-
-
Notifications
You must be signed in to change notification settings - Fork 84
/
Copy pathindex.html
54 lines (54 loc) · 38.9 KB
/
index.html
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
<!doctype html><html lang=es data-colorscheme=light><head><meta name=generator content="Hugo 0.141.0"><meta name=description content="¿Por qué NumPy? Potentes arreglos n-dimensionales. Herramientas de cálculo numérico. Interoperabilidad. Rendimiento. Código abierto."><meta charset=utf-8><meta name=viewport content="width=device-width,initial-scale=1,shrink-to-fit=no"><meta http-equiv=x-ua-compatible content="ie=edge"><title>NumPy</title>
<link rel=icon href=/images/favicon.ico><link rel=stylesheet type=text/css href=/theme-css/sphinx-design/index.scss.min.acf226aa2ff428a500491b1393bef415c3883113dac542174f5814fba5532592.css integrity="sha256-rPImqi/0KKUASRsTk770FcOIMRPaxUIXT1gU+6VTJZI="><link rel=stylesheet type=text/css href=/theme-css/pst/bootstrap.scss.min.e3b0c44298fc1c149afbf4c8996fb92427ae41e4649b934ca495991b7852b855.css integrity="sha256-47DEQpj8HBSa+/TImW+5JCeuQeRkm5NMpJWZG3hSuFU="><link rel=stylesheet type=text/css href=/theme-css/pst/pydata-sphinx-theme.scss.min.1032a66ba1e0ab03bfcbfd265dce1d831879c5ea9d57e8575a68eeeb887b617e.css integrity="sha256-EDKma6HgqwO/y/0mXc4dgxh5xeqdV+hXWmju64h7YX4="><link rel=stylesheet type=text/css href=/theme-css/spht/index.scss.min.ad03de1683bb39a0d1b31395797b97188e59cda6d778c0671a99db0b4fb799a9.css integrity="sha256-rQPeFoO7OaDRsxOVeXuXGI5ZzabXeMBnGpnbC0+3mak="><link rel=stylesheet type=text/css href=/css/tabs.scss.min.549aba196cc14bca7747a312ff35df0aa1f486b740c19ee0c88aaa721fb8c2e1.css integrity="sha256-VJq6GWzBS8p3R6MS/zXfCqH0hrdAwZ7gyIqqch+4wuE="><link rel=stylesheet href=/theme-css/backtotop.min.af4a1eb2a3e4e5ca38353a8320dafc9b1e1fd2edd480caa5fff0ae4e751d991c.css integrity="sha256-r0oesqPk5co4NTqDINr8mx4f0u3UgMql//CuTnUdmRw="><link rel=stylesheet href=/theme-css/bulma.min.f488b160722c9b7a2a760c03808dc8df5173e6c9dd25cb7481451ddb3c4f35dc.css integrity="sha256-9IixYHIsm3oqdgwDgI3I31Fz5sndJct0gUUd2zxPNdw="><link rel=stylesheet href=/theme-css/code-highlight.min.d0bd96ff1dbeb4b62536da5935b92af5cd7edb6d6f52b316d721e62078d9f089.css integrity="sha256-0L2W/x2+tLYlNtpZNbkq9c1+221vUrMW1yHmIHjZ8Ik="><link rel=stylesheet href=/theme-css/content.min.1de9b096ffc099fee4b538589fea6b622be33d69de64c451e11f2c91476029c5.css integrity="sha256-Hemwlv/Amf7ktThYn+prYivjPWneZMRR4R8skUdgKcU="><link rel=stylesheet href=/theme-css/dark-mode.min.1a7d04742ddf658331233b701507a0124657cbf45e02c672c061955181de6dde.css integrity="sha256-Gn0EdC3fZYMxIztwFQegEkZXy/ReAsZywGGVUYHebd4="><link rel=stylesheet href=/theme-css/footer.min.4be63c4d5628cb485efcfa5c9475fa1daa18933eb83741a2ca2bcd444ec270a2.css integrity="sha256-S+Y8TVYoy0he/PpclHX6HaoYkz64N0GiyivNRE7CcKI="><link rel=stylesheet href=/theme-css/hero.min.aa8286fd7d31d78e297e71594436c47b17d4f28660fd16f2b252e3f55fa500be.css integrity="sha256-qoKG/X0x144pfnFZRDbEexfU8oZg/RbyslLj9V+lAL4="><link rel=stylesheet href=/theme-css/lists.min.83821789384ebadc1a1ff75ef9f4b29ba53fe45eb30a46a228aa55772a393396.css integrity="sha256-g4IXiThOutwaH/de+fSym6U/5F6zCkaiKKpVdyo5M5Y="><link rel=stylesheet href=/theme-css/navbar.min.c15f7eadb5a7e1532309c04d94e1b0099d4fa75aaded30829bbfd21ebdb51ad5.css integrity="sha256-wV9+rbWn4VMjCcBNlOGwCZ1Pp1qt7TCCm7/SHr21GtU="><link rel=stylesheet href=/theme-css/news.min.8875ffae62ae22741a27025581fcb3341c18442be06bf132e45f8d6027692876.css integrity="sha256-iHX/rmKuInQaJwJVgfyzNBwYRCvga/Ey5F+NYCdpKHY="><link rel=stylesheet href=/theme-css/posts.min.9505f87d5973f3f08c99c613c0781b3a42411f4795657e8da7ef29c7ad37c23d.css integrity="sha256-lQX4fVlz8/CMmcYTwHgbOkJBH0eVZX6Np+8px603wj0="><link rel=stylesheet href=/theme-css/search.min.ee3423de82ad5535fd375aa47bc4fe618ecaa5d10eb0b68fe6dfc85a78790676.css integrity="sha256-7jQj3oKtVTX9N1qke8T+YY7KpdEOsLaP5t/IWnh5BnY="><link rel=stylesheet href=/theme-css/shortcuts.min.f90addf0a2a3c4e075eb5c3c78e4cc27d9b4fba18a02a17808695212762224c1.css integrity="sha256-+Qrd8KKjxOB161w8eOTMJ9m0+6GKAqF4CGlSEnYiJME="><link rel=stylesheet href=/theme-css/styles.min.00c75e5e25cb21123ca151cb4f4a130891157870829d91cefa425316ecf23de2.css integrity="sha256-AMdeXiXLIRI8oVHLT0oTCJEVeHCCnZHO+kJTFuzyPeI="><link rel=stylesheet href=/theme-css/tables.min.7a44b6bd698323dd3d379b714bd534132e76bf4ba0d3dec61997a8d9ba9db5fb.css integrity="sha256-ekS2vWmDI909N5txS9U0Ey52v0ug097GGZeo2bqdtfs="><link rel=stylesheet href=/theme-css/tabs.min.8884c317231b5f2331b2fd9f65e4f7900fe9124aafae93b78cef175960289683.css integrity="sha256-iITDFyMbXyMxsv2fZeT3kA/pEkqvrpO3jO8XWWAoloM="><link rel=stylesheet href=/theme-css/vars.min.3d537d14ea6e6fb59012fa9d357adf4b209dab8c2535fb94ab37afb6a37020fd.css integrity="sha256-PVN9FOpub7WQEvqdNXrfSyCdq4wlNfuUqzevtqNwIP0="><link rel=stylesheet