Apuntes PDF

Índice general
1 Introducción a Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.1 Instalación de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.2 Manejo básico de Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.3 IPython Notebook. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2 El lenguaje Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1 Aspectos básicos del lenguaje . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2 Módulos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3 Control de flujo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4 Funciones definidas por el usuario . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 Aspectos avanzados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.1 Algo más sobre funciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Entrada y salida de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
3.3 Más sobre estructuras de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.4 Excepciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4 NumPy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.1 Arrays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.2 Funciones para crear y modificar arrays . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
1
2 ÍNDICE GENERAL
4.3 Slicing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.4 Operaciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.5 Broadcasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
4.6 Otros métodos de interés . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
4.7 Indexación sofisticada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
4.8 Operaciones con slicing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
4.9 Lectura de ficheros . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.10 Búsqueda de información . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4.11 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85
5 SciPy . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.1 Optimización sin restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
5.2 Optimización con restricciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
5.3 Interpolación de datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
5.4 Resolución de ecuaciones diferenciales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
5.5 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
6 Gráficos con Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

6.1 Gráficos interactivos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
6.2 Añadiendo opciones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
6.3 Configurando varios elementos del gráfico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114
6.4 Gráficos y objetos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
6.5 Gráficos 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
6.6 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
7 Programación Orientada a Objetos . . . . . . . . . . . . . . . . . . . . . . . . 129

7.1 Definiendo clases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
7.2 Controlando entradas y salidas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 138
7.3 Ejercicios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142
1 Introducción a Python
Python es un lenguaje de programación creado por Guido Van Rossum

a finales de los ochenta. Su nombre deriva de la afición de su creador al
grupo de humor inglés Monty Python. Se trata de un lenguaje de alto nivel,
interpretado, interactivo y de propósito general cuyo diseño hace especial
hincapié en una sintaxis limpia y una buena legibilidad.
Los lectores con conocimiento de algún lenguaje de programación encon-

trarán en Python un lenguaje sencillo, versátil y que proporciona código fácil-
mente legible. Para aquéllos que no están familiarizados con la programación,
Python supone un primer contacto agradable pues los programas pueden ser
comprobados y depurados con facilidad, permitiendo al usuario concentrarse
más en el problema a resolver que en los aspectos concretos de la programa-
ción.
Aproximadamente a partir de 2005, la inclusión de algunas extensiones

especialmente diseñadas para el cálculo numérico han permitido hacer de
Python un lenguaje muy adecuado para la computación científica, disponiendo
hoy en día de una colección de recursos equivalente a la que podemos encontrar
en un entorno bien conocido como MATLAB, y que continua en permanente
crecimiento.
Python es software de código abierto que está disponible en múltiples

plataformas (GNU/Linux, Unix, Windows, Mac OS, etc.). Se encuentra en la
actualidad con dos versiones en funcionamiento. La mayor parte del código
que se encuentra escrito en Python sigue las especificaciones de la versión 2,
aunque hace ya algún tiempo que la versión 3 se encuentra disponible. En
estas notas se usará la versión 2 del lenguaje.
3
4 Capítulo 1 Introducción a Python
1 1
INSTALACIÓN DE PYTHON
Python viene instalado por defecto en los sistemas Linux y OSX, y se puede
instalar de forma sencilla en los sistemas Windows desde la página oficial
www.python.org. Sin embargo, diversos módulos de interés, y entre ellos, los
dedicados a la programación científica que veremos en los Capítulos 4, 5 y
6, requieren de instalaciones separadas. Existen diversas posibilidades para
realizar la instalación de otros módulos, pero nosotros vamos a optar por una
solución simple y eficiente, que consiste en la instalación de la distribución de
Python anaconda.
anaconda Python es una distribución que contiene el núcleo básico
de Python y un conjunto de módulos entre los que se encuentran todos
los que vamos a emplear en este texto. Además incluye la consola IPyt-
hon y el entorno IPython Notebook que veremos en las siguientes sec-
ciones, entre otras herramientas de interés. La descarga de esta distribu-
ción se puede realizar desde la página de la empresa que la desarrolla
https://www.continuum.io/downloads
Allí encontraremos descargas para los sistemas Linux, Windows y Mac en
versiones para 32 y 64 bits, y en la versión 2.7 o 3.5 de Python. Como hemos
comentado antes, aquí usaremos la versión 2 de Python, por lo que habría que
descargar el instalador para la versión 2.7. En la misma página de descarga
tenemos instrucciones directas para su instalación, que son bastante simples.
Durante la instalación en los sistemas Windows se pregunta si queremos
que el intérprete Python que instala anaconda sea el intérprete por defecto
en el sistema, ya que anaconda convive bien con otras versiones de Python
en el mismo sistema, y si queremos añadir anaconda a la variable PATH.
Responderemos afirmativamente a ambas cuestiones. De igual modo, en los
sistemas Linux se nos pedirá que ajustemos la variable PATH del sistema para
que esté accesible el entorno anaconda.
Una vez instalado, podemos ejecutar el programa anaconda-navigator
que aparece en la lista de programas (en Windows) o desde la consola en
Linux, que nos permitirá ejecutar alguno de los programas que comentaremos
en la siguiente sección.
1 2
MANEJO BÁSICO DE PYTHON
En esta sección veremos algunos aspectos generales relacionados con el uso

del intérprete y la creación de scripts, para, en la siguiente sección describir
el entorno IPython Notebook (ahora denominado Jupyter Notebook) que
recomendamos vivamente para trabajar con Python.
Inicialmente en Python podemos trabajar de dos formas distintas: a través
de la consola o mediante la ejecución de scripts o guiones de órdenes. El primer
1.2 Manejo básico de Python 5
método es bastante útil cuando queremos realizar operaciones inmediatas y

podemos compararlo con el uso de una calculadora avanzada. El uso de scripts
de órdenes corresponde a la escritura de código Python que es posteriormente
ejecutado a través del intérprete.
Para iniciar una consola Python bastará escribir la orden python en una
terminal,1 obteniéndose algo por el estilo:
Python 2.7.9 (default , Mar 1 2015 , 12:57:24)
[GCC 4.9.2] on linux2
Type "help", " copyright ", " credits " or " license " for more
information .
>>>
que nos informa de la versión que tenemos instalada y nos señala el prompt
>>> del sistema, el cual indica la situación del terminal a la espera de órdenes.
Podemos salir con la orden exit() o pulsando las teclas ctrl + D ( ctrl + Z
en Windows)
Una vez dentro del intérprete podemos ejecutar órdenes del sistema, por
ejemplo
>>> print "Hola Mundo "
Hola Mundo
>>>
Obviamente la orden print imprime la cadena de texto o string Hola Mundo
que va encerrada entre comillas para indicar precisamente que se trata de un
string. Una vez ejecutada la orden el intérprete vuelve a mostrar el prompt.
La otra alternativa a la ejecución de órdenes con Python es la creación de

un script. Se trata de un archivo de texto en el que listamos las órdenes Python
que pretendemos ejecutar. Para la edición del archivo nos vale cualquier editor
de texto sin formato. Escribiendo el comando
print "Hola Mundo"
en un archivo,2 lo salvamos con un nombre cualquiera, por ejemplo hola.py,
en el que la extensión ha de ser .py.3 Podemos ejecutar el código sencillamente
escribiendo en una consola la orden python hola.py (obviamente situándonos
correctamente en el path o ruta donde se encuentre el archivo). También es
posible hacer ejecutable el código Python escribiendo en la primera línea del
archivo4
1 En lo que sigue, usaremos un sistema Linux, pero es sencillo adaptarse a otros sistemas.
Por ejemplo en Windows, podemos abrir una terminal con el programa Anaconda Prompt
instalado con la distribución anaconda.
2 Para diferenciar la escritura de órdenes en el intérprete de los comandos que introduci-
remos en los archivos los ilustraremos con fondos de diferente color.

