noticias

Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring

mayo 18, 2026 Por Daniel Rodríguez

Interés compuesto: la fuerza que multiplica tu dinero (y los errores que la anulan)

mayo 14, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • ¿Qué es la estadística y por qué todos deberíamos comprenderla? publicado el noviembre 22, 2024 | en Opinión
  • Buscar en Excel con dos o más criterios publicado el septiembre 7, 2022 | en Herramientas
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 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

4.1 (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