href=/css/casestudies.min.92b0bafc1e58181b02c23f14b861767269e505eadc85a123b4eb79e2527bf2e0.css integrity="sha256-krC6/B5YGBsCwj8UuGF2cmnlBerchaEjtOt54lJ78uA="><link rel=stylesheet href=/css/custom.min.cf0f0187caa046832f55197d09d0ad54a98eebc7758bbb354fb1c8fb8541b5bb.css integrity="sha256-zw8Bh8qgRoMvVRl9CdCtVKmO68d1i7s1T7HI+4VBtbs="><link rel=stylesheet href=/css/mailchimp.min.96f403ea4c8be10747beb4c33a219da2fa8234a3b98882983bd2569da8eeb9e1.css integrity="sha256-lvQD6kyL4QdHvrTDOiGdovqCNKO5iIKYO9JWnajuueE="><link rel=stylesheet href=/css/shell.min.173478d133f6f5990705f3ed2f48714422de15754d813df6aa2a047bf62a51da.css integrity="sha256-FzR40TP29ZkHBfPtL0hxRCLeFXVNgT32qioEe/YqUdo="><script src=https://code.jquery.com/jquery-3.7.1.min.js></script><link rel=alternate hreflang=en href=/ title=English><link rel=alternate hreflang=pt href=/pt/ title=Português><link rel=alternate hreflang=ja href=/ja/ title="日本語 (Japanese)"><meta name=twitter:card content="summary_large_image"><meta name=twitter:image content="https://numpy.org/images/numpy-image.jpg"><meta name=twitter:title content="NumPy"><meta name=twitter:description content="Matrices N-dimensionales potentes Rápida y versátil, la vectorización, indexación y conceptos de broadcasting de NumPy son los estándares de facto en el cálculo de matrices hoy en día. Herramientas de cálculo numérico NumPy ofrece funciones matemáticas completas, generadores de números aleatorios, rutinas de álgebra lineal, transformadas de Fourier, y más. Código abierto Distribuido bajo una [licencia BSD] liberal (https://github.com/numpy/numpy/blob/main/LICENSE.txt), NumPy es desarrollado y mantenido públicamente en GitHub por una vibrante, receptiva y diversa comunidad. Interoperable NumPy soporta una amplia gama de hardware y plataformas de computación, y funciona bien con librerías distribuidas, de GPU y de matrices dispersas. Óptimo El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado. Fácil de usar La sintaxis de alto nivel de NumPy lo hace accesible y productivo para programadores de cualquier formación o nivel de experiencia."></head><body><nav id=nav class=navbar role=navigation aria-label="main navigation"><div class=container><div class=navbar-brand><a role=button class=navbar-burger aria-label=menu aria-expanded=false data-target=navbar-menu><span aria-hidden=true></span>
<span aria-hidden=true></span>
<span aria-hidden=true></span></a></div><div id=navbar-menu class=navbar-menu><div class=navbar-end><a href=/es/install class=navbar-item>Instalar
</a><a href=https://numpy.org/doc/stable class=navbar-item>Documentación
</a><a href=/es/learn class=navbar-item>Aprende
</a><a href=/es/community class=navbar-item>Comunidad
</a><a href=/es/about class=navbar-item>Quiénes somos
</a><a href=/es/news class=navbar-item>Noticias
</a><a href=/es/contribute class=navbar-item>Contribuye</a><div class="navbar-item has-dropdown"><a aria-label="Select language" class=navbar-link>Español</a><div class=navbar-dropdown><a href=/ class=navbar-item>English
</a><a href=/pt/ class=navbar-item>Português
</a><a href=/ja/ class=navbar-item>日本語 (Japanese)</a></div></div></div></div></div></nav><section class=hero><div class=hero-container><div class=hero-content><div class=hero-title-content><div class=hero-title>NumPy
<img class=hero-logo src=/images/logo.svg alt="NumPy logo. "></div><div class=flex-column><div class=hero-subtitle>El paquete fundamental para la computación científica con Python</div><div class=hero-cta><a href=/news/#releases><button class=cta-button>Última versión: NumPy 2.0. Ver todas las versiones</button></a></div></div></div></div></div></section><div class=news-container><div class=news-title><a href=/news>¡NumPy 2.0 ha sido lanzado!</a></div><div class=news-date><a href=/news>2024-06-17</a></div></div><section class=content-padding><div class=content-container><div class="sd-container-fluid sd-mb-4 false"><div class="sd-row sd-row-cols-1 sd-row-cols-xs-1 sd-row-cols-sm-2 sd-row-cols-md-2 sd-row-cols-lg-3 sd-g-2 sd-g-xs-1 sd-g-sm-2 sd-g-md-2 sd-g-lg-3"><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Matrices N-dimensionales potentes</div>Rápida y versátil, la vectorización, indexación y conceptos de broadcasting de NumPy son los estándares de facto en el cálculo de matrices hoy en día.</div></div></div><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Herramientas de cálculo numérico</div>NumPy ofrece funciones matemáticas completas, generadores de números aleatorios, rutinas de álgebra lineal, transformadas de Fourier, y más.</div></div></div><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Código abierto</div>Distribuido bajo una [licencia BSD] liberal (<a href=https://github.com/numpy/numpy/blob/main/LICENSE.txt%29>https://github.com/numpy/numpy/blob/main/LICENSE.txt)</a>, NumPy es desarrollado y mantenido <a href=https://github.com/numpy/numpy>públicamente en GitHub</a> por una vibrante, receptiva y diversa <a href=/es/community>comunidad</a>.