• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • 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
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • Excel
  • Matlab

NumPy: Insertar valores en matrices de NumPy

agosto 24, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

La inserción de valores en listas de Python no es una tarea sencilla, pero en NumPy se cuenta con la función np.insert(). Una función con la que es posible insertar valores en matrices de NumPy de una forma bastante sencilla.

La función np.insert()

Dentro de la librería NumPy se puede encontrar la función np.insert() con la que es posible insertar valores dentro de un vector o matriz. Una función que tiene la siguiente forma:

np.insert(arr, index, values, axis=None)

donde

  • arr: objeto que contiene un vector o matriz compatible con NumPy.
  • index: la posición del índice o índices antes de los cuales se desea insertar el valor o valores.
  • values: valores que se desean insertar en el vector o matriz.
  • axis: eje a lo largo del cual se desean insertar los valores. Las posibles opciones de este parámetro son:
    • None: con esta opción la matriz de entrada se aplana y los valores se introducen en la posición indicada, siendo este el valor por defecto de la función.
    • 0: los valores se introducen después de la fila indicada.
    • 1: los valores se introducen después de la columna indicada.

Publicidad


Insertar valores en un vector de NumPy

La operación más sencilla que se puede realizar con la función np.insert() es la inserción de valor en un vector. Para lo que es necesario pasar tres parámetros a la función. En primer lugar, el vector en el que se desea insertar el valor, seguido de la posición después de la que se realizará la inserción y el valor a insertar. Por ejemplo, para insertar un valor después de la tercera posición del vector se tiene que hacer.

Curiosidad: La Ley de Twyman y la trampa de los datos “interesantes”
En Analytics Lane
Curiosidad: La Ley de Twyman y la trampa de los datos “interesantes”

import numpy as np

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

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

El siguiente paso sería insertar más de un valor, para lo que únicamente se tiene que indicar el vector como tercer parámetro de la función. Así para agregar dos valores simplemente se tiene que escribir.

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

Insertar más de un valor en un vector de NumPy

Para conseguir insertar más de un valor se puede usar un vector con los índices como segundo parámetro de np.insert(). De este modo se insertará el valor después de cada uno de los índices.

np.insert(arr, (2, 4), 10)
array([ 1,  2, 10,  3,  4, 10,  5])

Nótese que se ha insertado los valores después de los índices originales, no es necesario tener en cuenta el desplazamiento que se produce después de insertar el primero. En el caso de que se desee insertar valores diferentes solamente se tendrá que pasar un vector como tercer parámetro, vector que debe tener el mismo tamaño que el vector de índices.

np.insert(arr, (2, 4), (10, 20))
array([ 1,  2, 10,  3,  4, 20,  5])

Publicidad


Insertar valores en matrices de NumPy

Una vez visto cómo funciona la inserción de valores en un vector se puede analizar el trabajo con matrices. En este caso lo único que cambia es la necesidad de indicar si el valor se insertará después de las filas o columnas. Opción que se indica mediante la propiedad axis. Es importante que este dato se indique, ya que por defecto la función aplanara la matriz e insertará los valores en la posición del vector resultante. Así, para insertar un vector de ceros después de la primera fila es necesario escribir.

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

np.insert(mat, 1, (0, 0, 0), axis=0)
array([[1, 2, 3],
       [0, 0, 0],
       [4, 5, 6],
       [7, 8, 9]])

Mientras que sin se desea insertar este vector después de la primera columna solamente se tienen que cambiar el valor de la propiedad axis.

np.insert(mat, 1, (0, 0, 0), axis=1)
array([[1, 0, 2, 3],
       [4, 0, 5, 6],
       [7, 0, 8, 9]])

Conclusiones

En esta entrada se ha visto cómo se pueden insertar valores en matrices de NumPy mediante el uso de la función np.insert(). Una función que puede ser de gran ayuda evitando una tarea que podría ser tediosa en caso de que no existiese.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 3

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?

Publicidad


Publicaciones relacionadas

  • Curiosidad: La Ley de Twyman y la trampa de los datos “interesantes”
  • Copias de seguridad automáticas en SQL Server con rotación de archivos
  • Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Error npm ERR! code EACCES al instalar paquetes en Node.js: Cómo solucionarlo paso a paso
  • Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
  • ¿Está concentrado el MSCI World? Un análisis con Gini, Lorenz y leyes de potencia
  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento

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

La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento

octubre 9, 2025 Por Daniel Rodríguez

Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)

octubre 7, 2025 Por Daniel Rodríguez

Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia

octubre 2, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • 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
  • Comparar archivos en Visual Studio Code publicado el enero 10, 2024 | en Herramientas
  • Seleccionar filas y columnas en Pandas con iloc y loc publicado el junio 21, 2019 | en Python
  • ¿Cómo cambiar el nombre de las columnas en Pandas? publicado el mayo 6, 2019 | en Python
  • Numpy básico: inicialización de arrays en Numpy publicado el octubre 9, 2019 | en Python

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 Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • Pepe en Probabilidad básica: cómo entender el azar en nuestra vida diaria
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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