3 Atención, en los sistemas Windows la extensión suele estar oculta, por lo que si creamos
el fichero con Notepad, por ejemplo, a la hora de guardarlo deberíamos seleccionar All Files
en el tipo de archivo. En caso contrario se guardará con extensión .txt.
4 Esto es lo que se conoce como el shebang, y es el método estándar para poder ejecutar un
programa interpretado como si fuera un binario. Windows no tiene soporte para el shebang.
#!/ usr/bin/env python

y dando permisos de ejecución al archivo con la orden chmod a+x hola.py
desde una consola. En tal caso podemos ejecutarlo escribiendo ./hola.py en
una consola.
Se pueden utilizar codificaciones diferentes de la ASCII5 en los scripts de
Python añadiendo justo detrás del shebang la línea
# -*- coding : codificación -*-
donde codificación se refiere al código de caracteres que empleemos (típica-
mente utf-8). El empleo de caracteres no ASCII en un script sin esta línea
produce errores.
Cuando queremos escribir una orden de longitud mayor a una línea debe-
mos usar el carácter de escape \, tanto en el intérprete como en los scripts:
>>> print "esto es una orden \
... de más de una línea"
esto es una orden de más de una línea
>>> 15 - 23 + 38 \
... -20 + 10
20
Aunque en el caso de operaciones aritméticas, la apertura de un paréntesis
hace que no resulte obligatorio el carácter de escape:
>>> (24 + 25
... - 34)
15
1 2 1 Entornos de Desarrollo Integrados

Los denominados IDE (Integrated Development Environment) son progra-
mas que facilitan el desarrollo de código incluyendo típicamente un editor
de código fuente acompañado de una consola o herramientas de compilación
automáticas, y en ocasiones algún complemento de depuración, o listado de
variables presentes, etc. En el caso de Python, existen diversos entornos de
este tipo entre los que podemos citar IDLE, Stani’s Python Editor, Eric IDE,
NinJa IDE, Spyder, entre otros. Este último viene instalado con la distribución
anaconda y se puede ejecutar desde Anaconda Navigator. Son herramientas
interesantes para escribir código de forma más cómoda que el uso aislado de
un editor de texto.
1 2 2 La consola IPython
En lugar del intérprete Python habitual existe una consola interactiva
denominada IPython con una serie de características muy interesantes que
5 Es decir, codificaciones que admiten caracteres acentuados.
1.2 Manejo básico de Python 7
facilitan el trabajo con el intérprete. Entre ellas podemos destacar la presencia

de autocompletado, característica que se activa al pulsar la tecla de tabulación
y que nos permite que al teclear las primeras letras de una orden aparezcan
todas las órdenes disponibles que comienzan de esa forma. También existe un
operador ? que puesto al final de una orden nos muestra una breve ayuda
acerca de dicha orden, así como acceso al historial de entradas recientes con
la tecla
De forma idéntica a la apertura de una consola Python, escribiendo
ipython en un terminal obtenemos:6
Python 2.7.9 (default , Mar 1 2015 , 12:57:24)
Type " copyright ", " credits " or " license " for more information .
IPython 4.2.0 -- An enhanced Interactive Python .

? -> Introduction and overview of IPython 's features .
%quickref -> Quick reference .
help -> Python 's own help system .
object ? -> Details about 'object ', use 'object ??' for extra
details .
In [1]:
Obsérvese que ahora el prompt cambia, y en lugar de >>> aparece In [1]:.

Cada vez que realizamos una entrada el número va aumentando:
In [1]: 23*2
Out [1]: 46
In [2]:
Si como ocurre en este caso, nuestra entrada produce una salida Out[1]:
46, podemos usar la numeración asignada para reutilizar el dato mediante la
variable _1,
In [2]: _1 + 15
Out [2]: 61
que hace referencia al valor almacenado en la salida [1]. O también

In [3]: _ * 2 # _ hace referencia al último valor
Out [3]: 122
In [4]: _2 + _
Out [4]: 183
Además, esta consola pone a nuestra disposición comandos del entorno (cd
, ls, etc.) que nos permiten movernos por el árbol de directorios desde dentro
de la consola, y comandos especiales, conocidos como funciones mágicas que
proveen de funcionalidades especiales a la consola. Estos comandos comienzan
6 Desde Anaconda Navigator disponemos de esta terminal a través de Jupyter QtConsole.
por el carácter % aunque si no interfieren con otros nombres dentro del

sistema se puede prescindir de este carácter e invocar sólo el nombre del
comando. Entre los más útiles está el comando run con el que podemos ejecutar
desde la consola un script de órdenes. Por ejemplo, para ejecutar el creado
anteriormente:
In [5]: run hola.py
Hola Mundo
El lector puede probar a escribir % y pulsar el tabulador para ver un listado

de las funciones mágicas disponibles.
1 3
IPYTHON NOTEBOOK
El IPython Notebook es una variación de la consola IPython, que usa un

navegador web como interfaz y que constituye un entorno de computación
que mezcla la edición de texto con el uso de una consola. El proyecto ha
evolucionado hacia el entorno Jupyter, que soporta otros lenguajes, además de
Python. Es una forma muy interesante de trabajar con Python pues aúna las
buenas características de la consola IPython, con la posibilidad de ir editando
las entradas las veces que sean necesarias. Además, permiten añadir texto en
diferentes formatos (LATEX inclusive) e incluso imágenes, por lo que se pueden
diseñar páginas interactivas con código e información.
Puesto que este es el entorno que preferimos para trabajar, describiremos
con un poco de detalle su funcionamiento general. Para correr el entorno hemos
de escribir en una terminal la orden jupyter notebook, lo que nos abrirá una
ventana en un navegador web, con título Home, con un listado de los notebooks
disponibles y la posibilidad de navegar en un árbol de directorios, así como de
editar ficheros desde el navegador. Los notebooks son ficheros con extensión
.ipynb que pueden ser importados o exportados con facilidad desde el propio
entorno web.
Si no disponemos de un notebook previo, po-
demos crear uno nuevo pulsando sobre el desple-
gable New (arriba a la derecha), eligiendo el tipo
deseado, en nuestro caso Python 2 (véase la figura
adjunta). Esto abre automáticamente una nueva
ventana del navegador a la vez que crea un nuevo
fichero Untitled con extensión .ipynb en la car-
peta donde hemos iniciado el entorno. La nueva
ventana del navegador nos muestra el notebook
creado, en la que podemos cambiar el título fá- Nuevo Notebook
cilmente sin más que clicar sobre el mismo.
El concepto básico del entorno Jupyter son las celdas, que son cuadros
donde insertar texto que puede admitir diferentes formatos de entrada que
1.3 IPython Notebook 9
pueden seleccionarse a través del menú desplegable del centro de la barra de

herramientas (véase la figura adjunta).
Básicamente nos interesan las celdas tipo Code,
que contendrán código en lenguaje Python, y que
aparecerán numeradas como en la consola IPython,
y las de tipo Markdown, en las que podemos escribir
texto marcado por este tipo de lenguaje,7 o inclu-
so texto en formato LATEX, que nos permite añadir
información contextual al código que estemos escri- Tipos de celdas
biendo.
Por ejemplo, si en una celda estilo Markdown escribimos lo siguiente:
# Cabecera
↱
y a continuación pulsamos + , que supone la ejecución del contenido de
la celda, obtendremos:
Cabecera
que es el resultado de interpretar el símbolo # antes de una palabra, que supone
darle formato de título de primer nivel. Si la entrada hubiera sido:
### Cabecera
entonces la salida es:

Cabecera
es decir, el símbolo ### se refiere a una cabecera de tercer nivel. En el menú
del notebook Help Markdown se puede acceder a la sintaxis básica del lenguaje
Markdown.
Cada notebook dispone de una barra de herramientas típica para guardar,

cortar, pegar, etc., y botones para ejecutar el contenido de una celda o para,en
caso de necesidad, interrumpir la ejecución. Otras funciones están accesibles a
través del menú. Aquí sólo citaremos la opción File Make a Copy... , que realiza
una copia del notebook y File Download as que proporciona una exportación
del notebook a un archivo de diverso formato: desde el propio formato .ipynb,
a un fichero .py con el contenido de todas las celdas (las de tipo Markdown
aparecen como comentarios), o también ficheros html o pdf.
Para cerrar un notebook usaremos la opción del menú File Close and Halt .
Para cerrar completamente el entorno debemos volver a la terminal desde la
que ejecutamos la orden jupyter notebook y pulsar ctrl + c ; a continuación
se nos pedirá confirmación para detener el servicio, que habrá que hacer
7 Markdown es un lenguaje de marcado ligero que permite formatear de forma fácil y
legible un texto.
pulsando y . Si por error hemos cerrado la ventana Home del navegador