</div></div></div><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Interoperable</div>NumPy soporta una amplia gama de hardware y plataformas de computación, y funciona bien con librerías distribuidas, de GPU y de matrices dispersas.</div></div></div><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Óptimo</div>El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado.</div></div></div><div class="sd-col sd-d-flex-row"><div class="sd-card sd-w-100 sd-shadow-sm"><div class=sd-card-body><div class="sd-card-title sd-font-weight-bold">Fácil de usar</div>La sintaxis de alto nivel de NumPy lo hace accesible y productivo para programadores de cualquier formación o nivel de experiencia.</div></div></div></div></div></div></section><div class=hero-right><div class="flex-column shell-title-container"><div class=shell-title>Prueba NumPy</div><div class=shell-content-message><p>Utilice el terminal interactivo para probar NumPy en el navegador</p></div></div><div class=numpy-shell-canvas><div class=numpy-shell-container><div class="shell-lesson shell-content"><div class=highlight><pre class=chroma><code><span style=display:flex><span><span style=color:#e6db74>"""
</span></span></span><span style=display:flex><span><span style=color:#e6db74>To try the examples in the browser:
</span></span></span><span style=display:flex><span><span style=color:#e6db74>1. Type code in the input cell and press
</span></span></span><span style=display:flex><span><span style=color:#e6db74> Shift + Enter to execute
</span></span></span><span style=display:flex><span><span style=color:#e6db74>2. Or copy paste the code, and click on
</span></span></span><span style=display:flex><span><span style=color:#e6db74> the "Run" button in the toolbar
</span></span></span><span style=display:flex><span><span style=color:#e6db74>"""</span>
</span></span><span style=display:flex><span>
</span></span><span style=display:flex><span><span style=color:#75715e># The standard way to import NumPy:</span>
</span></span><span style=display:flex><span><span style=color:#f92672>import</span> numpy <span style=color:#66d9ef>as</span> np
</span></span><span style=display:flex><span>
</span></span><span style=display:flex><span><span style=color:#75715e># Create a 2-D array, set every second element in</span>
</span></span><span style=display:flex><span><span style=color:#75715e># some rows and find max per row:</span>
</span></span><span style=display:flex><span>
</span></span><span style=display:flex><span>x <span style=color:#f92672>=</span> np<span style=color:#f92672>.</span>arange(<span style=color:#ae81ff>15</span>, dtype<span style=color:#f92672>=</span>np<span style=color:#f92672>.</span>int64)<span style=color:#f92672>.</span>reshape(<span style=color:#ae81ff>3</span>, <span style=color:#ae81ff>5</span>)
</span></span><span style=display:flex><span>x[<span style=color:#ae81ff>1</span>:, ::<span style=color:#ae81ff>2</span>] <span style=color:#f92672>=</span> <span style=color:#f92672>-</span><span style=color:#ae81ff>99</span>
</span></span><span style=display:flex><span>x
</span></span><span style=display:flex><span><span style=color:#75715e># array([[ 0, 1, 2, 3, 4],</span>
</span></span><span style=display:flex><span><span style=color:#75715e># [-99, 6, -99, 8, -99],</span>
</span></span><span style=display:flex><span><span style=color:#75715e># [-99, 11, -99, 13, -99]])</span>
</span></span><span style=display:flex><span>
</span></span><span style=display:flex><span>x<span style=color:#f92672>.</span>max(axis<span style=color:#f92672>=</span><span style=color:#ae81ff>1</span>)
</span></span><span style=display:flex><span><span style=color:#75715e># array([ 4, 8, 13])</span>
</span></span><span style=display:flex><span>
</span></span><span style=display:flex><span><span style=color:#75715e># Generate normally distributed random numbers:</span>
</span></span><span style=display:flex><span>rng <span style=color:#f92672>=</span> np<span style=color:#f92672>.</span>random<span style=color:#f92672>.</span>default_rng()
</span></span><span style=display:flex><span>samples <span style=color:#f92672>=</span> rng<span style=color:#f92672>.</span>normal(size<span style=color:#f92672>=</span><span style=color:#ae81ff>2500</span>)
</span></span><span style=display:flex><span>samples</span></span></code></pre></div></div><iframe class=numpy-shell src="https://jupyterlite.github.io/demo/repl/?toolbar=1&kernel=python&execute=0&code=import%20numpy%20as%20np"></iframe></div></div></div><section class=tabs-section><div class=container><h1 class=tabs-title>ECOSISTEMA</h1><div class=tabs><div role=tablist class=automatic><button id=0-tab-0 type=button role=tab aria-selected=true aria-controls=0-tabpanel-0>
