• 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
    • 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: inicializar arrays de Numpy con un valor

diciembre 4, 2019 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 2 minutos

En algunas situaciones puede ser necesario inicializar un array o matriz de Numpy de tamaño arbitrario con un mismo valor. Para lo que se puede utilizar el método np.full(). Un método relativamente desconocido pero que puede ser de gran utilidad cuando se necesario inicializar arrays de Numpy con un valor dado.

El método np.full()

La forma de llamar el método np.full() con el que se pueden crear nuevos elementos inicializados con un valor dado es:

np.full(shape, fill_value, dtype=None)

en donde

  • shape: forma de la nueva matriz.
  • fill_value: valor de inicialización.
  • dtype: valor opcional con el tipo de dato.

El método devuelve un nuevo objeto de tamaño shape en el que todos sus elementos tienen el valor indicado en fill_value.

Crear un array Numpy

La forma básica se usar np.full() es para crear un nuevo array de una cierta longitud y con un valor. Por ejemplo, se puede crear un vector de longitud 5 con 0 simplemente utilizando la siguiente línea.

import numpy as np

np.full(5, 0)
array([0, 0, 0, 0, 0])

Para crear uno inicializado con el valor 10 simplemente se tiene que cambiar el segundo parámetro.

np.full(5, 10)
array([10, 10, 10, 10, 10])

Publicidad


Crear una matriz Numpy

Si lo que se necesita es crear una nueva matriz es necesario pasar como primer parámetro una tupla con las dimisiones de la matriz. El segundo parámetro continúa siendo un valor. Por ejemplo, para crear una matriz de 3 por 2 inicializada con 0 se puede escribir:

1200 publicaciones en Analytics Lane
En Analytics Lane
1200 publicaciones en Analytics Lane

np.full((3, 2), 0)
array([[0, 0],
       [0, 0],
       [0, 0]])

Por otro lado, si lo que se desea es una matriz de cuadrada de tamaño 4 inicializada con 10 se puede obtener con:

np.full((4, 4), 10)
array([[10, 10, 10, 10],
       [10, 10, 10, 10],
       [10, 10, 10, 10],
       [10, 10, 10, 10]])

Crear objetos de tres o más dimisiones

El método np.full() también se puede utilizar para crear elementos de tres o más dimensiones. Para lo que la tupla que se pasa como primer parámetro solamente debe tener tres o más elementos. Una matriz de tres dimensiones se puede obtener simplemente con una línea como la siguiente

np.full((2, 3, 4), 5)
array([[[5, 5, 5, 5],
        [5, 5, 5, 5],
        [5, 5, 5, 5]],

       [[5, 5, 5, 5],
        [5, 5, 5, 5],
        [5, 5, 5, 5]]])

Conclusiones

En esta entrada se ha visto cómo inicializar arrays de Numpy con un valor dado, para lo que se ha utilizado el método np.full(). Una tarea que puede ser de gran utilidad para inicializar contadores u otras situaciones en las que sea necesario tener una objeto de Numpy con un valor dado.

Imágenes: Pixabay (Marit Welker)

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 0 / 5. Votos emitidos: 0

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

  • 1200 publicaciones en Analytics Lane
  • Analytics Lane lanza su Conversor TIN ↔ TAE: la herramienta definitiva para entender el coste real de depósitos, préstamos e hipotecas
  • Analytics Lane lanza su Conversor de Bases Numéricas: entiende cómo trabajan los ordenadores a nivel de bits
  • Analytics Lane lanza su Visualizador de Series Temporales: entiende tendencia, estacionalidad y ruido de forma visual e interactiva
  • Analytics Lane lanza un nuevo Formateador y Tester de Expresiones Regulares para desarrolladores
  • Analytics Lane lanza un Conversor CSV ↔ JSON para transformar datos en tiempo real
  • Analytics Lane lanza la versión 1.1 del laboratorio con nuevas suites de CLV y Scoring
  • Analytics Lane lanza una Calculadora de Rentabilidad con Flujos Irregulares basada en TIR (XIRR)
  • ¡Analytics Lane cumple ocho años!

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

Ley de Benford: cómo detectar datos manipulados con ejemplos reales

mayo 28, 2026 Por Daniel Rodríguez

Subplots en Matplotlib: cómo organizar múltiples gráficos en una sola figura

mayo 26, 2026 Por Daniel Rodríguez

Síndrome del objeto brillante en ciencia de datos: el error simétrico a los costes hundidos

mayo 21, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas
  • Diferencia entre población y muestra: La clave para entender la estadística sin complicaciones publicado el febrero 7, 2025 | en Ciencia de datos, Opinión
  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Evaluar similitudes entre señales: Cómo calcular la correlación cruzada con np.correlate() en NumPy publicado el enero 24, 2025 | en Ciencia de datos, Python
  • Libros sobre Julia (20ª parte – ¡Hola Julia!) publicado el septiembre 17, 2020 | en Julia, 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