podemos recuperarla en la dirección http://localhost:8888
Si ya disponemos de un notebook y queremos seguir trabajando sobre él,
podemos abrirlo desde la ventana Home del navegador moviéndonos en el árbol
de directorios hasta encontrarlo. Obsérvese que por restricciones de seguridad,
el servicio no da acceso a directorios por encima del de partida, que coincide
con el directorio desde el que se ha ejecutado la orden jupyter notebook.
Para poder cargar un notebook que no esté accesible de este modo, debemos
usar el botón de Upload que nos permitirá localizar en nuestro ordenador el
fichero adecuado.
Para finalizar con esta breve introducción a Jupyter, queremos hacer
referencia al estupendo conjunto de atajos de teclado disponibles que permite
realizar ciertas tareas de forma rápida, como crear celdas por encima o por
debajo de la celda activa, juntar o dividir el contenido de celdas, definir
el tipo de celda, etc. La información está accesible desde el menú Help
Keyboard shortcuts .
2 El lenguaje Python
En este capítulo comenzaremos a ver los aspectos básicos del lenguaje:

variables, módulos, bucles, condicionales y funciones. Usaremos multitud de
ejemplos para ilustrar la sintaxis del lenguaje y lo haremos desde un entorno
Jupyter Notebook, por lo que el código irá apareciendo en celdas de entrada
y sus correspondientes salidas.
2 1
ASPECTOS BÁSICOS DEL LENGUAJE
Python es un lenguaje dinámicamente tipado, lo que significa que las

variables pueden cambiar de tipo en distintos momentos sin necesidad de
ser previamente declaradas. Las variables son identificadas con un nombre,
que debe obligatoriamente comenzar por una letra y en el que se hace la
distinción entre mayúsculas y minúsculas, y son definidas mediante el operador
de asignación =.
2 1 1 Variables numéricas
Veamos algunos ejemplos:
a = 2 # define un entero
b = 5. # define un número real
c = 3+1j # define un número complejo
d = complex (3 ,2) # define un número complejo
Obsérvese la necesidad de poner un punto para definir el valor como real y

no como entero, el uso de j en lugar de i en los números complejos junto con
la necesidad de anteponer un número, y el uso de la función complex. Nótese
también que la asignación de una variable no produce ninguna salida.
Podemos recuperar el tipo de dato de cada variable con la orden type,
11
12 Capítulo 2 El lenguaje Python
print type(a), type(b), type(c)
<type 'int'> <type 'float'> <type 'complex'>
Como vemos, Python asigna el tipo a cada variable en función de su

definición. Nótese también el uso de la coma con la orden print.
Es importante resaltar la diferencia entre los tipos numéricos, pues si no
somos cuidadosos podemos caer en el siguiente error:
a = 5; b = 2 # definición múltiple de variables
print a+b
print a/b
7
2
Claramente a+b calcula la suma de los valores de las variables, sin embargo
a/b parece que no calcula correctamente la división. En realidad la respuesta
es correcta dado que ambas variables son enteros, y por tanto se realiza la
división entre enteros, que corresponde a la parte entera de la división. Esto
es lo que se conoce como el carácter fuertemente tipado de Python.
Si lo que esperamos es obtener la división real debemos escribir al menos
uno de los números en forma real, lo que se hace con el comando float:
a/ float(b)
2.5
Obsérvese que en esta última entrada no ha hecho falta la orden print

para imprimir el resultado, a diferencia de la entrada anterior. Esto es debido
a que el entorno Jupyter no se comporta exactamente como una consola; si la
entrada consta de una única orden, el resultado es el mismo que en la consola,
pero si en la entrada hay más de una sentencia, entonces sólo se imprimirá la
última, a menos que usemos el comando print.
Cuando Python opera con números de distinto tipo, realiza la operación
transformando todos los números involucrados al mismo tipo, según una
jerarquía establecida que va de enteros a reales y luego a complejos:
a = 3.
b = 2+3j
c = a+b # suma de real y complejo
print c
print type(c)
(5+3j)
<type 'complex'>
2.1 Aspectos básicos del lenguaje 13
Los operadores aritméticos habituales en Python son: + (suma), - (resta), *

(multiplicación), / (división), ** (potenciación, que también se puede realizar
con la función pow), // (división entera), que da la parte entera de la división
entre dos reales, y el operador % (módulo), que proporciona el resto de la
división entre dos números.
Es importante no olvidar el carácter fuertemente tipado que puede obser-
varse en el siguiente ejemplo:
a = 5.; b = 3.
print a/b
print a//b
1.6666666666666667
1.0
Nótese que el resultado de la división entera entre dos reales es un real. Del
mismo modo:
print a % b
print int(a) % int(b)
2.0
2
donde se ha hecho uso de la función de conversión a entero int.
2 1 2 Objetos
Python sigue el paradigma de la Programación Orientada a Objetos
(POO). En realidad, todo en Python es un objeto. Podemos entender un
objeto como un tipo especial de variable en la que no sólo se almacena un
valor, o conjunto de valores, sino para el que tenemos disponible también una
serie de características y de funciones concretas, que dependerán del objeto
en cuestión.
Por ejemplo, si creamos un número complejo
a = 3+2j
estaremos creando un objeto para el cual tenemos una serie de propiedades,

o en el lenguaje de la POO, de atributos, como pueden ser su parte real y su
parte imaginaria:
print a.real
print a.imag
3.0
2.0
Los atributos son características de los objetos a las que se accede mediante
el operador . de la forma objeto.atributo.
Cada tipo de objeto suele tener disponible ciertos métodos. Un método es
una función que actúa sobre un objeto con una sintaxis similar a la de un
atributo, es decir, de la forma objeto.método(argumentos). Por ejemplo, la
operación de conjugación es un método del objeto complejo:
a. conjugate ()
(3−2j)
Los paréntesis indican que se trata de una función y son necesarios. En

caso contrario, si escribimos
a. conjugate
<function conjugate>
el intérprete nos indica que se trata de una función, pero no proporciona lo

esperado.
En el entorno Jupyter Notebook, pulsando el tabulador después de escribir
objeto. nos aparece un menú desplegable que nos muestra los atributos y
funciones accesibles al objeto.
2 1 3 Listas
Las listas son colecciones de datos de cualquier tipo (inclusive listas) que
están indexadas, comenzando desde 0:
a = [ 1, 2., 3+1j, [3 ,0] ]
type(a)
<type 'list'>
print a[1]
print a[4]
2.0
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
IndexError Traceback (
most recent call last)
<ipython−input−23−7eba33f48202> in <module>()
−−−−> 1 print a[4]
IndexError: list index out of range

Hemos definido una lista encerrando sus elementos (de tipos diversos)
entre corchetes y separándolos por comas. Podemos acceder a cada uno de los
elementos de la lista escribiendo el nombre de la lista y el índice del elemento
entre corchetes, teniendo en cuenta que el primer elemento tiene índice 0 y por
tanto el segundo corresponde al índice 1. Si intentamos acceder al elemento
a[4] obtenemos un error, pues dicho elemento no existe.
La salida de error en Python es amplia, y entre otras cosas nos marca el
lugar donde se ha producido, el tipo de error, en este caso IndexError., y en
la última línea nos da una breve explicación. En lo que sigue, para simplificar
las salidas de errores sólo mostraremos la última línea.
Si algún elemento de la lista es otra lista, podemos acceder a los elementos
de esta última usando el corchete dos veces, como en el siguiente ejemplo:
print a[3]
print a [3][1]
[3,0]
0
Las listas son estructuras de datos muy potentes que conviene aprender a
manejar con soltura. Podemos consultar los métodos a los que tenemos acceso
en una lista usando la función de autocompletado. El siguiente ejemplo es
autoexplicativo y muestra el funcionamiento de alguno de estos métodos:
a = [25 , 33, 1, 15, 33]

a. append (0) # agrega 0 al final
print a
[25, 33, 1, 15, 33, 0]
a. insert (3 ,-1) # inserta -1 en la posición 3

print a
[25, 33, 1, −1, 15, 33, 0]
a. reverse () # invierte el orden

print a
[0, 33, 15, −1, 1, 33, 25]
a.pop () # elimina el último elemento y lo devuelve
25
print a
[0, 33, 15, −1, 1, 33]
print a.pop (3) # elimina el elemento de índice 3

print a
−1
[0, 33, 15, 1, 33]
a. extend ([10 ,20 ,30]) # añade elementos a la lista

print a
[0, 33, 15, 1, 33, 10, 20, 30]
Nótese la diferencia con el siguiente:
a. append ([10 ,20 ,30]) # añade el argumento a la lista