Scientific Domains
</button>
<button id=0-tab-1 type=button role=tab aria-selected=false aria-controls=0-tabpanel-1>
Array Libraries
</button>
<button id=0-tab-2 type=button role=tab aria-selected=false aria-controls=0-tabpanel-2>
Data Science
</button>
<button id=0-tab-3 type=button role=tab aria-selected=false aria-controls=0-tabpanel-3>
Machine Learning
</button>
<button id=0-tab-4 type=button role=tab aria-selected=false aria-controls=0-tabpanel-4>
Visualization</button></div><div id=0-tabpanel-0 role=tabpanel tabindex=0 aria-labelledby=$0-tab-0><section class="scientific-domains container"><p>Casi todos los científicos que trabajan en Python recurren a la potencia de NumPy.</p><p>NumPy aporta la potencia de cálculo de lenguajes como C y Fortran a Python, un lenguaje mucho más fácil de aprender y utilizar. Con esta potencia viene la sencillez: una solución en NumPy suele ser clara y elegante.</p><ul><li><header>Computación Cuántica</header><ul><img src=/images/content_images/sc_dom_img/quantum_computing.svg alt="Un chip para computador."><li><a href=https://qutip.org>QuTiP</a></li><li><a href=https://pyquil-docs.rigetti.com/en/stable>PyQuil</a></li><li><a href=https://qiskit.org>Qiskit</a></li><li><a href=https://pennylane.ai>PennyLane</a></li></ul></li><li><header>Computación Estadística</header><ul><img src=/images/content_images/sc_dom_img/statistical_computing.svg alt="Un gráfico lineal con la línea moviéndose hacia arriba."><li><a href=https://pandas.pydata.org/>Pandas</a></li><li><a href=https://www.statsmodels.org/>statsmodels</a></li><li><a href=https://xarray.pydata.org/en/stable/>Xarray</a></li><li><a href=https://seaborn.pydata.org/>Seaborn</a></li></ul></li><li><header>Procesamiento de Señales</header><ul><img src=/images/content_images/sc_dom_img/signal_processing.svg alt="Un gráfico de barras con valores positivos y negativos."><li><a href=https://www.scipy.org/>SciPy</a></li><li><a href=https://pywavelets.readthedocs.io/>PyWavelets</a></li><li><a href=https://python-control.org/>python-control</a></li><li><a href=https://hyperspy.org/>HiperSpy</a></li></ul></li><li><header>Procesamiento de Imágenes</header><ul><img src=/images/content_images/sc_dom_img/image_processing.svg alt="Una fotografía de las montañas."><li><a href=https://scikit-image.org/>Scikit-image</a></li><li><a href=https://opencv.org/>OpenCV</a></li><li><a href=https://mahotas.rtfd.io/>Mahotas</a></li></ul></li><li><header>Grafos y Redes</header><ul><img src=/images/content_images/sc_dom_img/sd6.svg alt="Un grafo simple."><li><a href=https://networkx.org/>NetworkX</a></li><li><a href=https://graph-tool.skewed.de/>graph-tool</a></li><li><a href=https://igraph.org/python/>igraph</a></li><li><a href=https://pygsp.rtfd.io/>PyGSP</a></li></ul></li><li><header>Astronomía</header><ul><img src=/images/content_images/sc_dom_img/astronomy_processes.svg alt="Un telescopio."><li><a href=https://www.astropy.org/>AstroPy</a></li><li><a href=https://sunpy.org/>SunPy</a></li><li><a href=https://spacepy.github.io/>SpacePy</a></li></ul></li><li><header>Psicología Cognitiva</header><ul><img src=/images/content_images/sc_dom_img/cognitive_psychology.svg alt="Una cabeza humana con engranajes."><li><a href=https://www.psychopy.org/>PsychoPy</a></li></ul></li><li><header>Bioinformática</header><ul><img src=/images/content_images/sc_dom_img/bioinformatics.svg alt="Una hebra de ADN."><li><a href=https://biopython.org/>BioPython</a></li><li><a href=http://scikit-bio.org/>Scikit-Bio</a></li><li><a href=https://github.com/openvax/pyensembl>PyEnsembl</a></li><li><a href=http://etetoolkit.org/>ETE</a></li></ul></li><li><header>Inferencia Bayesiana</header><ul><img src=/images/content_images/sc_dom_img/bayesian_inference.svg alt="Un gráfico con una curva en forma de campanas."><li><a href=https://pystan.readthedocs.io/en/latest/>PyStan</a></li><li><a href=https://docs.pymc.io/>PyMC</a></li><li><a href=https://arviz-devs.github.io/arviz/>ArviZ</a></li><li><a href=https://emcee.readthedocs.io/>emcee</a></li></ul></li><li><header>Análisis Matemático</header><ul><img src=/images/content_images/sc_dom_img/mathematical_analysis.svg alt="Cuatro símbolos matemáticos."><li><a href=https://www.scipy.org/>SciPy</a></li><li><a href=https://www.sympy.org/>SymPy</a></li><li><a href=https://www.cvxpy.org/>cvxpy</a></li><li><a href=https://fenicsproject.org/>FEniCS</a></li></ul></li><li><header>Química</header><ul><img src=/images/content_images/sc_dom_img/chemistry.svg alt="Un tubo de ensayo."><li><a href=https://cantera.org/>Cantera</a></li><li><a href=https://www.mdanalysis.org/>MDAnalysis</a></li><li><a href=https://github.com/rdkit/rdkit>RDKit</a></li><li><a href=https://www.pybamm.org/>PyBaMM</a></li></ul></li><li><header>Geociencia</header><ul><img src=/images/content_images/sc_dom_img/geoscience.svg alt="La Tierra."