Cordiales saludos


<center>
![0_29_portada.png](https://files.peakd.com/file/peakd-hive/rafaelaquino/23vsmuQMsaPzddbnjePRS8JyJNWNJLWESKeGnDqTChSVt3V98PkL1TKjDs4rZitA3GZV2.png)
</center>


Comencemos entrando a nuestro entorno virtual y luego ejecutando ```jupyter lab```
```
rafael@HP:~$ 
rafael@HP:~$ cd .gitlab/datascience/
rafael@HP:~/.gitlab/datascience$ 
rafael@HP:~/.gitlab/datascience$ source env/bin/activate
(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ jupyter lab
```


Para comenzar importamos la librería de **numpy** 
<center>
![0_29_jupyter_02.png](https://files.peakd.com/file/peakd-hive/rafaelaquino/245T7gAL22PfREShBgoH7qbvBxqQMjYu8XpH7w4y1KuWUz8JVqYNeBYdHKroaggzRTdpF.png)
</center>


```python
import numpy as np
```
## Generar una matriz con un rango de fecha

Podemos crear un rango de fecha en formato de dos dimensiones.
```python
np.arange('2024-01', '2024-02', dtype='datetime64[D]')
```
```
    array(['2024-01-01', '2024-01-02', '2024-01-03', '2024-01-04',
           '2024-01-05', '2024-01-06', '2024-01-07', '2024-01-08',
           '2024-01-09', '2024-01-10', '2024-01-11', '2024-01-12',
           '2024-01-13', '2024-01-14', '2024-01-15', '2024-01-16',
           '2024-01-17', '2024-01-18', '2024-01-19', '2024-01-20',
           '2024-01-21', '2024-01-22', '2024-01-23', '2024-01-24',
           '2024-01-25', '2024-01-26', '2024-01-27', '2024-01-28',
           '2024-01-29', '2024-01-30', '2024-01-31'], dtype='datetime64[D]')
```

## Matriz identidad

Otra forma de generar la matriz identidad es con ```np.eye()``` 

```python
np.eye(4, dtype=int)
```
```
    array([[1, 0, 0, 0],
           [0, 1, 0, 0],
           [0, 0, 1, 0],
           [0, 0, 0, 1]])
```

```python
np.eye(4)

    array([[1., 0., 0., 0.],
           [0., 1., 0., 0.],
           [0., 0., 1., 0.],
           [0., 0., 0., 1.]])

```

## Repaso matriz Identidad

Esta forma de generar la matriz identidad ya la habíamos visto en este curso
```python
np.identity(4)
```
    array([[1., 0., 0., 0.],
           [0., 1., 0., 0.],
           [0., 0., 1., 0.],
           [0., 0., 0., 1.]])

```python
np.identity(4, dtype=int)
```

    array([[1, 0, 0, 0],
           [0, 1, 0, 0],
           [0, 0, 1, 0],
           [0, 0, 0, 1]])

## randint

Podemos generar una matriz con números aleatorios, en este caso generamos una matriz de 5 por 5 con números aleatorios entre el 1 y 10.

```python
np.random.randint(1,10,(5,5))
```
    array([[9, 1, 5, 3, 6],
           [2, 1, 9, 9, 1],
           [2, 6, 7, 3, 9],
           [2, 1, 1, 6, 9],
           [2, 2, 2, 2, 1]])

## Suma de matrices
Con ```np.random.randint()``` generamos dos matrices para realizar la suma de matrices.
```python
matriz = np.random.randint(1,50,(3,3))
matriz
```
    array([[17,  8, 37],
           [12,  2, 27],
           [41, 21, 25]])

```python
matriz2 = np.random.randint(1,50,(3,3))
matriz2
```
    array([[ 9, 16, 40],
           [43, 27, 33],
           [ 2, 39, 33]])

## Sumando matriz + matriz2

Con el concepto de *suma de matrices* se realiza la operación de sumar cada uno de sus elementos.

```python
matriz + matriz2
```
    array([[26, 24, 77],
           [55, 29, 60],
           [43, 60, 58]])

## max(), min(),sum()

Podemos encontrar el máximo valor de la matriz; el menor valor de la matriz y la suma de todos sus valores. 
```python
matriz3 = np.random.randint(1,50,(3,3))
matriz3
```
    array([[ 6, 18, 25],
           [ 7, 35, 48],
           [35, 31,  9]])

```python
matriz3.max()
```
    48

```python
matriz3.min()
```
    6

```python
matriz3.sum()
```

    214

## Ejercicios Varios


```python
lista=([ [1,2,3],[4,5,6] ])
m=np.array(lista)
m
```
    array([[1, 2, 3],
           [4, 5, 6]])

```python
m2=np.array([ [10,20,30],[40,50,60], [70,80,90] ])
m2
```
    array([[10, 20, 30],
           [40, 50, 60],
           [70, 80, 90]])

