Plan de Aprendizaje Completo: NumPy

Objetivo: Pensar en arreglos, no en bucles de Python, para preparar Pandas, visualización y el salto a cómputo distribuido.

Metodología: Cada fase termina con un script medido. Si un for recorre celdas, todavía no está la fase.

Tus apuntes van en Mis notas.

Índice

1. Fase 1: Arrays, dtypes y creación
2. Fase 2: Indexación, máscaras y broadcasting
3. Fase 3: Álgebra y agregaciones
4. Fase 4: Rendimiento y puente a tablas
5. Proyectos integradores

Fase 1: Arrays, dtypes y creación

Meta: Crear ndarray a propósito y saber qué tipo numérico estás usando.

• array, zeros, ones, arange, linspace, full
• shape, ndim, size, dtype, itemsize
• Enteros vs flotantes vs booleanos; astype y pérdida de precisión
• Diferencia entre vista y copia (reshape vs copy)
• 🧪 Práctica: Genera una matriz 1_000 x 8 de mediciones y reporta shape, dtype y memoria.

Fase 2: Indexación, máscaras y broadcasting

Meta: Seleccionar y transformar sin bucles.

• Slicing, indexación elegante e indexación booleana
• Máscaras combinadas con &, |, ~ (no and / or)
• Broadcasting: alinear formas (n, 1) con (1, m)
• np.where, np.clip, np.nan y por qué NaN no es None
• 🧪 Práctica: Limpia una matriz con valores fuera de rango y nulos usando solo máscaras.

Fase 3: Álgebra y agregaciones

Meta: Resumir y combinar arreglos como lo harías en una métrica.

• sum, mean, std, min, max con axis
• Producto punto, multiplicación de matrices (@) y normas
• unique, bincount, histogram
• Semillas con np.random.default_rng para resultados repetibles
• 🧪 Práctica: Normaliza columnas (z-score) y calcula una matriz de correlación simple.

Fase 4: Rendimiento y puente a tablas

Meta: Saber cuándo NumPy basta y cuándo pasar a Pandas.

• Vectorizar una función con np.vectorize y por qué casi nunca es la mejor opción
• Comparar un bucle Python contra una operación de array con timeit
• Guardar y leer .npy / .npz
• De array a DataFrame: cuándo hace falta índice, columnas y tipos
• 🧪 Práctica: Reescribe un script de totales diarios en NumPy y documenta el speedup.

Proyectos integradores

1. Control de calidad de sensores — máscaras, rangos válidos y un resumen por columna.
2. Mini feature store numérico — normalización y una matriz lista para graficar en Matplotlib.

Recursos

Recurso	Uso
NumPy absolute beginners	Base oficial
Broadcasting	Formas y ejes

Criterios de avance

Fase	La dominas cuando...
1	Creas un array con el dtype y la forma que pediste, no los que salieron por accidente
2	Filtras y rellenas sin un for
3	Agregas por eje y explicas qué dimensión desaparece
4	Mides un cambio de rendimiento y decides si el siguiente paso es Pandas