><li><a href=https://pangeo.io/>Pangeo</a></li><li><a href=https://simpeg.xyz/>Simpeg</a></li><li><a href=https://github.com/obspy/obspy/wiki>ObsPy</a></li><li><a href=https://www.fatiando.org/>Fatiando a Terra</a></li></ul></li><li><header>Procesamiento Geográfico</header><ul><img src=/images/content_images/sc_dom_img/GIS.svg alt="Un mapa."><li><a href=https://shapely.readthedocs.io/>Shapely</a></li><li><a href=https://geopandas.org/>GeoPandas</a></li><li><a href=https://python-visualization.github.io/folium>Folium</a></li></ul></li><li><header>Arquitectura e Ingeniería</header><ul><img src=/images/content_images/sc_dom_img/robotics.svg alt="Una placa de desarrollo de microprocesadores."><li><a href=https://compas.dev/>COMPAS</a></li><li><a href=https://cityenergyanalyst.com/>City Energy Analyst - Analista de Energía de Ciudad</a></li><li><a href=https://nortikin.github.io/sverchok/>Sverchok</a></li></ul></li></ul></section></div><div id=0-tabpanel-1 role=tabpanel tabindex=0 aria-labelledby=$0-tab-1><section class=array-libraries><p>La API de NumPy es el punto de partida cuando se escriben librerías para explotar hardware innovador, crear tipos de arreglos especializadas o añadir capacidades más allá de lo que NumPy proporciona.</p><table><tr class=highlight-th><td class=bold-text></td><td class=bold-text>Librería de arreglos</td><td class=bold-text>Capacidades y áreas de aplicación</td></td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/dask.png alt=Dask></td><td class=full-center-text><a href=https://dask.org/>Dask</a></td><td class=left-text>Arreglos distribuidos y paralelismo avanzado para análisis, que permiten un rendimiento a escala.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/cupy.png alt=CuPy></td><td class=full-center-text><a href=https://cupy.dev>CuPy</a></td><td class=left-text>Librería de arreglos compatible con NumPy para cálculo acelerado en la GPU con Python.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/jax_logo_250px.png alt=JAX></td><td class=full-center-text><a href=https://jax.readthedocs.io/>JAX</a></td><td class=left-text>Transformaciones componibles de programas NumPy: diferenciar, vectorizar, compilación justo-a-tiempo a GPU/TPU.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/xarray.png alt=xarray></td><td class=full-center-text><a href=https://xarray.pydata.org/en/stable/index.html>Xarray</a></td><td class=left-text>Arreglos multidimensionales indexados y etiquetados para análisis y visualización avanzados.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/sparse.png alt=sparse></td><td class=full-center-text><a href=https://sparse.pydata.org/en/latest/>Sparse</a></td><td class=left-text>Librería de arreglos dispersos compatible con NumPy que se integra con el álgebra lineal dispersa de Dask y SciPy.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/pytorch-logo-dark.svg alt=PyTorch></td><td class=full-center-text><a href=https://pytorch.org/>PyTorch</a></td><td class=left-text>Marco de aprendizaje profundo que acelera el camino desde la creación de prototipos de investigación hasta la implantación en producción.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/tensorflow-logo.svg alt=TensorFlow></td><td class=full-center-text><a href=https://www.tensorflow.org>TensorFlow</a></td><td class=left-text>Una plataforma integral de aprendizaje automático para crear y desplegar fácilmente aplicaciones basadas en ML.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/arrow.png alt=arrow></td><td class=full-center-text><a href=https://arrow.apache.org/>Arrow</a></td><td class=left-text>Plataforma de desarrollo multilingüe para datos y análisis columnares en memoria.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/xtensor.png alt=xtensor></td><td class=full-center-text><a href=https://github.com/xtensor-stack/xtensor-python>xtensor</a></td><td class=left-text>Arreglos multidimensionales con difusión y computación perezosa para análisis numérico.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/awkward.svg alt=awkward></td><td class=full-center-text><a href=https://awkward-array.org/>Awkward Array</a></td><td class=left-text>Manipular datos similares a JSON con expresiones similares a NumPy.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/uarray.png alt=uarray></td><td class=full-center-text><a href=https://uarray.org/en/latest/>uarray</a></td><td class=left-text>Sistema de backend de Python que desacopla la API de la implementación; unumpy proporciona una API de NumPy.</td></tr><tr><td style=text-align:center><img class=first-column-layout src=/images/content_images/arlib/tensorly.png alt=tensorly></td><td class=full-center-text><a href=http://tensorly.org/stable/home.html>tensorly</a></td><td class=left-text>Aprendizaje tensorial, álgebra y backends para usar de manera fluida NumPy, PyTorch, TensorFlow o CuPy.