🚀 DÍA 15/30: Encuentra y reemplaza datos corruptos al vuelo.

Tienes un sistema de sensores donde a veces se registran valores negativos por error. Con np.where, puedes limpiarlos instantáneamente.

import numpy as np

sensores = np.array([25, 26, -5, 24, -2])

# 🛠️ np.where(condición, valor_si_verdadero, valor_si_falso)
sensores_limpios = np.where(sensores < 0, 0, sensores)
print(sensores_limpios) # [25, 26,  0, 24,  0]

📌 GUARDA esta función. Es vital en limpieza de datos para Inteligencia Artificial. 

🚀 DÍA 14/30: El equivalente a "SELECT * WHERE" de SQL, pero en memoria RAM.

Tienes millones de registros y solo quieres los números pares o los usuarios mayores de edad. Las máscaras booleanas son magia.

import numpy as np

edades = np.array([15, 22, 17, 35, 12])

# 🎭 Filtramos directamente poniendo la condición dentro

mayores = edades[edades >= 18]

print(mayores) # [22, 35]

📌 GUARDA este snippet. Filtrar así es hasta 100 veces más rápido que usar bucles FOR.

👇 Etiqueta a alguien que trabaje con bases de datos y necesite este truco.

🚀 DÍA 13/30: Coordenadas precisas en tus tablas bidimensionales.

Acceder a datos en una tabla plana (Filas x Columnas) requiere dos claves. Así se hace en NumPy.

import numpy as np

tabla = np.array([[1, 2, 3],

[4, 5, 6]])

# 📍 [Fila, Columna] (Recuerda: empezamos en 0)

dato = tabla[1, 2]

print("Dato extraído:", dato) # 6

📌 GUARDA este esquema mental: Primero Filas (Y), luego Columnas (X).

👇 ¿Qué código usarías para extraer el número 2? ¡A ver quién acierta primero!