|

GUÍA DE PRÁCTICA
CARRERA: ELECTRICIDAD ASIGNATURA: PROGAMACIÓN

DOCENTE RESPONSABLE: ING. PABLO CATOTA

TÍTULO PRÁCTICA:
N°. PRÁCTICA: 04 USO DE LIBRERIAS EN PYTHON “NUMPY”

MODALIDAD Aula Talleres Simulación X Software

TIEMPO DE DURACIÓN 180 minutos TALLER / LABORATORIO:

PERIODO
CICLO: 1 MODALIDAD: NIVEL Y PARALELO : 5TO
ACADEMICO: 2023-2023

OBJETIVO GENERAL: Proporcionar a los estudiantes una comprensión profunda de las librerías más comunes
en Python y desarrollar sus habilidades para utilizarlas de manera efectiva en la resolución de problemas y
proyectos de programación.
DESARROLLO

PREPARATORIO
Tener conocimiento sobre el uso de datos en Python y lazos de control de flujo, conocer la estructura básica de
programación.

1. Conocer los operadores de programación que se utilizan en Python.

2. Tener conocimiento de como declarar variable en Python.
3. Tener claro la estructura de los lazos de control de flujo, para realizar algoritmos.
MATERIALES
INSUMOS / MATERIALES:
MÓDULO:
• Espacio de trabajo
• Computadora
Laboratorio de computación
• Software Jupyter
• Guía practica
• No jugar ni distraerse, durante el levantamiento de información.
• Mantener el orden y la limpieza durante la realización de la
NORMAS DE SEGURIDAD
práctica.

OBJETIVOS ESPECÍFICOS.
• Conocer el uso y aplicaciones de las librerías de Numpy y Matplotlib.
• Realizar gráficas, a partir de la generación de datos aleatorios.
 |

FUNDAMENTO TEÓRICO:

Python es un lenguaje de programación versátil y poderoso que ha ganado popularidad debido a su facilidad de
uso y su amplia gama de funcionalidades. Una de las características más destacadas de Python es su capacidad
para utilizar librerías, que son conjuntos de funciones y herramientas predefinidas diseñadas para realizar tareas
específicas. Estas librerías permiten a los desarrolladores aprovechar el trabajo previo realizado por otros
programadores y acelerar el proceso de desarrollo de software. Desde librerías para ciencia de datos como NumPy
y Pandas, hasta librerías para desarrollo web como Flask y Django, el ecosistema de librerías de Python es vasto
y diverso, cubriendo prácticamente todos los ámbitos de la programación.
Al importar y utilizar estas librerías, los programadores pueden acceder a una amplia gama de funcionalidades
especializadas y resolver problemas complejos de manera más eficiente. El uso de librerías en Python no solo
permite ahorrar tiempo y esfuerzo, sino que también fomenta la colaboración y la reutilización de código,
impulsando así el crecimiento y la innovación en el campo de la programación.
 |

Python también cuenta con la popular librería Matplotlib, que se utiliza para la visualización de datos. Matplotlib
ofrece una amplia variedad de gráficos y visualizaciones, desde simples gráficos de líneas y dispersión hasta
histogramas, gráficos de barras, gráficos de cajas y más. Con esta librería, los programadores pueden personalizar
los gráficos con etiquetas, leyendas, colores y estilos de línea, lo que permite crear visualizaciones atractivas y
efectivas. Matplotlib es ampliamente utilizada en campos como la ciencia de datos, la ingeniería, la investigación y
otras disciplinas donde la representación gráfica de datos es esencial.

NumPy es una librería fundamental para la computación científica en Python. Proporciona un poderoso soporte
para la manipulación y el cálculo numérico de arreglos multidimensionales. NumPy ofrece una amplia gama de
funciones y operaciones matemáticas, lo que permite realizar cálculos complejos con gran eficiencia. Además,
ofrece herramientas para la integración de código de bajo nivel y permite una fácil interoperabilidad con otras
librerías científicas.

Figura 1. Dimensiones de un array

Por otro lado, Matplotlib es una librería de visualización de datos que permite crear gráficos de alta calidad y
personalizables en Python. Matplotlib ofrece una amplia gama de estilos y tipos de gráficos, desde simples gráficos
de líneas hasta gráficos de barras, histogramas y gráficos tridimensionales. Con Matplotlib, los programadores
pueden visualizar y comunicar datos de manera efectiva, lo que es esencial en campos como la ciencia de datos,
la investigación y la visualización de resultados.

Figura 1. Dimensiones de un array

En resumen, NumPy y Matplotlib son dos librerías clave en el ecosistema de Python que brindan a los
programadores las herramientas necesarias para realizar cálculos numéricos complejos y crear visualizaciones
impresionantes. Estas librerías son fundamentales en aplicaciones científicas, de ingeniería y de análisis de datos,
y han demostrado ser herramientas indispensables para aquellos que trabajan en estos campos.

