• 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: Concatenar matrices en NumPy con np.concatenate()

agosto 17, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Cuando necesitamos unir el contenido de varias matrices en NumPy se puede recurrir a la función np.concatenate(). Una función con la que es posible concatenar matrices en NumPy tanto por filas como por columnas.

La función np.concatenate()

En el caso de que necesitemos concatenar dos o más vectores o matrices de NumPy se puede recurrir a la función np.concatenate(). Una función que tiene la siguiente forma:

np.concatenate((a1, a2, ...), axis=0, out=None)
  • a1, a2, ...: es una secuencia de objetos de Python que se pueden convertir a vectores o matrices de NumPy. Cada uno de los elementos de esta serie debe tener las mismas dimensiones.
  • axis: eje a lo largo del cual se desea que se concatenan los vectores o matrices. Los posibles valores son
    • 0: las matrices se unen por filas, siendo este el valor por defecto de la función.
    • 1: las matrices se unen por columnas.
    • None: al seleccionar esta opción todas las matrices se aplanan y se concatenan como vectores.
  • out: un valor opcional que en caso de indicar se guardará el resultado en este objeto, siendo necesario que tenga las dimensiones del resultado.

Concatenar vectores en NumPy

El uso básico de la función np.concatenate() permite concatenar vectores. Para lo que solamente se tiene que crear una tupla con los vectores y pasar estos como parámetro de la función. Lo que da como resultado un objeto np.array con los valores de todos los vectores.

import numpy as np

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

Pudiéndose concatenar más de uno, de diferente longitud.

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

Concatenar matrices en NumPy

Quizás el uso más interesante de la función np.concatenate() es la posibilidad de concatenar matrices. Para lo que hay que hacer lo mismo que antes, guardar todas las que se desean concatenar en una tupla y pasarla como primer paramento de la función. Por defecto la concatenación será por filas.

Publicidad


mat_1 = np.array([[1, 2, 3], [4, 5, 6]])
mat_2 = np.array([[1, 1, 1], [2, 2, 2]])

np.concatenate((mat_1, mat_2))
array([[1, 2, 3],
       [4, 5, 6],
       [1, 1, 1],
       [2, 2, 2]])

En el caso de que se desee realizar la concatenación por columnas, simplemente se tiene que asignar el valor 1 a la propiedad axis.

np.concatenate((mat_1, mat_2), axis=1)
array([[1, 2, 3, 1, 1, 1],
       [4, 5, 6, 2, 2, 2]])

Otra opción, en el caso de que se necesite obtener un vector a partir de las matrices es indicar el valor None en la propiedad axis. Opción que se muestra a continuación.

np.concatenate((mat_1, mat_2), axis=None)
array([1, 2, 3, 4, 5, 6, 1, 1, 1, 2, 2, 2])

Guardar los resultados en un objeto existente

En el caso de que se desee guardar el resultado en un objeto ya existente se puede usar la propiedad out para ello. Teniendo en cuenta que el tamaño del objeto ha de ser exactamente igual al del resultado esperado de la función, ya que en caso contrario se produciría un error. En el siguiente ejemplo se puede ver cómo se crea un objeto con np.zeros() y se guarda el resultado en este objeto.

result = np.zeros((4,3))
np.concatenate((mat_1, mat_2), out=result)
result
array([[1., 2., 3.],
       [4., 5., 6.],
       [1., 1., 1.],
       [2., 2., 2.]])

Conclusiones

Hoy hemos visto la función np.concatenate() con la que es posible concatenar matrices en NumPy. Una función que puede ser interesante cuando se disponga de varias matrices con datos que deben estar en un único objeto. Permitiendo concatenar los valores como sea necesario, por filas o por columnas.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

Publicidad


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

  • pandas
    Pandas: El método merge de Pandas
  • SequenceMatcher
    SequenceMatcher
  • NumPy
    NumPy: La función reshape de NumPy con ejemplos
  • Seleccionar filas y columnas en Pandas con iloc y loc
    Seleccionar filas y columnas en Pandas con iloc y loc
  • NumPy: Comprobar todos los valores de una matriz de NumPy
    NumPy: Comprobar todos los valores de una matriz de NumPy
  • 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
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Enviar mensajes de WhatsApp con Python publicado el marzo 7, 2022 | en Python
  • Sistema de ecuaciones Sistemas de ecuaciones lineales con numpy publicado el octubre 29, 2018 | en Python
  • Ecuaciones multilínea en Markdown publicado el septiembre 14, 2022 | en Herramientas

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