</td></tr></table></section></div><div id=0-tabpanel-2 role=tabpanel tabindex=0 aria-labelledby=$0-tab-2><section class=data-science><div class=grid-container><div><a href=/images/content_images/ds-landscape.png target=_blank><img src=/images/content_images/ds-landscape.png alt='Diagrama de las librerías de Python. Las cinco categorías son "Extraer, Transformar, Cargar", "Exploración de Datos", "Modelado de Datos", "Evaluación de Datos" y "Presentación de Datos".' align=left></a></div><div><p>NumPy es el núcleo de un rico ecosistema de librerías de ciencia de datos. Un flujo de trabajo exploratorio típico de ciencia de datos podría verse así:<ul class=content-tab><li><b>Extraer, Transformar, Cargar: </b><a href=https://pandas.pydata.org>Pandas</a>, <a href=https://intake.readthedocs.io>Intake</a>, <a href=https://pyjanitor.readthedocs.io/>PyJanitor</a></li><li><b>Análisis Exploratorio: </b><a href=https://jupyter.org>Jupyter</a>, <a href=https://seaborn.pydata.org>Seaborn</a>, <a href=https://matplotlib.org>Matplotlib</a>, <a href=https://altair-viz.github.io>Altair</a></li><li><b>Modelado y evaluación: </b><a href=https://scikit-learn.org>scikit-learn</a>, <a href=https://www.statsmodels.org/stable/index.html>statsmodels</a>, <a href=https://docs.pymc.io>PyMC</a>, <a href=https://spacy.io>spaCy</a></li><li><b>Informes en un panel de control: </b><a href=https://plotly.com/dash>Dash</a>, <a href=https://panel.holoviz.org>Panel</a>, <a href=https://github.com/voila-dashboards/voila>Voila</a></li></ul></p></div></div><div class=grid-container><div><p></p><p>Para grandes volúmenes de datos, <a href=https://dask.org>Dask</a> y <a href=https://ray.io/>Ray</a> están diseñados para escalarse. Las implementaciones estables se basan en el versionado de datos (<a href=https://dvc.org>DVC</a>), rastreo de experimentos (<a href=https://mlflow.org>MLFlow</a>), y automatización del flujo de trabajo (<a href=https://airflow.apache.org>Airflow</a>, <a href=https://dagster.io>Dagster</a> y <a href=https://www.prefect.io>Prefect</a>).</p></p></div><div><img src=/images/content_images/data-science.png alt='Diagrama de tres círculos superpuestos. Los círculos se denominan "Matemáticas", "Ciencias de la Computación" y "Conocimientos Especializados". En el centro del diagrama, con los tres círculos superpuestos, hay un área denominada "Ciencia de datos".' align=centre width=75%></a></div></div></section></div><div id=0-tabpanel-3 role=tabpanel tabindex=0 aria-labelledby=$0-tab-3><section class=machine-learning><div class=grid-container><div class=animation-holder><a href=https://ai.googleblog.com/2016/12/open-sourcing-embedding-projector-tool.html><img src=/images/content_images/ml_img/tensorflow-ml-anim.gif alt="An animated gif showing a three-dimensional graph of embeddings made in Tensorflow." align=middle class=animation-img></a><p><i style=font-size:80%><a href=https://ai.googleblog.com/2016/12/open-sourcing-embedding-projector-tool.html>Source: Google AI Blog</a></i></p></div><div><p>NumPy constituye la base de potentes librerías de aprendizaje automático como <a href=https://scikit-learn.org>scikit-learn</a> y <a href=https://www.scipy.org>SciPy</a>. A medida que crece el aprendizaje automático, también lo hace la lista de librerías basadas en NumPy. Las capacidades de aprendizaje profundo de <a href=https://www.tensorflow.org>TensorFlow</a> tienen amplias aplicaciones— entre ellas el reconocimiento de voz e imágenes, las aplicaciones basadas en texto, el análisis de series de tiempo y la detección de vídeo. <a href=https://pytorch.org>PyTorch</a>, otra librería de aprendizaje profundo, es popular entre los investigadores de visión artificial y procesamiento del lenguaje natural.</p></div></div><div><div><p>Las técnicas estadísticas denominadas <a href=https://scikit-learn.org/stable/modules/ensemble.html>métodos ensemble</a>, como binning, bagging, stacking y boosting, se encuentran entre los algoritmos de ML implementados por herramientas como <a href=https://xgboost.readthedocs.io/>XGBoost</a>, <a href=https://lightgbm.readthedocs.io/en/latest/>LightGBM</a> y <a href=https://catboost.ai>CatBoost</a> — uno de los motores de inferencia más rápidos. <a href=https://www.scikit-yb.org/en/latest/>Yellowbrick</a> y <a href=https://eli5.readthedocs.io/en/latest/>Eli5</a> ofrecen visualizaciones de aprendizaje automático.