• 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
    • Encuestas: Tamaño de Muestra
    • Lotería: Probabilidad de Ganar
    • Reparto de Escaños (D’Hondt)
    • Tres en Raya con IA
  • Noticias
  • Boletín
  • Contacto
  • Tienda
    • Libros
    • Equipamiento de oficina
    • Equipamiento en movilidad
    • Tiendas afiliadas
      • AliExpress
      • Amazon
      • Banggood
      • GeekBuying
      • Lenovo

Analytics Lane

Ciencia e ingeniería de datos aplicada

  • Ciencia de datos
  • Machine Learning
  • IA Generativa
  • Python
  • Pandas
  • NumPy
  • Excel
  • Matlab

NumPy: ¿Cómo acceder al i-ésimo elemento de una matriz multidimensional de NumPy?

julio 27, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

Una pregunta que me suele hacer de forma habitual los usuarios que comienzan con NumPy es cómo se puede acceder a un elemento en concreto. Pudiendo hacer referencia tanto a un escalar, una columna como una fila. Algo que es relativamente sencillo en cuanto se entiende el funcionamiento de las matrices multidimensionales de NumPy. Así que comprendamos estos objetos para saber cómo acceder al i-ésimo elemento de una matriz multidimensional de NumPy.

Acceder a los escalares de una matriz multidimensional de NumPy

Para acceder a los elementos de una matriz en NunPy es necesario indicar las coordenadas de estos entre corchetes después del nombre del objeto. En el caso de trabajar con un vector solamente hace falta un número, pero al trabajar con objetos multidimensionales es necesario indicar tantos números como dimensiones tenga el objeto separados por comas. Así en el caso de trabajar con matrices 2D es necesario indicar dos números.

Esto es, al trabajar con una matriz bidimensional se puede acceder al valor de la segunda fila y tercera columnas mediante la expresión mat[1,2], recordando que en Python la primera posición de un elemento tiene el índice 0. Para que esto funcione es necesario que la matriz tenga por lo menos dos filas y tres columnas, ya que en caso contrario el comando dará un error indicando que no se puede acceder a algún índice

Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
En Analytics Lane
Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo

Publicidad


Acceder a filas o columnas de una matriz multidimensional de NumPy

En una matriz bidimensional cuando se omite el segundo valor dentro de los corchetes se obtiene como resultado la fila indicada. Así si se indica que se desea obtener el elemento mat[1] se obtendrá la segunda fila de la matriz.

Otra forma de conseguir esto es usar el comodín dos puntos (:) mediante el que se indica todos los elementos. Así también se puede obtener la segunda fila de la matriz escribiendo mat[1, :]. Una forma que es más clara que la anterior, ya que al leer el código se puede ver que se espera un objeto bidimensional sin necesidad de conocer el contenido del elemento.

Análogamente a esto se puede obtener la segunda columnas escribiendo mat[:, 1]. Esto es, todos los elementos de todas las filas en la columna 1.

Acceder a un escalar por posición

En el caso de matrices, una forma alternativa para obtener un escalar es aplanar la matriz e indicar el índice de este. Teniendo en cuenta que al aplanar la matriz en primer lugar se situará la primera fila, luego la segunda y así hasta que termine el final. De este modo se puede obtener el quinto elemento de la matriz ordenado por filas mediante mat.flat[5] u ordenado por columnas, para lo que primero es necesario transponer la matriz, mediante el comando mat.T.flat[5].

Publicidad


Seleccionar múltiples elementos

Finalmente, también se puede usar los dos puntos para indicar múltiples elementos, lo que puede ser múltiples filas, columnas o ambas. En este caso se puede indicar un número antes de los dos puntos para indicar que comience en ese elemento y después de los puntos el elemento en el que terminará, el cual no se incluirá. Así para obtener la primera y segunda columna de una matriz se puede usar mat[:, 0:2], recordando que el índice 2 no se incluye, solamente el 0 y 1.

Siendo este un método con bastantes posibilidades como se ha explicado en otra ocasión.

Código con los ejemplos

A continuación, se muestra un código con los ejemplos que se han visto durante la entrada.

import numpy as np

mat = np.arange(9).reshape((3,3))
# mat = [[0, 1, 2],
#        [3, 4, 5],
#        [6, 7, 8]]

mat[1, 2] # 5
mat[1]    # [3, 4, 5]
mat[1, :] # [3, 4, 5]
mat[:, 1] # [1, 4, 7]

mat.flat[5]   # 5
mat.T.flat[5] # 7

mat[:, 0:2]
# [[0, 1],
#  [3, 4],
#  [6, 7]]

Publicidad


Conclusiones

En esta ocasión se han explicados algunas de las formas que tenemos para acceder al i-ésimo elemento de una matriz multidimensional de NumPy. Siendo posible emplearlos para seleccionar escalares, filas, columnas o conjuntos de estos.

¿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?

Publicaciones relacionadas

  • Curiosidad: La maldición de la dimensionalidad, o por qué añadir más datos puede empeorar tu modelo
  • ¿Está concentrado el MSCI World? Un análisis con Gini, Lorenz y leyes de potencia
  • Curiosidad: ¿Por qué usamos p < 0.05? Un umbral que cambió la historia de la ciencia
  • Programador de tareas de Windows: Guía definitiva para automatizar tu trabajo (BAT, PowerShell y Python)
  • La Paradoja del Cumpleaños, o por qué no es tan raro compartir fecha de nacimiento
  • Cómo abrir una ventana de Chrome con tamaño y posición específicos desde la línea de comandos en Windows
  • Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte
  • Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)
  • Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

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

Data Lake y Data Warehouse: diferencias, usos y cómo se complementan en la era del dato

octubre 23, 2025 Por Daniel Rodríguez

Documentar tu API de Express con TypeScript usando OpenAPI (Swagger)

octubre 21, 2025 Por Daniel Rodríguez

Curiosidad: El sesgo de supervivencia, o por qué prestar atención sólo a los que “llegaron” puede engañarte

octubre 16, 2025 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Método del codo (Elbow method) para seleccionar el número óptimo de clústeres en K-means publicado el junio 9, 2023 | en Ciencia de datos
  • Diferencias entre CPU, GPU, TPU y NPU publicado el abril 19, 2023 | en Herramientas
  • Cuatro libros para aprender Pandas publicado el marzo 31, 2023 | en Reseñas
  • El método de Muller e implementación en Python publicado el marzo 24, 2023 | en Ciencia de datos
  • pandas Pandas: Encontrar la posición y valores de máximos y mínimos en un DataFrame publicado el junio 21, 2021 | 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

4.5 (10)

Diferencias entre var y let en JavaScript

Publicidad

Comentarios recientes

  • 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
  • CARLOS ARETURO BELLO CACERES en Justicio: La herramienta gratuita de IA para consultas legales
  • Piera en Ecuaciones multilínea en Markdown
  • Daniel Rodríguez en Tutorial de Mypy para Principiantes

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 © 2018-2025 Analytics Lane ·Términos y condiciones ·Política de Cookies ·Política de Privacidad ·Herramientas de privacidad ·Contacto