• 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 básico: valores mínimos y máximos en arrays Numpy

NumPy

octubre 23, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

Localizar los valores extremos de un array de Numpy es una tarea que es necesario realizar de forma habitual. Para ello Numpy cuenta con dos funciones amin() y amax(). Las cuales, respectivamente, devuelven los valores mínimos y máximos en arrays Numpy.

Las funciones amin() y amax()

La función amin() de Numpy tiene la siguiente forma:

np.amin(arr, axis=None, out=None, initial=<no value>)

donde

  • arr: es array de Numpy con el que se desea trabajar.
  • axis: si no se indica nada se aplica sobre la matriz. Se puede indicar 0 o 1 para que se aplique sobre las filas o columnas respectivamente.
  • out: vector opcional en el que devolver los resultados de la función.
  • initial: el valor máximo (amin) o mínimo (amax) que puede devolver la función.

La forma de utlizar la función amax() es exactamente la misma que amin().

Obtener los valores mínimos de un array de Numpy

A modo de ejemplo se puede ver como buscar el valor mínimo en un array de Numpy unidimensional. Esto es lo que se muestra en el siguiente ejemplo.

import numpy as np

arr = np.array([12, 7, 6, 11, 2, 9, 15, 5, 14])

np.amin(arr) # Se obtiene 2

Lo mismo se puede repetir para el máximo

Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
En Analytics Lane
Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera

np.amax(arr) # Se obtiene 15

Limitar la búsqueda

En el caso de amin() se puede fijar un valor máximo que puede devolver la función. Lo que es de gran utilidad cuando es necesario evitar que los valores devueltos sean demasiado pequeños. Esto se puede hacer indicando el valor límite en la propiedad initial. Por ejemplo, se puede indicar un mínimo de 1 array anterior, con lo que este será el resultado obtenido, o fijar a 9, con lo que se obtendrá el mismo valor que antes. Esto es lo que se muestra en el siguiente ejemplo.

np.amin(arr, initial=1) # Se obtiene 1
np.amin(arr, initial=9) # Se obtiene 2

Lo mismo se puede obtener para amax().

np.amax(arr, initial=10) # Se obtiene 15
np.amax(arr, initial=20) # Se obtiene 20

Obtener la posición de los elementos

Si además del valor se desea obtener la posición es necesario recurrir a la función where() que se ha visto en una entrada anterior. Para ello se tiene que comprar el resultado de amin() o amax() con el array y usar este dentro de la función where(). Lo que se puede ver en el siguiente ejemplo.

np.where(arr == np.amin(arr)) # Se obtiene 4
np.where(arr == np.amax(arr)) # Se obtiene 6

Para más detalles acerca de la función where() se puede consultar la entrada dedicada a ella.

Conclusiones

En esta entrada se han visto dos funciones de Numpy con las que es posible obtener los valores mínimos y máximos en arrays Numpy. Estas funciones ofrecen un mayor rendimiento que sus equivalentes de python al trabajar con objetos de gran tamaño.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3 / 5. Votos emitidos: 4

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 Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Migrar tslane a un paquete dual CommonJS y ESM con tsup y Vitest
  • Docker Compose: el día a día. Cómo ver qué funciona y qué no
  • Cómo Verificar la Normalidad de tus Datos antes de un Test Estadístico
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de datos”
  • Cómo Detectar Pseudo-IDs y Data Leakage en el Constructor de Scorecards
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • Curiosidad: El puerto 80 y los números de puerto

Publicidad

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

Curiosidad: El puerto 80 y los números de puerto

octubre 29, 2026 Por Daniel Rodríguez

Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera

octubre 27, 2026 Por Daniel Rodríguez

Cómo Elegir el Test de Hipótesis Correcto para tus Datos

octubre 22, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Curiosidad: El puerto 80 y los números de puerto publicado el octubre 29, 2026 | en Opinión
  • Comparar archivos en Visual Studio Code publicado el enero 10, 2024 | en Herramientas
  • Formulario creado en Matlab después de pulsar sobre el primer botón, por lo que el foco se ha fijado en el primer campo. Centrar el foco en un componente de Matlab por código publicado el septiembre 15, 2021 | en Matlab
  • Rutas de archivo en Matlab publicado el julio 15, 2019 | en Matlab
  • Guía definitiva para validar archivos YAML publicado el diciembre 2, 2025 | en Productividad

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

  • Daniel Rodríguez en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Hatepi en Curiosidad: La Paradoja de Simpson, o por qué no siempre debes fiarte de los promedios
  • Daniel Rodríguez en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • Juan en Los récords con asterisco, o la épica del titular sin contexto – El bestiario de los indicadores económicos absurdos (parte 8 y final)
  • bif en JSON en bases de datos: cuándo es buena idea y cuándo no

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