</p></div></div></section></div><div id=0-tabpanel-4 role=tabpanel tabindex=0 aria-labelledby=$0-tab-4><section class=visualization><div class=grid-container><div class=visualization-images><div class=image-grid><div><a href=https://www.fusioncharts.com/blog/best-python-data-visualization-libraries><img src=/images/content_images/v_matplotlib.png alt="Un diagrama de flujo hecho en matplotlib" align=middle></a></div><div><a href=https://github.com/yhat/ggpy><img src=/images/content_images/v_ggpy.png alt="Un diagrama de dispersión hecho en ggpy" align=middle></a></div><div><a href=https://www.journaldev.com/19692/python-plotly-tutorial><img src=/images/content_images/v_plotly.png alt="Un diagrama de caja hecho en plotly" align=middle></a></div><div><a href=https://altair-viz.github.io/gallery/streamgraph.html><img src=/images/content_images/v_altair.png alt="Un diagrama de flujo hecho en altair" align=middle></a></div><div><a href=https://seaborn.pydata.org><img src=/images/content_images/v_seaborn.png alt="Un gráfico de pares de dos tipos de gráficos, un gráfico de trazado y un gráfico de frecuencias hecho en seaborn" align=middle></a></div><div><a href=https://docs.pyvista.org/examples/index.html><img src=/images/content_images/v_pyvista.png alt="Un renderizado de volumen 3D realizado en PyVista." align=middle></a></div><div><a href=https://napari.org><img src=/images/content_images/v_napari.png alt="Una imagen multidimensional hecha en napari." align=middle></a></div><div><a href=https://vispy.org/gallery/index.html><img src=/images/content_images/v_vispy.png alt="Un diagrama de Voronoi hecho en vispy." align=middle></a></div></div></div><div><p>NumPy es un componente esencial en el floreciente <a href=https://pyviz.org/overviews/index.html>panorama de visualización de Python</a>, que incluye <a href=https://matplotlib.org>Matplotlib</a>, <a href=https://seaborn.pydata.org>Seaborn</a>, <a href=https://plot.ly>Plotly</a>, <a href=https://altair-viz.github.io>Altair</a>, <a href=https://docs.bokeh.org/en/latest/>Bokeh</a>, <a href=https://holoviz.org>Holoviz</a>, <a href=http://vispy.org>Vispy</a>, <a href=https://github.com/napari/napari>Napari</a>, y <a href=https://github.com/pyvista/pyvista>PyVista</a>, por nombrar algunos.</p><p>El procesamiento acelerado de arreglos de gran tamaño de NumPy permite a los investigadores visualizar conjuntos de datos mucho mayores a los que el Python nativo podría manejar.</p></div><div></div></div></section></div></div></div></section><section class=casestudies><div class=container><h1 class=casestudies-title>CASOS DE ESTUDIO</h1><div class=casestudies-box-container><a class="casestudies-box-content casestudies-underline" href=/es/case-studies/blackhole-image><div class=casestudies-box-title>Primera imagen de un Agujero Negro</div><img src=/images/content_images/case_studies/blackhole.png alt="Primera imagen de un agujero negro. Es un círculo anaranjado con fondo negro."><div class=casestudies-box-text>Cómo NumPy, junto con bibliotecas como SciPy y Matplotlib que dependen de NumPy, permitió al Telescopio del Horizonte de Sucesos producir la primera imagen de un agujero negro</div></a><a class="casestudies-box-content casestudies-underline" href=/es/case-studies/gw-discov><div class=casestudies-box-title>Detección de Ondas Gravitacionales</div><img src=/images/content_images/case_studies/gravitional.png alt="Dos cuerpos orbitándose mutuamente. Estos desplazan la gravedad a su alrededor."><div class=casestudies-box-text>En 1916 Albert Einstein predijo las ondas gravitacionales; 100 años después se confirmó su existencia por científicos del LIGO, utilizando NumPy.</div></a><a class="casestudies-box-content casestudies-underline" href=/es/case-studies/cricket-analytics><div class=casestudies-box-title>Analíticas Deportivas</div><img src=/images/content_images/case_studies/sports.jpg alt="Bola de Cricket sobre un campo verde."><div class=casestudies-box-text>El Análisis de Críquet está cambiando el juego, mejorando el rendimiento de los jugadores y equipos mediante modelos estadísticos y análisis predictivos. NumPy permite realizar muchos de estos análisis.</div></a><a class="casestudies-box-content casestudies-underline" href=/es/case-studies/deeplabcut-dnn><div class=casestudies-box-title>Estimación de la pose mediante aprendizaje profundo</div><img src=/images/content_images/case_studies/deeplabcut.png alt="Análisis de la pose de un Guepardo"><div class=casestudies-box-text>DeepLabCut utiliza NumPy para acelerar estudios científicos que implican la observación del comportamiento animal para una mejor comprensión del control motriz, a través de especies y escalas de tiempo.