🚀 DÍA 26/30: El mundo real tiene datos vacíos y rotos.

En bases de datos reales, siempre hay celdas vacías (Not a Number = NaN). Si intentas sumar un NaN, tu código entero colapsará.

import numpy as np

datos = np.array([10, 20, np.nan, 40])

# 🛑 Evitar que el NaN rompa la suma
suma_segura = np.nansum(datos)
print(suma_segura) # 70.0

📌 GUARDA esto. nansum, nanmean, nanmax son el chaleco antibalas del Data Engineer. 

👇 ¿Alguna vez un valor nulo/NaN te ha tumbado un proyecto? ¡Cuéntalo abajo! 

#DataEngineering #SoftwareBugs #DatabaseManagement #Python3 #NumPy

🚀 DÍA 25/30: No quiero el valor, quiero saber DÓNDE está.

A veces, saber que el servidor alcanzó 100 grados no sirve. Necesitas saber en qué minuto exacto (el índice) ocurrió.

import numpy as np

temperaturas = np.array([20, 22, 100, 21])

# 📍 Dónde está el valor más alto
indice_max = np.argmax(temperaturas)
print("¡Pico de calor en el minuto:", indice_max, "!")

📌 GUARDA este comando salvavidas. Te ahorrará horas buscando errores en logs.

🚀 DÍA 24/30: Ordenar millones de registros sin que el servidor se cuelgue.

Nunca programes tu propio algoritmo de ordenamiento en producción (a menos que estudies estructuras de datos). Usa el de NumPy, está optimizado en C bajo el capó.

import numpy as np

desorden = np.array([99, 12, 45, 2, 8])

# 🧹 Ordenar de menor a mayor
ordenado = np.sort(desorden)
print(ordenado)

📌 GUARDA esto. Detrás de este comando corre "Quicksort", uno de los algoritmos más rápidos del planeta. 

👇 ¿Sabrías cómo ordenarlo de mayor a menor usando NumPy? ¡Te leo! 

🚀 DÍA 23/30: El número "1" de las matrices.

En álgebra matricial, no puedes dividir. Tienes que multiplicar por la matriz inversa basándote en la Matriz Identidad. NumPy te la genera en milisegundos.

import numpy as np

# 👁️ Matriz de 3x3 con unos en la diagonal
identidad = np.eye(3)
print(identidad)

📌 GUARDA este comando para cuando te toque aplicar transformaciones geométricas en visión artificial

#ComputerVision #MathLogic #DeveloperLife #Code #NumPy

🚀 DÍA 22/30: El corazón del Machine Learning moderno.

¿Sabes cómo calcula ChatGPT la relación entre las palabras? Multiplicando matrices (Producto Punto). Con NumPy, lo haces en una línea.

import numpy as np

pesos = np.array([0.5, 0.8])
inputs = np.array([10, 20])

# 🧠 Multiplicación de matrices (Dot Product)
resultado = np.dot(pesos, inputs)
print("Activación Neuronal:", resultado)

📌 GUARDA la base de la IA. Esto es lo que ocurre millones de veces por segundo en una tarjeta gráfica. 

🚀 DÍA 21/30: Limpiando duplicados a la velocidad de la luz.

Tienes un registro de miles de IPs que visitaron tu servidor. Quieres saber exactamente cuántos usuarios ÚNICOS entraron.

import numpy as np

registros = np.array(["IP_1", "IP_2", "IP_1", "IP_3"])

# 🛡️ Filtrar duplicados
unicos = np.unique(registros)
print(unicos) # ['IP_1' 'IP_2' 'IP_3']

📌 GUARDA este post. Mucho más rápido y eficiente que los sets nativos de Python cuando tratas con gigabytes de información.

🚀 DÍA 20/30: Transformando dimensiones complejas en listas simples.

Cuando pasas una imagen a una Red Neuronal, a veces la IA necesita recibir los píxeles en una sola línea plana. flatten() aplasta tus datos.

import numpy as np

matriz = np.array([[1, 2], [3, 4]])

# 🔨 Aplastar a 1D
plana = matriz.flatten()
print(plana) # [1, 2, 3, 4]
 

📌 GUARDA el código. Este es el último paso antes de alimentar un algoritmo predictivo. 

👇 ¿Conocías este truco o seguías usando bucles anidados para extraer los datos? 

🚀 DÍA 19/30: Dale la vuelta a tu mundo (y a tus tablas).

