NumPy: Computación Numérica

Vas a hacer que Python calcule rápido

Imagina que tienes las lecturas de temperatura de cinco estaciones meteorológicas, cada una registrando un dato por hora durante días. Son miles de números. Quieres la temperatura media de cada estación, detectar las horas de calor extremo, convertir todo a Fahrenheit... y quieres que sea instantáneo.

Con listas normales de Python escribirías bucles dentro de bucles, y cuando el volumen crece, se vuelve lento y torpe. Aquí es donde entra NumPy: la biblioteca que le da a Python superpoderes numéricos. Es la base sobre la que se construyen pandas, scikit-learn, TensorFlow y prácticamente todo el ecosistema de datos y machine learning en Python. Aprenderla es abrir la puerta a todo lo demás.

Bienvenido/a. Si ya escribes Python básico —variables, listas, un for, un if— tienes exactamente lo que necesitas para empezar. No hace falta matemática avanzada ni experiencia previa en análisis de datos. Vamos paso a paso.

¿Qué problema resuelve NumPy?

Una lista de Python puede guardar cualquier cosa, pero por eso mismo es flexible y lenta para cálculo numérico. NumPy introduce el ndarray (array n-dimensional): una estructura pensada solo para números, guardados de forma compacta y contigua en memoria. Eso le permite hacer dos cosas que cambian todo:

• Operar sobre millones de números de golpe, sin que tú escribas el bucle (esto se llama vectorización).
• Ejecutar ese cálculo en código optimizado en C, no en Python puro, con mejoras de velocidad que a menudo llegan a decenas o incluso 100 veces más rápido.

En una frase: NumPy existe para hacer cálculo numérico sobre grandes cantidades de números de forma rápida y expresiva. En vez de "recorre cada elemento y súmale 5", escribes array + 5 y listo.

El recorrido del curso

Este es el camino que vas a seguir. Cada paso se apoya en el anterior, y todo se practica escribiendo y ejecutando código:

1. Crear arrays — fabricar arreglos de números y entender su forma (shape), tipo (dtype) y dimensiones (ndim).
2. Indexar y filtrar — seleccionar exactamente los datos que quieres: por posición, por rangos (slicing) y por condiciones (máscaras booleanas).
3. Vectorizar — reemplazar bucles por operaciones que actúan sobre el array entero de una vez.
4. Broadcasting — combinar arrays de formas distintas sin repetir datos a mano.
5. Agregar por ejes — resumir con sum, mean, max... por filas o por columnas usando el parámetro axis.
6. Cambiar la forma de los datos — reorganizar un mismo array con reshape, ravel y transpose, y combinar o dividir varios arrays en uno nuevo. La forma de tus datos es tan importante como los datos mismos.
7. Rendimiento — medir y entender por qué el código vectorizado vuela.
8. Proyecto final — analizar de principio a fin los datos de una red de sensores meteorológicos (temperatura, humedad y presión de varias estaciones), aplicando todo lo aprendido.

Ese dataset de sensores nos acompañará en casi todas las lecciones: lo reconstruirás una y otra vez para practicar cada técnica sobre datos que se sienten reales.

Cómo funcionan las lecciones (notebooks en tu navegador)

La mayoría de las lecciones son notebooks interactivos que corren dentro de tu navegador —no necesitas instalar nada para empezar. Un notebook alterna explicaciones con celdas de código que puedes ejecutar y modificar ahí mismo: lees, ejecutas, ves el resultado y experimentas cambiando valores. Ese ciclo de "predice → ejecuta → comprueba" es la mejor forma de aprender NumPy.

Hacia el final del curso te enseñaremos a instalar NumPy en tu propia computadora para que sigas practicando fuera del navegador, con proyectos reales.

Qué NO cubre este curso (a propósito)

Para mantener el foco, aquí trabajamos con arrays puros de NumPy: rejillas de números. No cubrimos DataFrames ni tablas con columnas etiquetadas —eso es territorio de la manipulación de datos con pandas, una habilidad que aprenderás por separado en la ruta de Análisis de Datos, apoyada precisamente en lo que domines aquí. NumPy es el cimiento; pandas se construye encima.

Lo que podrás hacer al terminar

• Crear y describir arrays n-dimensionales, entendiendo su forma y tipo.
• Seleccionar y filtrar datos con indexado, slicing y máscaras booleanas.
• Escribir cálculos vectorizados y usar broadcasting sin un solo bucle.
• Resumir datos con agregaciones a lo largo de los ejes.
• Reorganizar la forma de tus datos con reshape, transpose y combinando o dividiendo arrays.
• Explicar y medir por qué el código con NumPy es tanto más rápido.

Tu siguiente paso

Basta de teoría: en la próxima lección crearás tu primer array de NumPy y verás el motor en acción en menos de dos minutos. Abre la siguiente lección y ejecuta esa primera celda —vas a empezar a hacer de inmediato. ¡Vamos!