• 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: como añadir elementos en arrays de Numpy con np.append()

NumPy

noviembre 27, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

np.append() es uno de los métodos básicos de Numpy, con el que es posible agregar nuevos elementos al final de los arrays de Numpy. A pesar de se un método básico tiene múltiples opciones y usos que es importante conocer. En esta entrada se va a ver como añadir elementos en arrays de Numpy con np.append().

El método np.append()

El método que ofrece el módulo Numpy de Python para agregar elementos al final de un array es np.append(). Un método que tiene la siguiente forma:

np.append(arr, values, axis=None)

en donde

  • arr: es un array de Numpy.
  • values: son los valores que se agregan al final del array que se pasa en el parámetro anterior. Este elemento puede ser también un array de Numpy.
  • axis: es el eje opcional en el que se agregan los valores.

Es importante saber que el método no modifica el array original, sino que crea una copia a la que le agrega los nuevos valores.

Por otro lado, sin no se indica un valor para axis y arr es un matriz el objeto se aplanará antes de agregar los nuevos elementos. Siendo las posibles opciones de este parámetro:

  • 0: los valores se agregarán en el eje 0, es decir, se agregará nuevas filas.
  • 1: los valores se agregarán en el eje 1, es decir, se agregará nuevas columnas.

Agregar elementos al final de arrays de Numpy

El modo básico de utilizar np.append() es simplemente agregar un elemento al final de un array. Un elemento que puede ser un escalar

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

import numpy as np

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

O también se puede agregar otro array.

np.append(arr, [11, 12])
array([ 1,  2,  3,  4,  5, 11, 12])

En este último ejemplo se puede observar como el vector original no se modificó, ya que no aparece el elemento 10 en el segundo caso.

Agregar elementos en matrices

Además de con arrays el método np.append() también se puede emplear en matrices. Como se ha comentado anteriormente es necesario indicar mediante la propiedad axis si los nuevos elementos se agregan por filas o columnas. En el caso de que no se indique el parámetro la matriz de aplanara antes de agregar los elementos, obteniéndose como resultado un array. Esto es lo que se puede ver en el siguiente ejemplo:

mat = np.array([[1, 2, 3],[4, 5, 6]])
np.append(mat, [11, 12])
array([ 1,  2,  3,  4,  5,  6, 11, 12])

Si se quiere agregar una nueva fila el segundo elemento tiene que ser una matriz con el mismo número de columnas que la original. Además, es necesario asignar el valor 0 al parámetro axis.

np.append(mat, [[11, 12, 13]], axis=0)
array([[ 1,  2,  3],
       [ 4,  5,  6],
       [11, 12, 13]])

Por otro lado, para agregar una nueva columna el método funciona exactamente igual. Los valores que se agregan tienen que venir en una matriz con el mismo número de filas que la original y se tiene que asignar el valor 1 al parámetro axis.

np.append(mat, [[11], [12]], axis=1)
array([[ 1,  2,  3, 11],
       [ 4,  5,  6, 12]])

Conclusiones

En esta entrada se ha visto cómo añadir elementos en arrays de Numpy con np.append(). Un método básico pero que es importante conocer en profundidad ya que posiblemente sea uno de los más utilizados de Numpy.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 3.3 / 5. Votos emitidos: 6

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
  • Cómo construir tu primer scorecard paso a paso
  • 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

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

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

Tuplas vs Listas en Python: parecen lo mismo, pero no

octubre 20, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Creación de gráficos animados con Python publicado el mayo 4, 2020 | en Python
  • El método de la bisección e implementación en Python publicado el marzo 11, 2022 | en Ciencia de datos
  • Explorando Local Outlier Factor (LOF): Un enfoque eficaz para la detección de anomalías publicado el abril 12, 2024 | en Ciencia de datos
  • DBSCAN y la selección de ε: teoría, intuición y aplicación práctica publicado el junio 30, 2026 | en Ciencia de datos
  • Uso de comillas simples o dobles en Python publicado el mayo 1, 2023 | 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

4.1 (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