Lo que antes eran filas, ahora son columnas. Transponer una matriz es un paso obligatorio en cálculo de Redes Neuronales.

import numpy as np

tabla = np.array([[1, 2], 
                  [3, 4]])

# 🔄 Girar la matriz
transpuesta = tabla.T
print(transpuesta) 
# [[1, 3],
#  [2, 4]]

📌 GUARDA esta joya matemática. Literalmente es añadir un .T a tu código. 👇 Comenta "IA" y te pasaré por DM contenido brutal sobre programación en mi canal.

🚀 DÍA 18/30: Cortando el pastel de datos en trozos iguales.

Tienes un array gigante y necesitas repartirlo en 3 procesadores diferentes para procesado paralelo. split es tu herramienta.

import numpy as np

datos_masivos = np.array([10, 20, 30, 40, 50, 60])

# ✂️ Dividir en 3 partes iguales
paquetes = np.split(datos_masivos, 3)
print(paquetes[0]) # El primer procesador se lleva: [10, 20]

📌 GUARDA este comando para cuando estudies concurrencia y multiprocessing. 

👇 Si intento dividir un array de 5 elementos en 3 partes... ¿qué crees que pasará? ¡Te leo! 

🚀 DÍA 17/30: Apilando datos como si fueran bloques de Lego.

A veces no quieres unir listas en una sola línea, sino apilarlas como nuevas filas o columnas.

import numpy as np

fila1 = np.array([1, 2, 3])
fila2 = np.array([4, 5, 6])

# 🧱 Apilar verticalmente (crea una matriz 2D)
bloque = np.vstack((fila1, fila2))
print(bloque)

📌 GUARDA este post. Perfecto para cuando creas reportes mensuales y necesitas añadir la nueva fila. 👇 Comenta "YOUTUBE" para descubrir cómo conecto Python con bases de datos reales. 

🚀 DÍA 16/30: Juntando bases de datos fracturadas.

Cuando descargas datos de dos servidores distintos, necesitas unirlos para analizarlos. NumPy lo hace con concatenate.

import numpy as np

server_eu = np.array([1, 2, 3])
server_us = np.array([4, 5, 6])

global_data = np.concatenate((server_eu, server_us))
print(global_data)

📌 GUARDA el código. Trabajar con múltiples fuentes de datos es el pan de cada día en backend. 👇 ¿Alguna vez has perdido datos intentando unir excels a mano? ¡Cuéntame tu drama!

🚀 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!

🚀 DÍA 12/30: Extrayendo porciones de datos sin romper la matriz.

¿Solo quieres los primeros 3 registros de una base de datos gigante? Usa "Slicing" (Rebanado).

import numpy as np

historial = np.array([10, 20, 30, 40, 50])

# 🔪 Cortar desde el inicio hasta el índice 3 (sin incluir)

top_tres = historial[0:3]

print(top_tres) # [10, 20, 30]

📌 GUARDA el post para cuando necesites procesar lotes de datos pequeños.

👇 Comenta "CODIGO" y te envío el link a mis proyectos en YouTube por DM.

#DataScienceLife #CodingNinja #PythonBackend #NumPyTutorial #LearnToCode

🚀 DÍA 11/30: Cómo acceder a tus datos exactamente donde quieres.

Los arrays en Python empiezan a contar desde el cero. Si olvidas esto, borrarás el dato equivocado en producción.

import numpy as np datos = np.array([10, 20, 30, 40]) print(datos[0]) # Primer elemento (10) print(datos[-1]) # Último elemento (40)

📌 GUARDA el truco del -1. Es la forma más rápida de obtener el dato más reciente sin saber la longitud del array. 👇 ¿Qué número obtienes si escribes datos[2]?

🚀 DÍA 10/30: Conviértete en analista de datos en 3 líneas.

Promedios, medianas y desviaciones estándar. Lo que te tomaría horas en Excel, NumPy lo hace procesando millones de celdas en un parpadeo.

import numpy as np

salarios = np.array([2000, 2500, 2200, 90000]) # 👈 Hay un CEO aquí

print("Promedio:", np.mean(salarios))

print("Mediana real:", np.median(salarios))

💡 Nota: La mediana ignora valores extremos, dándote el valor real.

📌 GUARDA esto para limpiar tus bases de datos SQL.

👇 ¿Por qué el promedio es engañoso en el ejemplo? Te leo.

#DataAnalyst #BasesDeDatos #SQLDeveloper #Python #Stats