</div></a></div></div></section><div id=backtotop><a href=# id=backtotop-color><i class="fa-solid fa-arrow-up"></i></a></div><footer id=footer><div class=container><div id=footer-columns><div id=footer-logo-column><img id=footer-logo src=/images/logo.svg alt="NumPy logo. "></div><div class=footer-column><div class=footer-item><a href=/es/install>Instalar</a></div><div class=footer-item><a href=https://numpy.org/doc/stable>Documentación</a></div><div class=footer-item><a href=/es/learn>Aprende</a></div><div class=footer-item><a href=/es/citing-numpy>Citando a NumPy</a></div><div class=footer-item><a href=https://numpy.org/neps/roadmap.html>Mapa de ruta</a></div></div><div class=footer-column><div class=footer-item><a href=/es/about>Acerca de nosotros</a></div><div class=footer-item><a href=/es/community>Comunidad</a></div><div class=footer-item><a href=/es/user-surveys>Encuestas a usuarios</a></div><div class=footer-item><a href=/es/contribute>Contribuye</a></div><div class=footer-item><a href=/es/code-of-conduct>Código de Conducta</a></div></div><div class=footer-column><div class=footer-item><a href=/es/gethelp>Buscar ayuda</a></div><div class=footer-item><a href=/es/terms>Términos de uso</a></div><div class=footer-item><a href=/es/privacy>Confidencialidad</a></div><div class=footer-item><a href=/es/press-kit>Kit de prensa</a></div></div><div class=footer-actions>Sign up for the latest NumPy news, resources, and more<form action="https://numpy.us4.list-manage.com/subscribe/post?u=5ddd0d1d6e807900a8212481a&id=287fa4253c" method=post id=mc-embedded-subscribe-form name=mc-embedded-subscribe-form class="validate sign-up-container" target=_blank novalidate><div class=sign-up-image><svg class="icon mail-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M22 6c0-1.1-.9-2-2-2H4c-1.1.0-2 .9-2 2v12c0 1.1.9 2 2 2h16c1.1.0 2-.9 2-2V6zm-2 0-8 5-8-5h16zm0 12H4V8l8 5 8-5v10z"/></svg></div><input type=email name=EMAIL class="required email sign-up-input" id=mce-EMAIL aria-label="Input for email, press enter to submit" onkeypress='(event.which===13||event.keyCode===13||event.key==="Enter")&&sendThankYou()'><div class=submission-instructions>Press Enter</div><button class=signup-button onclick=sendThankYou() aria-label=Submit><svg class="icon sent-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M2.01 21 23 12 2.01 3 2 10l15 2-15 2z"/></svg></button><div id=mce-responses class=clear><div class=response id=mce-error-response style=display:none></div><div class=response id=mce-success-response style=display:none></div></div><div style=position:absolute;left:-5000px aria-hidden=true><input type=text name=b_5ddd0d1d6e807900a8212481a_287fa4253c tabindex=-1></div><div class=clear><input type=submit value=Subscribe name=subscribe id=mc-embedded-subscribe class=button style=display:none></div></form><div class=thank-you>Thank you! 🎉</div><div class=community-icons><a href=https://github.com/numpy/numpy aria-label=https://github.com/numpy/numpy><svg class="icon github-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M12 .297c-6.63.0-12 5.373-12 12 0 5.303 3.438 9.8 8.205 11.385.6.113.82-.258.82-.577.0-.285-.01-1.04-.015-2.04-3.338.724-4.042-1.61-4.042-1.61C4.422 18.07 3.633 17.7 3.633 17.7c-1.087-.744.084-.729.084-.729 1.205.084 1.838 1.236 1.838 1.236 1.07 1.835 2.809 1.305 3.495.998.108-.776.417-1.305.76-1.605-2.665-.3-5.466-1.332-5.466-5.93.0-1.31.465-2.38 1.235-3.22-.135-.303-.54-1.523.105-3.176.0.0 1.005-.322 3.3 1.23.96-.267 1.98-.399 3-.405 1.02.006 2.04.138 3 .405 2.28-1.552 3.285-1.23 3.285-1.23.645 1.653.24 2.873.12 3.176.765.84 1.23 1.91 1.23 3.22.0 4.61-2.805 5.625-5.475 5.92.42.36.81 1.096.81 2.22.0 1.606-.015 2.896-.015 3.286.0.315.21.69.825.57C20.565 22.092 24 17.592 24 12.297c0-6.627-5.373-12-12-12"/></svg>
</a><a href=https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng aria-label=https://www.youtube.com/channel/UCguIL9NZ7ybWK5WQ53qbHng><svg class="icon youtube-icon" viewBox="0 0 24 24" viewBox="0 0 24 24"><path d="M23.498 6.186A3.016 3.016.0 0021.376 4.05C19.505 3.545 12 3.545 12 3.545s-7.505.0-9.377.505A3.017 3.017.0 00.502 6.186C0 8.07.0 12 0 12s0 3.93.502 5.814a3.016 3.016.0 002.122 2.136c1.871.505 9.376.505 9.376.505s7.505.0 9.377-.505a3.015 3.015.0 002.122-2.136C24 15.93 24 12 24 12s0-3.93-.502-5.814zM9.545 15.568V8.432L15.818 12l-6.273 3.568z"/></svg></a></div><div class=copyright>© 2025 NumPy team. All rights reserved.</div></div></div></div></footer></body><link rel=stylesheet href=https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.6.0/css/all.min.css integrity="sha512-Kc323vGBEqzTmouAECnVceyQqyqdsSiqLQISBL29aUW4U/M7pSPA/gEUZQqv1cwx4OnYxTxve5UMg5GT6L4JJg==" crossorigin=anonymous referrerpolicy=no-referrer><link rel=stylesheet href=https://cdnjs.cloudflare.com/ajax/libs/font-awesome/6.6.0/css/all.min.css integrity="sha512-Kc323vGBEqzTmouAECnVceyQqyqdsSiqLQISBL29aUW4U/M7pSPA/gEUZQqv1cwx4OnYxTxve5UMg5GT6L4JJg==" crossorigin=anonymous referrerpolicy=no-referrer><script type=text/javascript src=/js/bundle.min.js></script><script type=text/javascript>setupShortcuts(maxLevel=2)</script><script defer data-domain=numpy.org src=https://views.scientific-python.org/js/script.js></script></html>