forked from numpy/numpy.github.com
-
Notifications
You must be signed in to change notification settings - Fork 0
Expand file tree
/
Copy pathindex.html
More file actions
14 lines (14 loc) · 15.2 KB
/
index.html
File metadata and controls
14 lines (14 loc) · 15.2 KB
1
2
3
4
5
6
7
8
9
10
11
12
13
14
<!doctype html><html lang=es data-colorscheme=light><head><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 - Computación con Arreglos</title><link rel=icon href=/images/favicon.ico><link rel=stylesheet type=text/css href=/theme-css/sphinx-design/index.scss.min.74f9df5084f1d42500c01518dd2a1177f2d233a2e44495db8df386df29231afb.css integrity="sha256-dPnfUITx1CUAwBUY3SoRd/LSM6LkRJXbjfOG3ykjGvs="><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.c3b6bf9e0cc217688124c6400a6d05ba7b8251dcf8e6cc840b05eea38d71cb55.css integrity="sha256-w7a/ngzCF2iBJMZACm0FunuCUdz45syECwXuo41xy1U="><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.25630f06a0100fa9511525cf129ca5843a82d90b3202924e82315ed7769109fd.css integrity="sha256-JWMPBqAQD6lRFSXPEpylhDqC2QsyApJOgjFe13aRCf0="><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.722bfde127e60d62b2c2ddc1820683da4bc3ab3171dc02d7bdda47200cfafd27.css integrity="sha256-civ94SfmDWKywt3BggaD2kvDqzFx3ALXvdpHIAz6/Sc="><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.4b308a26efa8cefb65faf0ee152bd45f69ccf2ad91c1bdf6692be2c39b695fe2.css integrity="sha256-SzCKJu+ozvtl+vDuFSvUX2nM8q2Rwb32aSviw5tpX+I="><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=/arraycomputing/ title=English><link rel=alternate hreflang=pt href=/pt/arraycomputing/ title=Português><link rel=alternate hreflang=ja href=/ja/arraycomputing/ 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="Computación con Arreglos"><meta name=twitter:description content="La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.
La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es Python."></head><body><nav id=nav class=navbar role=navigation aria-label="main navigation"><div class=container><div class=navbar-brand><a class=navbar-item href=/es/><img class="navbar-logo dark-light" src=/images/logo.svg alt="%!s(<nil>) logo"><div class=navbar-logo-text>NumPy</div></a><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=/arraycomputing/ class=navbar-item>English
</a><a href=/pt/arraycomputing/ class=navbar-item>Português
</a><a href=/ja/arraycomputing/ class=navbar-item>日本語 (Japanese)</a></div></div></div></div></div></nav><section class=content-padding><div class=content-container><nav aria-label=Breadcrumb><ul id=breadcrumbs class=bd-breadcrumbs><li class="breadcrumb-item breadcrumb-home"><a href=/es/ class=nav-link aria-label=Home><i class="fas fa-home"></i></a></li><li class="breadcrumb-item active" aria-current=page>Computación con Arreglos</li></ul></nav><h1>Computación con Arreglos</h1><p><em>La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.</em></p><p>La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es <strong>Python.</strong></p><p><strong>Num</strong>erical <strong>Py</strong>thon o NumPy es la biblioteca estándar de-facto del lenguaje de programación Python que soporta arreglos y matrices multidimensionales de gran tamaño, y viene con una amplia colección de funciones matemáticas de alto nivel para operar sobre estos arreglos.</p><p>Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario. Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial.</p><p><img src=/images/content_images/array_c_landscape.png alt=arraycl title="Panorama de la Computación con Arreglos"></p><p>La <strong>computación con arreglos</strong> está basada en los <strong>arreglos</strong> como estructura de datos. <em>Los arreglos</em> son utilizados para organizar grandes cantidades de datos de manera que un conjunto de valores relacionados pueda ordenarse, buscarse, manipularse matemáticamente y transformarse con facilidad y rapidez.</p><p>La computación con arreglos es <em>única</em> ya que implica operar sobre todos los datos del arreglo <em>al mismo tiempo</em>. Esto significa que cualquier operación de arreglos se aplica a un conjunto completo de valores de una sola vez. Este enfoque vectorial proporciona velocidad y simplicidad, al permitir a los programadores codificar y operar sobre los datos agregados, sin tener que utilizar bucles de instrucciones escalares individuales.</p></div><div id=shortcuts-container><div id=shortcuts><div id=shortcuts-header><i class="fa-solid fa-list"></i> On this page</div></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 class=dark-light 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:-5e3px 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>© 2026 NumPy team. All rights reserved.</div></div></div></div></footer></body><link rel=stylesheet href=https://cdnjs.cloudflare.com/ajax/libs/font-awesome/7.0.1/css/all.min.css integrity="sha512-2SwdPD6INVrV/lHTZbO2nodKhrnDdJK9/kg2XD1r9uGqPo1cUbujc+IYdlYdEErWNu69gVcYgdxlmVmzTWnetw==" 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>