• 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
      • Ajuste de Curvas
      • Calculadora de Matrices
    • 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: Insertar valores en matrices de NumPy

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.

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.

La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
En Analytics Lane
La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)

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])

Publicidad


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])

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

  • La caverna del consumo, o cómo Greenspan miraba calzoncillos para hacer política monetaria – El bestiario de los indicadores económicos absurdos (parte 1)
  • La vanidad del paisaje, o por qué un becario sale a contar grúas a Manhattan – El bestiario de los indicadores económicos absurdos (parte 2)
  • Augurios deportivos y portadas malditas, o cuando The Economist predice mejor al revés – El bestiario de los indicadores económicos absurdos (parte 3)
  • El bestiario de los indicadores económicos absurdos: El zoo patrio
  • El Binning en Credit Scoring: El Arte de Discretizar Variables
  • Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)
  • Cómo comparar tendencias con gráficos de líneas en Matplotlib: guía práctica paso a paso
  • Analytics Lane lanza la versión 1.2 del laboratorio con nuevas herramientas de ajuste de curvas y cálculo matricial
  • Analytics Lane lanza la versión 1.3 del laboratorio con nuevas herramientas de evaluación de modelos y utilidades prácticas

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

Las fórmulas con DNI, o cómo dividir cualquier cosa entre cualquier otra cosa puede acabar publicado en un titular serio – El bestiario de los indicadores económicos absurdos (parte 5)

julio 2, 2026 Por Daniel Rodríguez

Analytics Lane lanza ScoreFlow, un SaaS para construir y desplegar scorecards de crédito

julio 1, 2026 Por Daniel Rodríguez

DBSCAN y la selección de ε: teoría, intuición y aplicación práctica

junio 30, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python) publicado el octubre 7, 2025 | en Herramientas, Productividad
  • pandas Eliminar las filas con valores nulos en Pandas publicado el abril 24, 2023 | en Python
  • 7 extensiones de Visual Studio Code para ciencia de datos publicado el enero 27, 2023 | en Herramientas
  • La interpretación de las redes neuronales publicado el noviembre 16, 2018 | en Ciencia de datos
  • Cuatro libros para aprender Pandas publicado el marzo 31, 2023 | en Reseñas

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