print a
[0, 33, 15, 1, 33, 10, 20, 30, [10, 20, 30]]
Por otra parte, es frecuente que Python utilice los operadores aritméticos
con diferentes tipos de datos y distintos resultados. Por ejemplo, los operadores
suma y multiplicación pueden aplicarse a listas, con el siguiente resultado:
a = [1 ,2 ,3]; b = [10 ,20 ,30]

print a*3
print a+b
[1, 2, 3, 1, 2, 3, 1, 2, 3]
[1, 2, 3, 10, 20, 30]
La última acción se podría haber obtenido usando el método extend:
a. extend (b)
print a
[1, 2, 3, 10, 20, 30]
Nótese que el uso del método hubiera sido equivalente a escribir a=a+b. En
general, el uso de métodos proporciona mejor rendimiento que el uso de otras
acciones, pero hemos de ser conscientes de que el objeto sobre el que se aplica
puede quedar modificado al usar un método.
Slicing
Una de las formas más interesantes de acceder a los elementos de una lista
es mediante el operador de corte o slicing, que permite obtener una parte de
los elementos de una lista:
a = [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]
print a[2:5] # accedemos a los elementos 2,3,4
[7, 6, 5]
Como vemos, el slicing [n:m] accede a los elementos de la lista desde

n hasta m (el último sin incluir). Admite un parámetro adicional, y cierta
flexibilidad en la notación:
print a [1:7:2] # desde 1 hasta 6, de 2 en 2
[8, 6, 4]
print a[:3] # al omitir el primero se toma desde el inicio
[9, 8, 7]
print a[6:] # al omitir el último se toma hasta el final
[3, 2, 1, 0]
Aunque el acceso a índices incorrectos genera error en las listas, no ocurre

lo mismo con el slicing:
print a[:20]
[9, 8, 7, 6, 5, 4, 3, 2, 1, 0]
print a [12:15] # si no hay elementos , resulta vacío
[]
En las listas, y por supuesto también con el slicing, se pueden usar índices
negativos que equivalen a contar desde el final:
print a[-1] # -1 refiere la última posición
print a[ -5: -3]
[4, 3]
print a[3: -3]
[6, 5, 4, 3]
El slicing también permite añadir, borrar o reemplazar elementos en las

listas:
a = [9, 8, 7, 6, 5, 4, 3, 2, 1, 0]
a [1:3] = [] # borra elementos 1 y 2
print a
[9, 6, 5, 4, 3, 2, 1, 0]
a [2:5] = [-1,-2,-3,-4] # reemplaza elementos 2 a 4

print a
[9, 6, −1, −2, −3, −4, 2, 1, 0]
a [1:1] = [0 ,1 ,2] # añade la lista en la posición 1

print a
[9, 0, 1, 2, 6, −1, −2, −3, −4, 2, 1, 0]
a[:0] = a[ -5: -1] # añadimos al inicio

print a
[−3, −4, 2, 1, 9, 0, 1, 2, 6, −1, −2, −3, −4, 2, 1, 0]
a[:] = [] # vaciamos la lista

print a
[]
2 1 4 Cadenas de caracteres
Las cadenas no son más que texto encerrado entre comillas:
a = "Hola"; b = 'mundo '

print a
print b
print type(a)
Hola
mundo
<type 'str'>
en las que se puede comprobar que da igual definirlas con comillas simples o
dobles, lo que es útil si queremos cadenas que incluyan estos caracteres:
a = "Esto es una 'string '"

print a
Esto es una 'string'
Si queremos construir cadenas con más de una línea usamos la triple

comilla """:
a = """ Esto es un cadena
muy larga que tiene
muchas lineas """
print a
Esto es un cadena
muy larga que tiene
muchas lineas
En ocasiones es preciso incluir caracteres no ASCII en una cadena, para lo

cual Python provee de soporte Unicode. Para señalar que una cadena posee
caracteres extraños usaremos el indicador u al comienzo de la misma (antes
de las comillas). Por ejemplo
cadena = u'á é í ó ú'
En otros momentos, necesitaremos que la cadena de caracteres sea inter-

pretada tal cual (sin caracteres de escape), para lo cual usaremos una r (por
raw string) precediendo a la cadena:
cadena = r'\LaTeX '
Podemos acceder a los elementos individuales de una cadena mediante

índices, como si fuera una lista:
cadena = "Hola mundo "

print cadena [0]
print cadena [4]
'H'
' '
pero las cadenas son inmutables, esto es, no es posible alterar sus elementos
(veremos este asunto más adelante en la sección 3.3.2):
cadena [5] = 'M' # error : la cadena no es modificable
TypeError: 'str' object does not support item assignment

En particular, esto significa que cualquier transformación que llevemos a cabo

con un método no alterará la cadena original.
El slicing también funciona con las cadenas de caracteres
a = "Esto es una cadena de caracteres "

print a[:19]
print a[19:]
'Esto es una cadena '

'de caracteres'
Hay una gran cantidad de métodos para manejar strings que permiten
cambiar la capitalización, encontrar caracteres dentro de una cadena o separar
cadenas en trozos en función de un carácter dado. Emplazamos al lector a usar
la ayuda en línea del intérprete para aprender el funcionamiento de éstos y
otros métodos.
2 1 5 Diccionarios
En algunas ocasiones es interesante disponer de listas que no estén indexa-

das por números naturales, sino por cualquier otro elemento (strings habitual-
mente, o cualquier tipo de dato inmutable). Python dispone de los diccionarios
para manejar este tipo de listas:
colores = {'r': 'rojo ', 'g': 'verde ', 'b': 'azul '}
print type( colores )
<type 'dict'>
print colores ['r']
'rojo'
colores ['k'] = 'negro ' # añadimos un nuevo elemento

print colores
{'k': 'negro', 'r': 'rojo', 'b': 'azul', 'g': 'verde'}
Observar que el orden dentro de los elementos de la lista es irrelevante pues

la indexación no es numerada.
El objeto que se usa como índice se denomina clave. Podemos pensar
entonces en un diccionario como un conjunto no ordenado de pares, clave:
valor donde cada clave ha de ser única (para ese diccionario). Podemos
acceder a ellas usando los métodos adecuados:
print colores .keys () # claves

print colores . values () # valores
['negro', 'rojo', 'azul', 'verde']
Entre los diversos métodos accesibles para un diccionario disponemos del

método pop que permite eliminar una entrada en el diccionario:
print colores .pop('b') # devuelve el valor eliminado

print colores
'azul'
{'k': 'negro', 'r': 'rojo', 'g': 'verde'}
2 1 6 Tuplas
Para terminar con los tipos de datos principales haremos mención a las
tuplas. Las tuplas son un tipo de dato similar a las listas (es decir, una
colección indexada de datos) pero que no pueden alterarse una vez definidas
(son inmutables):
a = (1 ,2. ,3+1j,"hola")
print type(a)
<type 'tuple'>
print a[2]
(3+1j)
La definición es similar a la de una lista, salvo que se usan paréntesis en lugar

de corchetes, y el acceso a los elementos es idéntico.
a[0] = 10. # error: no se puede modificar una tupla
TypeError: 'tuple' object does not support item

assignment
Pero como podemos observar, no es posible alterar sus elementos ni tampoco

añadir otros nuevos.
La tuplas son muy útiles para empaquetar y desempaquetar datos, como
puede verse en el siguiente ejemplo:
a = 1,2,'hola ' # creamos una tupla (sin paréntesis !)

print type(a)
<type 'tuple'>
x, y, z = a # desempaquetamos la tupla en variables x,y,z

print x
print y
print z
1
2
'hola'
Atención a la creación de tuplas de un único elemento:
a = (1)
b = (1 ,)
c = 1,
print type(a), type(b), type(c)
<type 'int'> <type 'tuple'> <type 'tuple'>
Como veremos luego, las tuplas son útiles para pasar un conjunto de datos
a una función. También están detrás de la asignación múltiple de variables:
a = s,t,r = 1,'dos ' ,[1,2,3]

print a
print t
(1, 'dos', [1, 2, 3])

