Numpy — Iniciación

Este curso está dirigido a personas con conocimientos básicos de Python que se inician en el análisis numérico y quieren incorporar NumPy a su flujo de trabajo con datos. A lo largo de las 8 horas, el participante aprenderá a crear y caracterizar arrays, a navegar por sus elementos mediante indexación y slicing, a realizar operaciones aritméticas vectorizadas y a comprender el mecanismo de broadcasting en sus formas más habituales; además, aplicará las principales funciones estadísticas descriptivas tanto de forma global como por eje, y aprenderá a reconocer e interpretar los errores más frecuentes asociados a formas y tipos de array. El curso culmina con un flujo guiado de análisis estadístico básico sobre un dataset real en formato array, de modo que al finalizar el participante será capaz de inspeccionar, limpiar y resumir datos numéricos de manera autónoma utilizando NumPy como herramienta central.

1. Identificar los atributos estructurales de un array de NumPy y describir la información que cada uno proporciona sobre su forma, dimensiones y tipo de dato.
2. Crear arrays 1D y 2D mediante las funciones de construcción más habituales de NumPy, ajustando sus parámetros en función del resultado esperado.
3. Extraer elementos, filas, columnas y submatrices de arrays 1D y 2D aplicando indexación y slicing básico.
4. Ejecutar operaciones aritméticas elemento a elemento entre arrays de igual forma y entre un array y un escalar, verificando la corrección de los resultados.
5. Describir el comportamiento del broadcasting en escenarios simples, identificando qué dimensiones se expanden y por qué la operación es válida.
6. Calcular métricas estadísticas descriptivas sobre arrays numéricos utilizando las funciones de agregación de NumPy, tanto de forma global como desagregada por eje.
7. Diagnosticar el tipo y la causa de los errores más comunes que aparecen al operar con arrays, relacionándolos con problemas de forma o de tipo de dato.
8. Ejecutar un flujo completo de análisis estadístico básico sobre un dataset numérico en formato array —carga, inspección, limpieza condicional y cálculo de estadísticos— siguiendo un esquema de pasos estructurado.

Bloque 1 — Estructura y creación de arrays. El curso arranca con los fundamentos del modelo de datos de NumPy: qué es un ndarray, cómo se representa internamente y qué atributos (shape, dtype, ndim, size) permiten describir su estructura de forma precisa. Sobre esa base conceptual se trabaja la creación de arrays 1D y 2D mediante np.array, np.zeros, np.ones, np.arange y np.linspace, poniendo el foco en el significado de cada parámetro y en los casos de uso típicos de cada función constructora.

Bloque 2 — Acceso y operaciones vectorizadas. Una vez que el participante sabe crear arrays bien definidos, el bloque aborda las técnicas de acceso a sus contenidos: indexación posicional, rangos con slicing y extracción de filas, columnas y submatrices en arrays bidimensionales. A continuación se introducen las operaciones aritméticas elemento a elemento —suma, resta, multiplicación y división— entre arrays de igual forma y entre un array y un escalar, mostrando en qué consiste la vectorización y por qué evita bucles explícitos. El bloque cierra con el broadcasting simple: se analiza cómo NumPy expande dimensiones de forma implícita al operar un escalar con un array 1D o 2D, y se establecen las reglas que determinan cuándo esta expansión es posible sin error.

Bloque 3 — Estadística descriptiva y diagnóstico de errores. Este bloque cubre las funciones de agregación más habituales (np.mean, np.median, np.std, np.min, np.max, np.sum), haciendo especial hincapié en el uso del parámetro axis para obtener resultados por filas o por columnas. Seguidamente se aborda el diagnóstico de errores: a partir de fragmentos de código defectuosos se practica la identificación de ValueError, IndexError y TypeError, relacionando cada excepción con la incompatibilidad de formas o tipos que la provoca.

Bloque 4 — Flujo integrador de análisis estadístico. El curso concluye con un caso práctico guiado que integra todos los aprendizajes anteriores. El participante recorre las etapas de un análisis numérico básico sobre un dataset real en formato array: carga e inspección de atributos, detección y filtrado de valores problemáticos mediante una condición simple, y cálculo e interpretación de los estadísticos descriptivos más relevantes. Este ejercicio integrador proporciona un esquema de trabajo reproducible y directamente aplicable a problemas reales de ciencia de datos.

• Python 3.9 o superior instalado en el equipo.
• NumPy 1.24 o superior (pip install numpy).
• Jupyter Notebook o JupyterLab para ejecutar los ejercicios interactivos (pip install notebook); como alternativa se acepta VS Code con la extensión Jupyter.
• Acceso a los notebooks y datasets del curso, distribuidos a través del repositorio indicado en la plataforma.
• Conexión a internet para la descarga inicial del material; el resto del curso puede completarse sin conexión.

Para aprovechar este curso el participante debe manejar Python con soltura en los siguientes aspectos: tipos de datos básicos (enteros, flotantes, cadenas y booleanos), estructuras de datos nativas (listas y diccionarios), estructuras de control (bucles for y condicionales if/else), definición y llamada de funciones, y uso elemental de Jupyter Notebook o de un entorno de ejecución de scripts equivalente. No se requiere experiencia previa con NumPy ni con ninguna otra biblioteca de análisis de datos.