Lo que antes eran filas, ahora son columnas. Transponer una matriz es un paso obligatorio en c谩lculo de Redes Neuronales.
import numpy as np
tabla = np.array([[1, 2],
[3, 4]])
# 馃攧 Girar la matriz
transpuesta = tabla.T
print(transpuesta)
# [[1, 3],
# [2, 4]]
馃搶 GUARDA esta joya matem谩tica. Literalmente es a帽adir un .T a tu c贸digo.
馃憞 Comenta "IA" y te pasar茅 por DM contenido brutal sobre programaci贸n en mi canal.
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]
馃搶 GUARDA este comando para cuando estudies concurrencia y multiprocessing.
馃憞 Si intento dividir un array de 5 elementos en 3 partes... ¿qu茅 crees que pasar谩? ¡Te leo!
¿Solo quieres los primeros 3 registros de una base de datos gigante? Usa "Slicing" (Rebanado).
import numpy as nphistorial = np.array([10, 20, 30, 40, 50])# 馃敧 Cortar desde el inicio hasta el 铆ndice 3 (sin incluir)top_tres = historial[0:3]print(top_tres) # [10, 20, 30]
Los arrays en Python empiezan a contar desde el cero. Si olvidas esto, borrar谩s el dato equivocado en producci贸n.
Si intentas multiplicar una lista normal en Python, solo se duplica. Con NumPy, aplicas matem谩ticas a todos los elementos al instante (Vectorizaci贸n).
import numpy as npprecios = np.array([10, 20, 30])# 馃捀 Aplicar un 21% de IVA a TODOS a la vezprecios_con_iva = precios * 1.21print(precios_con_iva)
Antes de operar con millones de registros, necesitas saber qu茅 forma tienen. ¿Es una l铆nea, una tabla o un cubo?
import numpy as np
tabla = np.array([[1, 2], [3, 4], [5, 6]])
print(tabla.ndim) # 2 (Dimensiones: filas y columnas)
print(tabla.shape) # (3, 2) -> 3 filas, 2 columnas
馃搶 GUARDA esto: shape ser谩 el comando que m谩s uses para depurar errores en Machine Learning.
馃憞 ¿Cu谩ntas dimensiones tiene una imagen a color? ¡D茅jalo en los comentarios!
Ayer aprendimos a tomar decisiones (L贸gica if). Hoy vamos a aprender a repetir esas decisiones autom谩ticamente sin cansarnos.
Si est谩s buscando una forma divertida y pr谩ctica de iniciarte en la tecnolog铆a, si quieres introducir a tus hijos en el pensamiento l贸gico, o eres un docente buscando material estructurado para tus clases... ¡esto te interesa!
A los programadores, cada vez que queremos entrar en una nueva empresa, parece que se nos exige haber ido a Mordor a recuperar el Anillo 脷nico, volver ilesos y, adem谩s, dominar tres lenguajes alien铆genas. 馃♂️馃寢
Normalmente, quienes redactan las ofertas o los empresarios que buscan cubrir un puesto, no eval煤an lo que el proyecto necesita de forma realista. Nos encontramos a diario con situaciones que debemos dejar de normalizar:
馃敼 La paradoja del tiempo: Exigen 5 o m谩s a帽os de experiencia en tecnolog铆as o frameworks que apenas llevan un par de a帽os en el mercado. 馃敼 El "Junior" Senior: Piden a帽os demostrables y un stack tecnol贸gico interminable para puestos que catalogan como Junior. 馃敼 El desarrollador orquesta: Buscan que sepas de todo para contratar a menos personas, oblig谩ndote a cubrir el trabajo de un departamento entero sin la remuneraci贸n que corresponder铆a.
馃挕 La clave est谩 en la l贸gica, no en la sintaxis En los puestos tecnol贸gicos, de programaci贸n o desarrollo, lo que realmente se debe valorar en un candidato es su l贸gica de programaci贸n, su capacidad de an谩lisis y su habilidad para resolver problemas.
Da igual el lenguaje exacto en el que programes hoy. Si tienes una base s贸lida, entiendes c贸mo estructurar un flujo de datos y c贸mo dise帽ar una base de datos eficiente, puedes desenvolverte en la sintaxis de otros lenguajes. Solo se necesita revisar la documentaci贸n, un poco de tiempo y la pr谩ctica del trabajo diario.
En el mundo real, los desarrolladores no programamos de memoria. Nos apoyamos en la documentaci贸n oficial, buscadores, Inteligencia Artificial y la comunidad. El c贸digo se entiende, la l贸gica se aplica, y poco a poco el trabajo fluye con mayor soltura.
⚠️ El talento descartado Si las empresas no cambian su enfoque, seguir谩n quej谩ndose de que "no encuentran talento". Hoy en d铆a se descartan perfiles brillantes por no conocer un algoritmo de pizarra que jam谩s usar谩n en producci贸n, por no tener experiencia en un framework residual, por la edad, o simplemente por sistemas autom谩ticos (ATS) mal configurados. Si dieran la oportunidad, ver铆an el inmenso valor que estas personas pueden aportar.
馃憞 ¡Es hora de dejar de normalizar ofertas imposibles y empezar a valorar a los verdaderos solucionadores de problemas!