'dos'
que es particularmente útil para intercambiar valores de variables:
a,b = 0,1
b,a = a,b # intercambiamos a y b
print a, b
1 0
2 2
MÓDULOS
Una de las características principales de Python es su modularidad. La

mayoría de funciones accesibles en Python están empaquetas en módulos,
que precisan ser cargados previamente a su uso, y sólo unas pocas funciones
son cargadas con el núcleo principal. Por ejemplo, no se dispone de forma
inmediata de la mayor parte de funciones matemáticas comunes si no se
2.2 Módulos 23
ha cargado antes el módulo apropiado. Por ejemplo, la función seno no está

definida:
sin (3.)
NameError: name 'sin' is not defined
Si queremos poder usar ésta u otras funciones matemáticas debemos

importar el módulo con la orden import:
import math
Ahora tenemos a nuestra disposición todas las funciones del módulo matemá-
tico. Puesto que todo en Python es un objeto (incluidos los módulos), el lector
entenderá perfectamente que el acceso a las funciones del módulo se haga de
la forma math.función:
math.sin (3.)
0.1411200080598672
Para conocer todas las funciones a las que tenemos acceso dentro del
módulo disponemos de la orden dir1
dir(math)
['__doc__', '__name__', '__package__', 'acos', 'acosh',

'asin', 'asinh', 'atan', 'atan2', 'atanh', 'ceil', '
copysign', 'cos', 'cosh', 'degrees', 'e', 'erf', '
erfc', 'exp', 'expm1', 'fabs', 'factorial', 'floor',
'fmod', 'frexp', 'fsum', 'gamma', 'hypot', 'isinf',
'isnan', 'ldexp', 'lgamma', 'log', 'log10', 'log1p'
, 'modf', 'pi', 'pow', 'radians', 'sin', 'sinh', '
sqrt', 'tan', 'tanh', 'trunc']
Una de las características más apreciadas de Python es su extensa biblio-

teca de módulos que nos proveen de funciones que permiten realizar las tareas
más diversas. Además, esta modularización del lenguaje hace que los progra-
mas creados puedan ser reutilizados con facilidad. Sin embargo, no suele ser
bien aceptada la necesidad de anteponer el nombre del módulo para tener
acceso a sus funciones. Es posible evitar el tener que hacer esto si cargamos
los módulos del siguiente modo:
from math import *
√
Ahora, si queremos calcular 2, escribimos
1 Sin argumentos, la orden dir() devuelve un listado de las variables actualmente
definidas.
sqrt (2)
1.4142135623730951
Lógicamente, esta forma de cargar los módulos tiene ventajas evidentes

en cuanto a la escritura de órdenes, pero tiene también sus inconvenientes.
Por ejemplo, es posible que haya más de un módulo que use la misma función,
como es el caso de la raíz cuadrada, que aparece tanto en el módulo math como
en el módulo cmath. De manera que podemos encontrarnos situaciones como
la siguiente:
import math
import cmath
math.sqrt (-1)
ValueError: math domain error
cmath .sqrt (-1)
1j
Como vemos, hemos cargado los módulos math y cmath y calculado la raíz
cuadrada de −1 con la función sqrt que posee cada módulo. El resultado es
bien distinto: la función raíz cuadrada del módulo math no permite el uso de
números negativos, mientras que la función sqrt del módulo cmath sí. Si en
lugar de cargar los módulos como en el último ejemplo los hubiésemos cargado
así:
from cmath import *
from math import *
¿qué ocurrirá al hacer sqrt(-1)? Como el lector puede imaginar, la función

sqrt del módulo cmath es sobrescrita por la del módulo math, por lo que sólo
la última es accesible.
Existe una tercera opción para acceder a las funciones de los módulos que
no precisa importarlo al completo. Así,
from cmath import sqrt

from math import cos ,sin
nos deja a nuestra disposición la función raíz cuadrada del módulo cmath y
las funciones trigonométricas seno y coseno del módulo math. Es importante
señalar que con este método de importación no tenemos acceso a ninguna
otra función de los módulos que no hubiera sido previamente importada. Esta
última opción es de uso más frecuente en los scripts, debido a que con ella
cargamos exclusivamente las funciones que vamos a necesitar y de esa forma
mantenemos el programa con el mínimo necesario de recursos.
2.2 Módulos 25
En el interactivo es más frecuente cargar el módulo al completo, y es

aconsejable hacerlo sin el uso de *. De hecho, hay una posibilidad adicional
que nos evita tener que escribir el nombre del módulo al completo, seguido
del punto para usar una función. Si realizamos una importación del módulo
como sigue.
import math as m
entonces no es necesario escribir math. para acceder a la funciones, sino
m.cos(m.pi)
−1.0
2 2 1 Otros módulos de interés
La cantidad de módulos disponibles en Python es enorme, y en estas notas

veremos con detenimiento algunos de ellos relacionados con la computación
científica. No obstante, conviene conocer algunos otros módulos de la biblio-
teca estándar que se muestran en la tabla 2.1:
Cuadro 2.1: Algunos módulos de la biblioteca estándar
Módulo Descripción
math Funciones matemáticas
cmath Funciones matemáticas con complejos
fractions Números racionales
os Funcionalidades del sistema operativo
sys Funcionalidades del intérprete
re Coincidencia en patrones de cadenas
datetime Funcionalidades de fechas y tiempos
pdb Depuración
random Números aleatorios
ftplib Conexiones FTP
MySQLdb Manejo de bases de datos MySQL
smtplib Envío de e-mails
2 3
CONTROL DE FLUJO
2 3 1 Bucles
Una característica esencial de Python es que la sintaxis del lenguaje impone
obligatoriamente que escribamos con cierta claridad. Así, los bloques de código
deben ser obligatoriamente sangrados:
for i in range (3):

print i
0
1
2
La sintaxis de la orden for es simple: la variable i recorre la lista generada por

range(3), finalizando con dos puntos (:) obligatoriamente. La siguiente línea
debe ser sangrada, bien con el tabulador, bien con espacios (uno es suficiente,
aunque lo habitual es cuatro), aunque podemos ver que el entorno Jupyter o
la consola IPython realizan la sangría por nosotros. Para indicar el final del
bucle debemos volver al sangrado inicial.
Como podemos ver, la función range(n) crea una lista de números de n
elementos, comenzando en 0. Pero es posible que el rango comience en otro
valor, o se incremente de distinta forma:
print range (5, 10)

print range (1, 10, 3)
print range (-10, -100, -30)
[5, 6, 7, 8, 9]
[1, 4, 7]
[−10, −40, −70]
Nótese que el bucle en Python corre a través de la lista y no de los índices

de ésta, como se muestra en el siguiente ejemplo:
a = ['hola ','mundo ']

for b in a:
print b
hola
mundo
No es seguro modificar la lista sobre la que se está iterando dentro del

bucle. En caso de querer hacerlo es preciso iterar sobre una copia.
2.3 Control de flujo 27
De igual modo que iteramos sobre una lista, puede hacerse sobre una tupla
o un diccionario. En este último caso, es posible acceder de varias formas:
colores = {'r': 'rojo ', 'g': 'verde ', 'b': 'azul '}
for i in colores .keys ():
print i, colores [i]
r rojo
b azul
g verde
o simultáneamente, con método el iteritems:
for x,y in colores . iteritems ():

print x,y
r rojo
b azul
g verde
2 3 2 Condicionales
La escritura de sentencias condicionales es similar a la de los bucles for,
usando el sangrado de línea para determinar el bloque:
if 5 %3 == 0:
print "5 es divisible entre 3"
elif 5 %2 == 0:
print "5 es divisible por 2"
else:
print "5 no divisible ni por 2 ni por 3"
5 no es divisible ni por 2 ni por 3
La orden if evalúa la operación lógica “el resto de la división de 5 entre 3

es igual a cero”; puesto que la respuesta es negativa, se ejecuta la segunda
sentencia (elif), que evalúa si “el resto de la división de 5 entre 2 es igual a
cero”; como esta sentencia también es negativa se ejecuta la sentencia else.
Es posible poner todos los elif que sean necesarios (o incluso no ponerlos), y
el bloque else no es obligatorio.
En Python, al igual que C, cualquier número distinto de cero es verdadero,
mientras que cero es falso. Las condiciones pueden ser también una cadena
de texto o una lista, que serán verdaderas si tienen longitud no nula, y falsas
si son vacías. Por su parte, los operadores de comparación en Python son ==
(igual), != (distinto), > (mayor que), >= (mayor o igual que), < (menor que) y
<= (menor o igual que), y los operadores lógicos son and, or y not.
2 3 3 Bucles condicionados
Obsérvese este ejemplo con la sentencia while:
a,b = 0,1 # Inicialización de la sucesión de Fibonacci

while b <20:
print b,
a,b = b,a+b
1 1 2 3 5 8 13
Es interesante analizar un poco este breve código que genera unos cuantos
términos de la sucesión de Fibonacci. En especial, hemos de prestar atención
a cómo usamos tuplas para las asignaciones múltiples que realizamos en la
primera y última líneas; en la primera hacemos a=0 y b=1 y en la última
se realiza la asignación a=b y b=a+b, en la que debemos notar que, antes de
realizar la asignación, se evalúan los lados derechos (de izquierda a derecha).
También disponemos de las sentencias break y continue para terminar o

continuar, respectivamente, los bucles for o while. Asimismo, la sentencia else
tiene sentido en un bucle y se ejecuta cuando éste ha terminado, en el caso de
for, o cuando es falso, en el caso de while. Veamos el siguiente ejemplo:
1 for n in range (2 ,10):

