• 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
      • Descenso de gradiente
      • Visualizador de PCA
      • Visualizador de Series Temporales
      • Simulador de Regresión Logística
      • Matriz de confusión e informe de clasificación
      • Visualizador de fronteras de decisión
      • Simulador de K-Means
      • Número Óptimo de Clusters
      • Simulador de DBSCAN
      • Detector de la Ley de Benford
      • Ajuste de Curvas
      • Calculadora de Matrices
    • Probabilidad
      • Calculadora de Probabilidad de Distribuciones
      • Problema del cumpleaños
      • Calculadora de Probabilidades de Lotería
      • Simulador del Problema de Monty Hall
      • La aguja de Buffon
      • Simulador de la Estrategia Martingala
      • Simulador de Cadenas de Markov
    • Finanzas
      • Calculadora de Préstamos e Hipotecas
      • Conversor TIN ↔ TAE
      • Calculadora DCA con ajuste por inflación
      • Comparador de tarifas de luz 2.0TD
      • Calculadora XIRR con Flujos Irregulares
      • Simulador FIRE (Financial Independence, Retire Early)
      • Frontera Eficiente
    • Negocios
      • CLV
      • Scoring
    • Herramientas
      • Formateador / Minificador de JSON
      • Conversor CSV ↔ JSON
      • Consultar CSV con SQL en el navegador
      • Extractor de tickets (OCR)
      • Comparador y Formateador de Texto y JSON
      • Formateador y Tester de Expresiones Regulares
      • Inspector de JWT
      • Generador y verificador de hashes
      • Calculadora HMAC
      • Codificador / Decodificador Base64 y URL
      • Conversor de bases numericas
      • Conversor de Timestamp Unix
      • Conversor de colores
      • Generador de UUIDs
      • Editor de expresiones cron
      • Conversor de unidades
    • 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: Convertir matrices de NumPy en vectores

NumPy

julio 13, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Existen diferentes opciones para transformar las matrices de NumPy en vectores: el método flatten() o la función ravel(). Veamos a continuación la forma de trabajar con ambos.

El método flatten()

En los objetos ndarray de NumPy existe el método flatten() con el cual se puede aplacar el contenido de los objetos, es decir, convertir una matriz de cualquier dimensión en una matriz numérica 1D plana. Método que tiene la siguiente forma:

ndarray.flatten(order='C')

donde el parámetro order admite alguno de los siguientes valores:

  • 'C': lee los elementos de la matriz por filas, esto es, genera un resultado similar al que obtendremos en C.
  • 'F': lee los elementos de la matriz por columnas, esto es, genera un resultado similar al que obtendremos en Fortran.
  • 'A': lee los elementos de la matriz según el orden que se encuentre en memoria.

El resultado que devuelve el método es una copia del objeto original, por lo que se puede modificar sin afectar al original.

Ejemplo de uso de flatten() para transformar matrices de NumPy en vectores

Una vez vista la forma del método se puede ver cómo funciona este, para lo que se creará una simple matriz a partir de una lista de Python. Una vez hecho esto se puede comparar el resultado que se obtiene al ordenar por filas (valor por defecto), por columnas o en base a la posición en memoria de los elementos.

Shallow copy vs Deep copy en Python: la mutación inesperada
En Analytics Lane
Shallow copy vs Deep copy en Python: la mutación inesperada

import numpy as np

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

print('Por filas   ', arr.flatten())
print('Por columnas', arr.flatten(order='F'))
print('Por memoria ', arr.flatten(order='A'))
Por filas    [1 2 3 4 5 6 7 8 9]
Por columnas [1 4 7 2 5 8 3 6 9]
Por memoria  [1 2 3 4 5 6 7 8 9]

En los dos primeros ejemplos se puede ver el resultado esperado, los valores se leen por filas o columnas. Por otro lado, cuando se selecciona la opción “A” parecer que el resultado es el mismo que al ordenar por filas, pero no es así. Esto se puede comprobar simplemente transponiendo la matriz y comprobando los resultados.

print('Por filas   ', arr.T.flatten())
print('Por columnas', arr.T.flatten(order='F'))
print('Por memoria ', arr.T.flatten(order='A'))
Por filas    [1 4 7 2 5 8 3 6 9]
Por columnas [1 2 3 4 5 6 7 8 9]
Por memoria  [1 2 3 4 5 6 7 8 9]

Observamos que los resultados por filas y columnas se han intercambiado, como esperaríamos, pero al leer por la posición en memoria no. Esto es así porque al transponer los elementos no cambia la posición de estos en memoria, simplemente se reordenan. Por eso, en caso de que el orden de los elementos del vector es importante la mejor opción es usar las opciones 'C' o 'F'.

La función ravel()

Una alternativa al método flatten() es la función ravel(). Al ser una función es necesario pasarle como primer parámetro el objeto a transformar, el cual puede ser también una lista de listas, y como segundo el orden, con las mismas opciones que flatten(). Así esta función tiene la siguiente forma

np.ravel(arr, order='C')

Ejemplo de uso de ravel() para transformar matrices de NumPy en vectores

La única diferencia entre ravel() y flatten() es que el primero es una función, por no se le debe pasar el objeto a procesar. Así para aplanar la matriz del ejemplo anterior solamente se tiene que escribir.

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

Al ser una función también se puede utilizar sobre otros objetos que se puedan transformar en un objeto ndarray, por ejemplo, sobre una lista de listas.

np.ravel([[1, 2, 3], [4, 5, 6], [7, 8 ,9]], order='F')
array([1, 4, 7, 2, 5, 8, 3, 6, 9])

Conclusiones

En esta entrada se ha visto cómo se puede usar el método flatten() o la función ravel() para convertir matrices de NumPy en vectores. Siendo ambas opciones similares.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 1

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

  • Shallow copy vs Deep copy en Python: la mutación inesperada
  • Cómo Proyectar Cuándo Alcanzarás la Independencia Financiera
  • Cómo Saber si una Diferencia Significativa es Importante
  • Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”
  • Cómo Explorar un Dataset antes de Modelar
  • Cómo Elegir el Test de Hipótesis Correcto para tus Datos
  • Tuplas vs Listas en Python: parecen lo mismo, pero no
  • == vs is en Python: la diferencia que causa bugs misteriosos
  • 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

Cómo Explorar un Dataset antes de Modelar

noviembre 17, 2026 Por Daniel Rodríguez

Curiosidad: “Wi-Fi” no significa “Wireless Fidelity”

noviembre 12, 2026 Por Daniel Rodríguez

Shallow copy vs Deep copy en Python: la mutación inesperada

noviembre 10, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Gráficos de barras en Matplotlib publicado el julio 5, 2022 | en Python
  • Creación de gráficos de barras y gráficos de columnas con Seaborn publicado el julio 18, 2023 | en Python
  • Solución a ‘IndentationError: unexpected indent’ en Python paso a paso publicado el marzo 24, 2025 | en Python
  • Codificación JSON Archivos JSON con Python: lectura y escritura publicado el julio 16, 2018 | en Python
  • Inclusión de barras de error en Matplotlib publicado el octubre 17, 2022 | 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

4.9 (11)

Pandas: Cambiar los tipos de datos en los DataFrames

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