ACTIVIDADES DE LA PRACTICA

1. Ingresar al software Spyder y realizar las siguientes actividades:

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy. np.array(lista): Crea un array a partir de la lista
o tupla lista y devuelve una referencia a él. El número de dimensiones del array dependerá de las listas o tuplas
anidadas en lista
# Array de una dimensión
a1 = np.array([1, 2, 3])
print(a1)
# Se imprime la siguiente matriz [1
2 3]
 |

Una matriz no es más que un array bidimensional. Como ya se ha comentado, NumPy provee ndarray que
se comporta como un array multidimensional con lo que podríamos crear una matriz sin mayor problema.
a.ndim : Devuelve el número de dimensiones del array a.
a.shape : Devuelve una tupla con las dimensiones del array a.
a.size : Devuelve el número de elementos del array a.
a.dtype: Devuelve el tipo de datos de los elementos del array a. Ejemplo
1

Ejemplo 2
 |

2. Generación de matrices con Valores equiespaciados:

Ejemplo 1

Ejemplo 2
 |

3. Filtrado de elementos de un array:

Una característica muy útil de los arrays es que es muy fácil obtener otro array con los elementos que cumplen
una condición. a[condicion]: Devuelve una lista con los elementos del array a que cumplen la condición
condicion. Observar los siguientes ejemplos para un mejor entendimiento:
Ejemplo 1
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[(a % 2 == 0)])
# Se imprime la siguiente matriz
[2 4 6] print(a[(a % 2 == 0) & (a
> 2)]) # Se imprime la siguiente
matriz
[2 4]

Ejemplo 2 Operaciones matemáticas con arrays.

Los operadores matemáticos +, -, *, /, %, ** se utilizan para la realizar suma, resta, producto, cociente, resto
y potencia a nivel de elemento. a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[1, 1, 1], [2, 2, 2]]) print(a + b )
# Se imprime la siguiente matriz
[[2 3 4]
[6 7 8]]

print(a / b)
# Se imprime la siguiente matriz
[[1. 2. 3. ]
[2. 2.5 3. ]]

print(a ** 2)
# Se imprime la siguiente matriz
[[ 1 4 9]
[16 25 36]]

Revisar el siguiente enlace para conocer más sobre el uso de la Liberia Numpy.
https://notebook.community/jorgemauricio/INIFAP_Course/ejercicios/Numpy/5_Ejercicios%20Numpy-Solucion

Ejercicio 1: Operaciones con Arreglos NumPy

1. Crea dos arreglos NumPy a y b con números enteros de igual longitud. Luego, realiza las siguientes
operaciones y muestra los resultados:

Suma de a y b. Resta de a y b.
Multiplicación de a por un número escalar (elige cualquier número).
División de a por un número escalar (elige cualquier número).
Asegúrate de imprimir los resultados para cada operación.
 |

Ejercicio 2: Estadísticas con NumPy

2. Crea un arreglo NumPy datos con al menos 10 números enteros o flotantes. Luego, realiza las siguientes
operaciones y muestra los resultados:

Calcula la suma de los datos.

Calcula el promedio de los datos.
Encuentra el valor máximo y mínimo en el arreglo.
Calcula la desviación estándar de los datos.

RUBRICA DE EVALUACIÓN:

5
Criterio 0 puntos 1 punto 2 puntos 3 puntos 4 puntos puntos

Insuficiente Excelente
comprensión del Conocimiento Conocimiento Buen conocimiento conocimiento del
Conocimiento tema. básico del tema. adecuado del tema. del tema. tema.

Aplicación

Aplica de manera Aplica de manera

No aplica los Aplica algunos Aplica la mayoría efectiva los excepcional los
conceptos y conceptos y de los conceptos y conceptos y conceptos y
principios principios principios principios principios
aprendidos. aprendidos. aprendidos. aprendidos. aprendidos.

No demuestra Muestra un
habilidades de análisis crítico Realiza un análisis Realiza un análisis Realiza un análisis
Análisis crítico análisis crítico. básico. crítico adecuado. crítico sólido. crítico exhaustivo.

REFERENCIAS:
- Varó, A. M., Sevilla, P. G., & Luengo, I. G. (2016). Introducción a la programación con Python 3. D -
Universitat Jaume I. Servei de Comunicació i Publicacions. https://elibro.net/es/lc/ister/titulos/51760
- Bibliografía
- Python, C. (s/f). Aprenda a Pensar Como un Programador. Argentinaenpython.com. Recuperado el 10 de
mayo de 2023, de https://argentinaenpython.com/quiero-aprender-python/aprenda-a-pensar-como-
unprogramador-con-python.pdf
 |

RESPONSABILIDADES

APELLIDOS Y CARGO
TIPO FIRMA
NOMBRES

ELABORADO PABLO CATOTA DOCENTE

COORDINADOR
REVISADO GABRIELA VERA
DE CARRERA

COORDINADOR
APROBADO ELIZABETH ORDOÑEZ
ACADÉMICA
 |

DOCENTE: ING. PABLO CATOTA

ESTUDIANTE: Edwin Cárdenas
TEMA: 4° Practica: USO DE LIBRERIAS EN PYTHON “NUMPY”

Introducción al Uso de la Biblioteca NumPy en Python:

NumPy, abreviatura de "Numerical Python", es una potente biblioteca en el ecosistema de Python

diseñada para manipulación eficiente de datos numéricos y cálculos científicos. Desde su introducción,
NumPy se ha convertido en una piedra angular para el desarrollo en áreas como ciencia de datos,
aprendizaje automático, simulación y análisis matemático.