2 for x in range (2,n):
3 if n % x == 0: # si n es divisible por x
4 print n,'es igual a',x,'*',n/x
5 break
6 else:
7 print n,'es primo '
2 es primo
3 es primo
4 es igual a 2 * 2
5 es primo
6 es igual a 2 * 3
7 es primo
8 es igual a 2 * 4
9 es igual a 3 * 3
El break de la línea 5 interrumpe la búsqueda que hace el bucle que

comienza en la línea 2. Si este bucle finaliza sin interrupción, entonces se
ejecuta el bloque else de la línea 6.
Por último, Python dispone también de la orden pass que no tiene ninguna
acción, pero que en ocasiones es útil para estructurar código que aún no ha
sido completado, por ejemplo
2.4 Funciones definidas por el usuario 29
for n in range (10):

if n % 2 == 0:
print "n es par"
else:
pass # ya veremos qué hacemos aquí
2 4
FUNCIONES DEFINIDAS POR EL USUARIO
Las funciones son trozos de código que realizan una determinada tarea.
Vienen definidas por la orden def y a continuación el nombre que las define
seguido de dos puntos. Siguiendo la sintaxis propia de Python, el código de
la función está sangrado. La principal característica de las funciones es que
permiten pasarles argumentos de manera que la tarea que realizan cambia en
función de dichos argumentos.
def fibo(n): # sucesión de Fibonacci hasta n

a,b = 0,1
while b < n:
print b,
a, b = b, a+b
Ahora efectuamos la llamada a la función:

fibo (1000) # llamada a la función con n=1000
1 1 2 3 5 8 13 21 34 55 89 144 233 377 610 987
Como puede verse, esta función imprime los términos de la sucesión de

Fibonacci menores que el valor n introducido.
Si quisiéramos almacenar dichos términos en una lista, podemos usar
la orden return que hace que la función pueda devolver algún valor, si es
necesario:
1 def fibolist (n): # lista de Fibonacci hasta n
2 sucesion =[] # creación de lista vacía
3 a,b = 0,1
4 while b < n:
5 sucesion . append (b) # añadir b a la lista sucesion
6 a, b = b, a+b
7 return sucesion
8
9 fibolist (100)
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89]

a = fibolist (250)
print a
[1, 1, 2, 3, 5, 8, 13, 21, 34, 55, 89, 144, 233]
A diferencia de la función fibo definida antes, la función fibolist devuelve

la lista creada a través de la orden return (línea 7). Si return no va acompa-
ñado de ningún valor, se retorna None, al igual que si se alcanza el final de la
función sin encontrar return:
a = fibo (50)
1 1 2 3 5 8 13 21 34
print a
None
Si queremos devolver más de un valor, lo podemos empaquetar en una

tupla.
2 4 1 Importando funciones definidas por el usuario

Aunque las funciones pueden ser definidas dentro del intérprete para su
uso es más habitual almacenarlas en un fichero, bien para poder ser ejecutadas
desde el mismo, o bien para ser importadas como si se tratara de un módulo.
Para guardar el contenido de una celda del entorno Jupyter a un archivo,
bastará usar la magic function, % %file seguido del nombre del archivo:
% %file tang.py
from math import sin ,cos ,pi
def tangente (x):
if cos(x) != 0:
return sin(x)/cos(x)
else:
print "La tangente es infinita "
return
x = tangente (pi)
print 'La tangente de pi es ',x
Si ahora ejecutamos el archivo desde la consola:

$ python tang.py
La tangente de pi es -1.22460635382e -16
Aunque también podemos ejecutar desde el entorno Jupyter:

2.4 Funciones definidas por el usuario 31
run tang.py
La tangente de pi es −1.22460635382e−16
En lugar de ejecutar la función definida también podemos cargarla como

si se tratara de un módulo (reiniciar Jupyter en este punto):
import tang
y por tanto tendremos acceso a la función:

tang. tangente (3)
−0.1425465430742778
o a las variables definidas en la función:

print tang.x
−1.2246063538223773e−16
Sin embargo,
print x
NameError: name 'x' is not defined
Nótese cómo al cargar el módulo, éste se ejecuta y además nos proporciona

todas las funciones y variables presentes en el módulo (inclusive las importadas
por él), pero anteponiendo siempre el nombre del módulo. Obsérvese que la
variable x no está definida, mientras que sí lo está tang.x.
Si realizamos la importación con * (reiniciar Jupyter):
x = 5
from tang import *
print tangente (pi /4)

print x
0.9999999999999999
−1.2246063538223773e−16
tendremos todas las funciones presentes en el módulo (salvo las que comiencen
por _) sin necesidad de anteponer el nombre, pero como podemos observar
en el ejemplo, podemos alterar las variables propias que tengamos definidas,

razón por la cual no recomendamos este tipo de importación.
Finalmente si realizamos la importación selectiva:
from tang import tangente
print tangente (3)

print x
−0.1425465430742778
NameError: name 'x' is not defined
la función tangente está disponible, pero nada más. Aun así, obsérvese que se
ha ejecutado el módulo en el momento de la importación.
Para evitar que el código se ejecute cuando importamos podemos separar
la función del resto del código del siguiente modo:
from math import sin ,cos ,pi
def tangente (x):
if cos(x) != 0:
return sin(x)/cos(x)
else:
print "La tangente es infinita "
return
if __name__ == " __main__ ":

x = tangente (pi)
print 'La tangente de pi es ',x
Lo que sucede es que cuando ejecutamos el código con python tang.py

desde la consola (o con run tang.py desde el entorno Jupyter), la variable
__name__ toma el valor '__main__', por lo que el fragmento final se ejecuta, lo
que no ocurrirá si lo importamos.
Es importante resaltar que por razones de eficiencia, los módulos se im-
portan una sola vez por sesión en el intérprete, por lo que si son modificados
es necesario reiniciar la sesión o bien volver a cargar el módulo con la orden
reload(módulo).
¿Dónde están los módulos?

Cuando se importa un módulo de nombre tang el intérprete busca un
fichero tang.py en el directorio actual o en la lista de directorios dados por
la variable PYTHONPATH. Si dicha variable no está configurada, o el fichero no
se encuentra allí, entonces se busca en una lista de directorios que depende
2.5 Ejercicios 33
de la instalación que se tenga. Podemos acceder a esta lista con la variable

sys.path del módulo sys.
2 5
EJERCICIOS
E.1 ¿Cuál de las siguientes órdenes produce un error y por qué?

(a) a = complex(3,1)
(b) a = complex(3)+ complex(0,1)
(c) a = 3+j
(d) a = 3+(2-1)j
E.2 ¿Cuál de las siguientes sentencias producirá un error y por qué?

(a) a = [1,[1,1,[1]]]; a[1][2]
(b) a = [1,[1,1,[1]]]; a[2]
(c) a = [1,[1,1,[1]]]; a[0][0]
(d) a = [1,[1,1,[1]]]; a[1,2]
E.3 Dada la cadena s = 'Hola mundo', encuentra el método adecuado de

producir las cadenas separadas a = 'Hola' y b = 'mundo'.
E.4 Explica el resultado del siguiente código:
s=0
for i in range (100) :
s += i
print s
Usa el comando sum para reproducir el mismo resultado en una línea.