###### Matriz diagonal

```python
m3=np.diag(np.diag(m2))
m3
```

    array([[10,  0,  0],
           [ 0, 50,  0],
           [ 0,  0, 90]])

```python
m4=np.diag([1,2,3,4,5,6,7,8])
m4
```

    array([[1, 0, 0, 0, 0, 0, 0, 0],
           [0, 2, 0, 0, 0, 0, 0, 0],
           [0, 0, 3, 0, 0, 0, 0, 0],
           [0, 0, 0, 4, 0, 0, 0, 0],
           [0, 0, 0, 0, 5, 0, 0, 0],
           [0, 0, 0, 0, 0, 6, 0, 0],
           [0, 0, 0, 0, 0, 0, 7, 0],
           [0, 0, 0, 0, 0, 0, 0, 8]])

```python
m4.shape
```
    (8, 8)



###### Creando matrices con full() 

```python
m5=np.full((3,3),100)
m5
```
    array([[100, 100, 100],
           [100, 100, 100],
           [100, 100, 100]])

###### Creando matrices con ones()

```python
m6=np.ones((3,3))
m6
```
    array([[1., 1., 1.],
           [1., 1., 1.],
           [1., 1., 1.]])

```python
m7=np.ones((3,3), dtype=int)
m7
```
    array([[1, 1, 1],
           [1, 1, 1],
           [1, 1, 1]])

###### Creando matrices con zeros()

```python
m8=np.zeros((3,3))
m8
```

    array([[0., 0., 0.],
           [0., 0., 0.],
           [0., 0., 0.]])


```python
m9=np.zeros((3,3), dtype=int)
m9
```

    array([[0, 0, 0],
           [0, 0, 0],
           [0, 0, 0]])

###### Creando matrices con arange()

```python
m10=np.array([np.arange(4),np.arange(4)])
m10
```

    array([[0, 1, 2, 3],
           [0, 1, 2, 3]])


```python
list1=np.arange(3)
list2=np.arange(3)
m11=np.array([list1,list2])
m11
```

    array([[0, 1, 2],
           [0, 1, 2]])

###### Subarrreglos

```python
m12 = np.array([
    [9,8,7,6],
    [5,4,3,2]
])
m12
```

    array([[9, 8, 7, 6],
           [5, 4, 3, 2]])


```python
m12[1]
```

    array([5, 4, 3, 2])

```python
m12[:,0]
```
    array([9, 5])



###### Posiciones (selección de valores)

```python
m12[0,0]
```
    9

```python
m12[0,1]
```
    8
```
```

---


En esta publicacíón se repasaron temas anteriores que puedes revisar en:
✅ [Arreglos Bidimensionales](https://peakd.com/hive-154226/@rafaelaquino/data-science-n015-numpy-arreglos-bidimensionales)
✅ [Arreglos Bidimensionales - continuación](https://peakd.com/hive-154226/@rafaelaquino/data-science-n016-numpy-arreglos-bidimensionales-continuacion)

## Ampliando conocimientos

Todo el código generado en **Markdown** para esta publicación lo realicé de la siguiente manera.


<center>
![0_29_markdown.png](https://files.peakd.com/file/peakd-hive/rafaelaquino/EpXHVv9ieumXxVD93kejZrmHZBnx4WG6vWspexFVYDziFHFbvYE67ZDacPWAbMYqgbJ.png)
</center>

## Actualizando el repositorio

Este apartado te permite practicar git. Poco a poco de darás cuenta de la utilidad y lo importante para trabajar en este mundo de la programación e informática.

~~~
(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ git status
En la rama main
Tu rama está actualizada con 'origin/main'.

Archivos sin seguimiento:
  (usa "git add <archivo>..." para incluirlo a lo que se será confirmado)
	29_ejercicios.ipynb

no hay nada agregado al commit pero hay archivos sin seguimiento presentes (usa "git add" para hacerles seguimiento)
(env) rafael@HP:~/.gitlab/datascience$ git add 29_ejercicios.ipynb 
(env) rafael@HP:~/.gitlab/datascience$ 
(env) rafael@HP:~/.gitlab/datascience$ git commit -m "add 29_ejercicios"
[main 6ceba72] add 29_ejercicios
 1 file changed, 870 insertions(+)
 create mode 100644 29_ejercicios.ipynb
(env) rafael@HP:~/.gitlab/datascience$ git push
Username for xxxxxxxxxxxxxxxxxxxx
Password for xxxxxxxxxxxxxxxxxxxx 
Enumerando objetos: 4, listo.
Contando objetos: 100% (4/4), listo.
Compresión delta usando hasta 4 hilos
Comprimiendo objetos: 100% (3/3), listo.
Escribiendo objetos: 100% (3/3), 3.20 KiB | 1.60 MiB/s, listo.
Total 3 (delta 1), reusados 0 (delta 0), pack-reusados 0
To https://gitlab.com/btcsiraquino/datascience.git
   74f5cdb..6ceba72  main -> main
(env) rafael@HP:~/.gitlab/datascience$ 

~~~

Hasta aquí nuestra publicación, hasta la próxima semana.

---
Para ver todas la publicaciones del Curso de Data Science, puedes entrar a:
📍 https://siraquino.github.io/pythoncumanes/datascience.html

Todos a programar!
[Rafael Aquino](https://twitter.com/Rafa_elaquino)
Bogotá / Colombia