En el corazón de NumPy se encuentra el objeto array, que permite la representación de datos en forma de
matrices multidimensionales. Estos arreglos no solo son eficientes en términos de rendimiento, sino que
también facilitan la realización de operaciones matemáticas y manipulaciones de datos de manera
vectorizada.

DESARROLLO

1. Ingresar al software Spyder y realizar las siguientes actividades:

Creación de arrays
Para crear un array se utiliza la siguiente función de NumPy. np.array(lista): Crea un array a partir de la lista
o tupla lista y devuelve una referencia a él. El número de dimensiones del array dependerá de las listas o tuplas
anidadas en lista
# Array de una dimensión
a1 = np.array([1, 2, 3])
print(a1)
# Se imprime la siguiente matriz [1 2 3]
Una matriz no es más que un array bidimensional. Como ya se ha comentado, NumPy provee ndarray que se
comporta como un array multidimensional con lo que podríamos crear una matriz sin mayor problema. a.ndim :
Devuelve el número de dimensiones del array a.
a.shape : Devuelve una tupla con las dimensiones del array a.
a.size : Devuelve el número de elementos del array a.
a.dtype: Devuelve el tipo de datos de los elementos del array a. Ejemplo 1

Ejemplo 2
 |

EJEMPLOS REALIZADOS

2 Generación de matrices con Valores equiespaciados:

Ejemplo 1
 |

EJEMPLOS REALIZADOS

Ejemplo 2

EJEMPLOS REALIZADOS
 |

3.-. Filtrado de elementos de un array:

Una característica muy útil de los arrays es que es muy fácil obtener otro array con los elementos que cumplen
una condición. a[condicion]: Devuelve una lista con los elementos del array a que cumplen la condición
condicion. Observar los siguientes ejemplos para un mejor entendimiento:
Ejemplo 1
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a[(a % 2 == 0)])
# Se imprime la siguiente matriz
[2 4 6] print(a[(a % 2 == 0) & (a
> 2)]) # Se imprime la siguiente
matriz
[2 4]

Ejemplo 2 Operaciones matemáticas con arrays.

Los operadores matemáticos +, -, *, /, %, ** se utilizan para la realizar suma, resta, producto, cociente, resto
y potencia a nivel de elemento. a = np.array([[1, 2, 3], [4, 5, 6]]) b = np.array([[1, 1, 1], [2, 2, 2]]) print(a + b )
# Se imprime la siguiente matriz
[[2 3 4]
[6 7 8]]

print(a / b)
# Se imprime la siguiente matriz
[[1. 2. 3. ]
[2. 2.5 3. ]]

print(a ** 2)
# Se imprime la siguiente matriz
[[ 1 4 9]
[16 25 36]]

EJEMPLOS REALIZADOS
 |

Ejercicio 1: Operaciones con Arreglos NumPy

1. Crea dos arreglos NumPy a y b con números enteros de igual longitud. Luego, realiza las siguientes
operaciones y muestra los resultados:

Suma de a y b. Resta de a y b.
Multiplicación de a por un número escalar (elige cualquier número).
División de a por un número escalar (elige cualquier número).
Asegúrate de imprimir los resultados para cada operación.
EJEMPLOS REALIZADOS
 |

Ejercicio 2: Estadísticas con NumPy

2. Crea un arreglo NumPy datos con al menos 10 números enteros o flotantes. Luego, realiza las siguientes
operaciones y muestra los resultados:

Calcula la suma de los datos.

Calcula el promedio de los datos.
Encuentra el valor máximo y mínimo en el arreglo.
Calcula la desviación estándar de los datos.

EJEMPLOS REALIZADOS
 |

CONCLUSIONES
En conclusión, el uso de la biblioteca NumPy en Python proporciona una poderosa herramienta para la
manipulación eficiente de datos numéricos y la realización de operaciones matemáticas y estadísticas. Algunas
de las principales ventajas y conclusiones sobre el uso de NumPy incluyen:

1. Eficiencia en Cálculos Numéricos: NumPy está implementado en C y Fortran, lo que garantiza un

rendimiento óptimo en operaciones numéricas y manipulación de datos.

2. Representación de Datos Multidimensionales: La capacidad de trabajar con arrays multidimensionales

facilita la representación de datos complejos y la realización de operaciones a lo largo de múltiples
dimensiones.

3. Sintaxis Concisa y Vectorización: La sintaxis de NumPy permite realizar operaciones en arrays completos
de manera vectorizada, evitando la necesidad de bucles explícitos y mejorando la legibilidad del código.