• 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: Insertar valores en matrices de NumPy

NumPy

agosto 24, 2021 Por Daniel Rodríguez Deja un comentario
Tiempo de lectura: 3 minutos

NumPy

La inserción de valores en listas de Python no es una tarea sencilla, pero en NumPy se cuenta con la función np.insert(). Una función con la que es posible insertar valores en matrices de NumPy de una forma bastante sencilla.

La función np.insert()

Dentro de la librería NumPy se puede encontrar la función np.insert() con la que es posible insertar valores dentro de un vector o matriz. Una función que tiene la siguiente forma:

np.insert(arr, index, values, axis=None)

donde

  • arr: objeto que contiene un vector o matriz compatible con NumPy.
  • index: la posición del índice o índices antes de los cuales se desea insertar el valor o valores.
  • values: valores que se desean insertar en el vector o matriz.
  • axis: eje a lo largo del cual se desean insertar los valores. Las posibles opciones de este parámetro son:
    • None: con esta opción la matriz de entrada se aplana y los valores se introducen en la posición indicada, siendo este el valor por defecto de la función.
    • 0: los valores se introducen después de la fila indicada.
    • 1: los valores se introducen después de la columna indicada.

Insertar valores en un vector de NumPy

La operación más sencilla que se puede realizar con la función np.insert() es la inserción de valor en un vector. Para lo que es necesario pasar tres parámetros a la función. En primer lugar, el vector en el que se desea insertar el valor, seguido de la posición después de la que se realizará la inserción y el valor a insertar. Por ejemplo, para insertar un valor después de la tercera posición del vector se tiene que hacer.

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])

np.insert(arr, 3, 6)
array([1, 2, 3, 6, 4, 5])

El siguiente paso sería insertar más de un valor, para lo que únicamente se tiene que indicar el vector como tercer parámetro de la función. Así para agregar dos valores simplemente se tiene que escribir.

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

Insertar más de un valor en un vector de NumPy

Para conseguir insertar más de un valor se puede usar un vector con los índices como segundo parámetro de np.insert(). De este modo se insertará el valor después de cada uno de los índices.

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

Nótese que se ha insertado los valores después de los índices originales, no es necesario tener en cuenta el desplazamiento que se produce después de insertar el primero. En el caso de que se desee insertar valores diferentes solamente se tendrá que pasar un vector como tercer parámetro, vector que debe tener el mismo tamaño que el vector de índices.

np.insert(arr, (2, 4), (10, 20))
array([ 1,  2, 10,  3,  4, 20,  5])

Insertar valores en matrices de NumPy

Una vez visto cómo funciona la inserción de valores en un vector se puede analizar el trabajo con matrices. En este caso lo único que cambia es la necesidad de indicar si el valor se insertará después de las filas o columnas. Opción que se indica mediante la propiedad axis. Es importante que este dato se indique, ya que por defecto la función aplanara la matriz e insertará los valores en la posición del vector resultante. Así, para insertar un vector de ceros después de la primera fila es necesario escribir.

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

np.insert(mat, 1, (0, 0, 0), axis=0)
array([[1, 2, 3],
       [0, 0, 0],
       [4, 5, 6],
       [7, 8, 9]])

Mientras que sin se desea insertar este vector después de la primera columna solamente se tienen que cambiar el valor de la propiedad axis.

np.insert(mat, 1, (0, 0, 0), axis=1)
array([[1, 0, 2, 3],
       [4, 0, 5, 6],
       [7, 0, 8, 9]])

Conclusiones

En esta entrada se ha visto cómo se pueden insertar valores en matrices de NumPy mediante el uso de la función np.insert(). Una función que puede ser de gran ayuda evitando una tarea que podría ser tediosa en caso de que no existiese.

¿Te ha parecido de utilidad el contenido?

¡Puntúalo entre una y cinco estrellas!

Puntuación promedio 5 / 5. Votos emitidos: 3

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 Elegir el Test de Hipótesis Correcto para tus Datos
  • Qué significa realmente “calidad de 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

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

Cómo Saber si una Diferencia Significativa es Importante

noviembre 5, 2026 Por Daniel Rodríguez

Publicidad

Es tendencia

  • Creación de documentos Word con Python publicado el septiembre 7, 2020 | en Python
  • Copiar y pegar Activar copiar y pegar en VirtualBox publicado el mayo 1, 2019 | en Herramientas
  • Numpy básico: como añadir elementos en arrays de Numpy con np.append() publicado el noviembre 27, 2019 | en Python
  • Shallow copy vs Deep copy en Python: la mutación inesperada publicado el noviembre 10, 2026 | en Python
  • pandas Pandas: Contar los valores nulos en DataFrame publicado el agosto 12, 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

4.1 (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