¿Qu茅 consideras m谩s efectivo para evaluar a un candidato en una prueba t茅cnica: un desaf铆o algor铆tmico puro (tipo LeetCode) o un proyecto peque帽o que eval煤e la arquitectura, la l贸gica del c贸digo y el dise帽o de la base de datos? ¡Te leo en los comentarios! 馃挰
Seguimos optimizando c贸mo manejas grandes vol煤menes de datos. Ya vimos las List Comprehensions (creaci贸n r谩pida) y las Generator Expressions (ahorro de memoria). Es el momento de llevar ese ahorro a tus propias funciones.
¿Sab铆as que una funci贸n est谩ndar calcula todos los resultados, los guarda en una lista en la RAM y luego te los devuelve? Si la lista es enorme, tu programa puede colapsar por falta de memoria. Mira este contraste visual: import sys # ❌ FUNCI脫N EST脕NDAR (Guarda todo en RAM) def cuadrado_lista(n): resultado = [] for i in range(n): resultado.append(i * i) return resultado # Devuelve la lista completa n = 10_000_000 # 10 millones p1_lista = cuadrado_lista(n) #print(p1_lista) # ¡Cuidado si lo imprimes! print(f"RAM Lista (est谩ndar): {sys.getsizeof(p1_lista) / 1024 / 1024:.2f} MB") # Salida: ~80-90 MB (dependiendo de tu arquitectura) La alternativa Pythonic es usar una Funci贸n Generadora. En lugar de un return final, usas la palabra clave yield dentro de un bucle. yield pausa la ejecuci贸n, devuelve el valor actual y "recuerda" el estado para continuar justo donde se qued贸 la pr贸xima vez que se lo pidas con next(). # ✅ FUNCI脫N GENERADORA (Calcula bajo demanda ✨) def cuadrado_generador(n): for i in range(n): yield i * i # Devuelve el valor, pausa y recuerda estado p2_gen = cuadrado_generador(n) # No calcula nada a煤n #print(p2_gen) # Salida: <generator object...> print(f"RAM Objeto Generador: {sys.getsizeof(p2_gen)} bytes") # Salida: ~100-200 bytes (¡Pr谩cticamente nada!) ¿Por qu茅 usar yield y Funciones Generadoras? Consumo de RAM 铆nfimo: Procesas flujos de datos gigabytes o infinitos sin saturar la memoria, ya que solo guardas el estado actual de la funci贸n. C谩lculo perezoso (Lazy Evaluation): Ideal para procesar archivos l铆nea por l铆nea, data streams, o cuando solo necesitas los primeros resultados de una b煤squeda compleja. Encadenamiento elegante: Puedes crear pipelines de datos encadenando generadores para transformaciones eficientes. ¡Deja de acumular datos y empieza a fluir con ellos usando yield! 馃殌馃捑 M谩s trucos de rendimiento y buenas pr谩cticas aqu铆 馃憞 馃帴 https://www.youtube.com/@josecodetech/
Hasta ahora le dec铆amos a Python: "haz esto, imprime aquello". Hoy vamos a cambiar las reglas del juego. 馃殌
Mientras en los v铆deos vemos la implementaci贸n en vivo, en el libro tienes la estructura te贸rica, las f贸rmulas explicadas y los flujos profesionales (como los Pipelines) para consultar a tu propio ritmo.
¿C贸mo aprender谩s?
Teor铆a y Pr谩ctica: Sigue el libro paso a paso.
Apoyo Visual: Mira los v铆deos que acompa帽an a cada tema en esta lista de reproducci贸n: 馃憞
▶️
Consigue tu copia digital en Amazon:
馃憠
¡Gracias por el apoyo de siempre! @josecodetech 馃懆馃捇
¿Sigues escribiendo clases simples para almacenar datos y te pasas la mitad del tiempo definiendo m茅todos repetitivos como __init__, __repr__, y __eq__?
Si trabajas escribiendo c贸digo (ya sea en equipo o t煤 solo), no saber usar GIT es como escribir un libro sin ir guardando los cambios. ¡Es la herramienta obligatoria para cualquier desarrollador!
Para ayudarte a dar el paso, acabo de activar el cup贸n JOSECODETECHFEB26 en mi curso "GIT para Desarrolladores" en Udemy. Con este enlace tienes garantizado el MEJOR PRECIO disponible y, al terminar, obtendr谩s tu Certificado Oficial de Udemy para lucir en tu curr铆culum o LinkedIn. 馃帗
馃憞 Aprovecha el descuento m谩ximo aqu铆:
馃敆
馃巵 ¿QUIERES M脕S RECURSOS GRATUITOS? Mi objetivo es que nunca dejes de aprender, por eso te recuerdo que tienes a tu disposici贸n:
馃搨 Mi Repositorio de GitHub: Todo el c贸digo y los ejemplos que utilizo en mis cursos est谩n en abierto para que los descargues y practiques por tu cuenta.
馃憠
馃摵 Mi Canal de YouTube: Decenas de v铆deos, tutoriales y cursos completos (¡como el de Machine Learning!) totalmente gratis.
馃憠
馃檹 ¡UN PEQUE脩O FAVOR! Crear todo este contenido, tanto el gratuito como el premium, lleva much铆simas horas de dedicaci贸n. La mejor forma de apoyarme para que pueda seguir creando material es compartiendo esta publicaci贸n, recomend谩ndola a tus compa帽eros de sector, o simplemente dejando un "Me gusta" y un comentario. ¡Me ayuda much铆simo a llegar a m谩s gente! 馃攧馃挋
¡Nos vemos en la terminal de comandos! 馃懆馃捇馃懇馃捇