E.5 Usa el comando range para producir las listas
(a) [10, 8, 6, 4, 2, 0]
(b) [10, 8, 6, 4, 2, 0, 2, 4, 6, 8, 10]
E.6 Explica el resultado del siguiente código:

s=[0]
for i in range (100) :
s. append (s[i -1]+i)
print s
E.7 Cómo puedes generar la siguiente lista:

[0, 0, 1, 3, 6, 10, 15, 21, 28, 36, 45, 55, 66, 78, 91, 105]
E.8 Construye el vigésimo elemento de la siguiente sucesión definida por

recurrencia:
un+3 = un+2 − un+1 + 3un , u0 = 1, u1 = 2, u3 = 3.
E.9 Escribir una función reverse que acepte una cadena de caracteres y
devuelva como resultado la cadena de caracteres invertida en orden, es decir,
el resultado de reverse('hola') debe ser 'aloh'.
E.10 Usando el Ejercicio E.9, escribir una función is_palindromo que in-
dentifique palíndromos, (esto es, palabras que leídas en ambas direcciones
son iguales, por ejemplo radar). Es decir, is_palindromo('radar') debería dar
como resultado True.
3 Aspectos avanzados
3 1
ALGO MÁS SOBRE FUNCIONES
3 1 1 Documentando funciones
Se puede documentar una función en Python añadiendo una cadena de
documentación justo detrás de la definición de función:
def mifuncion ( parametro ):
"""
Esta función no hace nada.
Absolutamente nada
"""
pass
En tal caso, la función help(mifuncion) o escribiendo mifuncion? en IPython
nos mostrará la documentación de la función.
3 1 2 Argumentos de entrada
Es posible definir funciones con un número variable de argumentos. Una
primera opción consiste en definir la función con valores por defecto:
def fibonacci (n,a=0,b=1):
sucesion = []
while b < n:
sucesion . append (b)
a,b = b,b+a
return sucesion
La llamada a esta función puede realizarse de diversos modos.

Usando sólo el argumento posicional: fibonacci(100).
35
36 Capítulo 3 Aspectos avanzados
Pasando sólo alguno de los argumentos opcionales (junto con el posicio-

nal): fibonacci(100,3), en cuyo caso a=3 y b=1.
Pasando todos los argumentos: fibonacci(10,2,3).
También es posible realizar la llamada usando los nombres de las variables

por defecto, así
fibonacci (100 ,b=3) # equivale a fibonacci (100 ,0 ,3)

fibonacci (100 ,b=4,a=2) # equivale a fibonacci (100 ,2 ,4)
fibonacci (b=4,a=2) # error: falta el argumento n
Otra opción es incluir un número indeterminado de parámetros en una

tupla, que es llamada como *argumento; por ejemplo:
def media (* valores ):

if len( valores ) == 0: # len = longitud de la tupla
return 0.0
else:
sum = 0.
for x in valores :
sum += x # equivale a sum = sum + x
return sum / len( valores )
La función calcula el valor medio de un número indeterminado de valores de

entrada que son empaquetados con el argumento *valores en una tupla, de
manera que ahora podemos ejecutar:
print media (1 ,2 ,3 ,4 ,5 ,6)

print media (3 ,6 ,7 ,8)
3.5
6.0
Si la función tiene además argumentos por defecto, entonces podemos

empaquetar la llamada a través de un diccionario:
def funarg ( obligatorio ,* otros ,** opciones ):

print obligatorio
print '-'*40
print otros
print '*'*40
print opciones
funarg ("otro" ,2,3,4)

3.1 Algo más sobre funciones 37
otro
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
(2, 3, 4)
****************************************
{}
funarg ("hola",a=2,b=4)
hola
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
()
****************************************
{'a': 2, 'b': 4}
funarg ("hola","uno","dos","tres",a=2,b=3,c='fin ')
hola
−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
('uno', 'dos', 'tres')
****************************************
{'a': 2, 'c': 'fin', 'b': 3}
No sólo la definición de función permite el empaquetado de argumentos,

sino también es posible usarlo en las llamadas. Por ejemplo, la función media
definida antes se puede llamar de la forma
media (* range (1 ,11))
5.5
o en la función fibonacci,
d = {'a':5, 'b':3}
fibonacci (50 ,**d)
[3, 8, 11, 19, 30, 49]
c = (2 ,3)
fibonacci (50 ,*c)
[3, 5, 8, 13, 21, 34]

3 1 3 Funciones lambda
Las funciones lambda son funciones anónimas de una sola línea que pueden
ser usadas en cualquier lugar en el que se requiera una función. Son útiles para
reducir el código, admiten varios parámetros de entrada o salida y no pueden
usar la orden return:
f = lambda x,y: (x+y, x**y)
f(2 ,3)
(5, 8)
Son especialmente útiles si se quiere devolver una función como argumento

de otra:
import math
def seno(w):
return lambda t: math.sin(t*w)
f = seno(math.pi)
g = seno (2* math.pi)
print f(.5) , g(.5)
1.0, 1.2246063538223773e−16
3 1 4 Variables globales y locales

Las variables globales son aquéllas definidas en el cuerpo principal del
programa, mientras que las variables locales son aquellas variables internas
a una función que sólo existen mientras la función se está ejecutando, y que
desaparecen después. Por ejemplo, si definimos la siguiente función
def area_rectangulo (lado):

area = lado*lado
return area
y ejecutamos
print area_rectangulo (3)
y luego
print area
NameError: name 'area' is not defined

3.1 Algo más sobre funciones 39
observamos que la variable area no se encuentra en el espacio de nombres por

tratarse de una variable local de la función area_rectangulo. ¿Qué ocurre si
definimos esta variable previamente?
area = 10
area = lado*lado
return area

print area
9
10
Como vemos, la variable area ahora sí existe en el espacio de nombres global,

pero su valor no se ve alterado por la función, pues ésta ve su variable area
de manera local.
¿Y si tratamos de imprimir el valor de area antes de su evaluación?
area = 10
print area
area = lado*lado
return area
UnboundLocalError: local variable 'area' referenced

before assignment
Entonces obtenemos un error debido a que intentamos asignar de manera local

una variable que aun no está definida (para la función).
Cualquier variable que se cambie o se cree dentro de una función es local,

a menos que expresamente indiquemos que esa variable es global, lo que se
hace con la orden global:
area = 10
global area
print area
area = lado*lado
return area

10
9
Obsérvese que ahora
print area
ha cambiado su valor, debido a que ya no hay una variable local area en la

función.
Variables locales y objetos mutables

Sin embargo, el empleo de ciertos métodos sobre variables que son mutables
(véase la sección 3.3.2) en el cuerpo de una función puede modificar de manera
global estas variables sin necesidad de ser declaradas como globales. Obsérvese
el siguiente ejemplo:
def fun(a,b):
a. append (0)
b = a+b
return a,b
a = [1]
b = [0]
print fun(a,b)
[1, 0] [1, 0, 0]
La función fun usa el método append para agregar el elemento 0 a la lista de

entrada a, quedando por tanto la lista modificada por el método. Por su parte,
la asignación que hacemos en b=a+b crea una nueva variable local b dentro de
la función, que no altera a la variable b de fuera de ese espacio. De este modo,
print a,b
[1, 0] [0]
es decir, a ha sido modificada, pero b no, aun tratándose ambas variables

de listas. Sin embargo, en el primer caso, la lista es modificada mediante un
método, mientras que en el segundo, se crea una variable local que es la que
se modifica.
Por último señalar que las variables del espacio global se pueden usar en la
definición de parámetros por defecto, pero son evaluadas sólo en la definición
de la función, y no en cada llamada:
3.2 Entrada y salida de datos 41
a = 2
def pot(x,y=a):
return x**y
pot (2) , pot (2 ,3)
(4, 8)
a = 4
pot (2)
3 2
ENTRADA Y SALIDA DE DATOS
Es habitual que nuestros programas necesiten datos externos que deben ser
pasados al intérprete de una forma u otra. Típicamente, para pasar un dato
a un programa interactivamente mediante el teclado (la entrada estándar)
podemos usar la función raw_input
raw_input ('Introduce algo\n') # \n salta de línea
Introduce algo
hola 2
'hola 2'
Obsérvese que la entrada estándar es convertida a una cadena de caracteres,

que probablemente deba ser tratada para poder usar los datos introducidos.
En un script es más frecuente el paso de parámetros en el momento de
la ejecución. Para leer los parámetros introducidos disponemos de la función
argv del módulo sys. Por ejemplo, si tenemos el siguiente código en un archivo
llamado entrada.py
import sys
print sys.argv
entonces, la siguiente ejecución proporciona:

$ python entrada .py 2 25 "hola"
[' entrada .py ', '2', '25', 'hola ']
Como vemos, sys.argv almacena en una lista todos los datos de la llamada, de
manera que es fácil manejarlos teniendo presente que son considerados como
cadenas de caracteres, por lo que es probable que tengamos que realizar una
conversión de tipo para tratarlos correctamente.
Por ejemplo, si tenemos el archivo fibo.py con el siguiente contenido
# -*- coding : utf -8 -*-

import sys
def fibonacci (n,a=0,b=1):

""" Términos de la sucesión de Fibonacci hasta orden n.
"""
sucesion = []
while b < n:
sucesion . append (b)
a,b = b,b+a
return sucesion
if __name__ == " __main__ ":

x = int(sys.argv [1]) # convertimos a entero la entrada
print fibonacci (x)
haciendo la siguiente ejecución se obtiene

$ python fibo.py 30
[1, 1, 2, 3, 5, 8, 13, 21]
Y si olvidamos hacer la llamada con el parámetro obtendremos error:

$ python fibo.py
Traceback (most recent call last):
File "fibo.py", line 14, in <module >
x = int(sys.argv [1])
IndexError : list index out of range
Desde el entorno Jupyter, usaríamos run:
run fibo.py 30
[1, 1, 2, 3, 5, 8, 13, 21]
3 2 1 Salida formateada
La salida estándar (a pantalla) se realiza como ya hemos visto con la orden
print. Para impresiones sencillas nos bastará con concatenar adecuadamente
cadenas de caracteres:
x = 3; y = 4
print "El valor de 'x' es " + str(x) + " y el de 'y' es "
+ str(y)
El valor de 'x' es 3 y el de 'y' es 4
donde es preciso convertir el entero a string con la función str. Algunos

métodos para los strings, como por ejemplo ljust o rjust permiten mejorar
la salida:
for x in range (5):

print str(x**2).ljust (2) , str(x**3). rjust (3)
0 0
1 1
4 8
9 27
16 64
Sin embargo, el método format permite un mejor control de la impresión:
for x in range (1 ,6):

print '{0:2d} {1:3d} {2:4d}'. format (x,x**2,x**3)
1 1 1
2 4 8
3 9 27
4 16 64
5 25 125
En este caso, el contenido del interior de las llaves hace referencia a los
elementos del método format que le sigue, de manera que los números que
van antes de los dos puntos corresponden a los índices del objeto que sigue
a format y lo que va después de los dos puntos define el modo en el que se
imprimirán dichos objetos. Aquí van unos ejemplos:
print '{0}{1}{0} '. format ('abra ','cad ')
abracadabra
print 'Coordenadas : {lat}, {long}'. format (lat='38.56N',

long=' -3.28W')
Coordenadas: 38.56N, −3.28W
Con ciertos caracteres podemos controlar aun más la impresión:
print '{: <30} '. format ('alineación a izquierda ')
alineación a izquierda
print '{: >30} '. format ('alineación a derecha ')
alineación a derecha
print '{:^30} '. format ('alineación centrada ')

alineación centrada
print '{:*^40} '. format ('alineación centrada con relleno ')
*********alineación centrada con relleno*********
print '{0:d} {0:2.3 f} {0:3.2 e}'. format (2)
2 2.000 2.00e+00
3 2 2 Lectura y escritura en archivos

La orden open crea un objeto tipo archivo que nos permitirá la lectura y/o
escritura en el mismo. La sintaxis de la orden es
f = open('file.txt ','w') # abrimos 'file.txt ' para
escritura
donde el primer argumento es el nombre del archivo y el segundo el modo

de acceso. Los modos son r para sólo lectura, r+ para lectura y escritura, w
sólo para escritura (si el archivo existe, lo sobrescribirá) y a para escritura
agregando contenido al archivo existente (o creando uno nuevo si no existe).
Si por ejemplo, disponemos de un archivo archivo.py cuyo contenido es
# coding : utf -8
print " Primera línea "
print " Segunda línea "
entonces podemos abrirlo y leerlo con:
f = open('archivo .py ','r')

print f.read ()
# coding: utf−8
print "Primera línea"
print "Segunda línea"
El método read del objeto archivo lee el archivo al que referencia el objeto
creado. Si se le proporciona un argumento numérico entonces lee un número
determinado de bytes del archivo;1 cuando es llamado sin argumento, lee el
archivo al completo. Cada llamada a read mueve el puntero de lectura del
archivo la último lugar leído, de manera que la llamada siguiente lee a partir
de ahí. Por eso:
f.read ()
1 Un byte puede considerarse un carácter, aunque hay caracteres que ocupan más de uno.
''
produce una cadena vacía, pues el puntero se halla al final del archivo.
Podemos usar el método seek para situarnos en cualquier posición del
archivo.
f.seek (0) # Vamos al inicio del archivo
f.read ()
'# coding: utf−8\nprint "Primera l\xc3\xadnea"\nprint "

Segunda l\xc3\xadnea"'
Nótese la diferencia entre la orden y la impresión: la cadena que contiene

el archivo es leída en formato de representación interna, que difiere de la
representación que se muestra con la orden print.
También es posible leer línea a línea con readline
f.seek (0)
f. readline ()
'# coding: utf−8\n'
print f. readline ()
f. readline ()
'print "Segunda l\xc3\xadnea"'
o con f.readlines() que almacena cada una de las líneas del archivo en una
lista:
f.seek (0)
for x in f. readlines ():
print x,
# coding: utf−8
Otra opción aún más cómoda es iterar sobre el propio objeto:
f.seek (0)
for x in f:
print x,
# coding: utf−8
Para cerrar un archivo usaremos el método close:

f. close () # cerramos el archivo vinculado al objeto f
La escritura en un archivo se lleva a cabo con el método write. Para ello

es necesario que el archivo se abra en modo escritura (o lectura/escritura):
f = open('hola.py ','w') # sólo escritura (nuevo archivo )

for x in ['primera ','segunda ','tercera ']:
f. write (x+'\n')
f.read ()
IOError: File not open for reading
Al haber abierto el archivo en modo sólo escritura, no podemos leer. Será

preciso volver a abrir:
f. close ()
f = open('hola.py ','r+') # lectura y escritura
print f.read ()
primera
segunda
tercera
f. write('cuarta \n')
f.seek (0)
f. readlines ()
['primera\n', 'segunda\n', 'tercera\n', 'cuarta\n']
Podemos escribir en cualquier punto del archivo si nos situamos correctamente

con el método seek, el cual permite usar además un parámetro adicional que
nos indica desde dónde nos movemos (0 desde el inicio –por defecto si se
omite–, 1 desde la última referencia, 2 desde el final):
f.seek (8) # nos colocamos en la posición 8

f.read (7) # leemos 7 bytes
'segunda'
3.3 Más sobre estructuras de datos 47
f.seek (9 ,1) # posición 9 desde la última referencia

f.read (6)
'cuarta'
f.seek (-7,2) # posición -7 desde el final

f.read (6)
'cuarta'
También disponemos del método tell que nos indica con un entero la posición
en la que se encuentra el puntero del archivo.
La escritura con write también se puede hacer en pantalla si la usamos
como un objeto tipo archivo con el atributo stdout del módulo sys:
import sys
g = sys. stdout
g. write('Hola mundo\n')
Hola mundo
lo que puede ser útil para programar las salidas por pantalla durante la
elaboración de código con write, de modo que cuando queramos direccionar
la salida a un archivo sólo necesitamos cambiar la salida.
3 3
MÁS SOBRE ESTRUCTURAS DE DATOS
3 3 1 Listas por comprensión

El lenguaje Python se adapta muy bien a la creación de listas construidas a
partir de otras mediante algún mecanismo que las modifique. Veamos algunos
ejemplos:
a = range (5) # lista inicial

[x**2 for x in a] # cuadrados de los elementos de a
[0, 1, 4, 9, 16]
[[x**2 ,x**3] for x in a]
[[0, 0], [1, 1], [4, 8], [9, 27], [16, 64]]
a = range (10)
[x**3 for x in a if x %2 == 0] # cubo de los múltiplos de 2
[0, 8, 64, 216, 512]
a = [x for x in range (1 ,7) if x %2==0]

print a
[2, 4, 6]
b = [x for x in range (1 ,7) if (x+1) %2==0]

print b
[1, 3, 5]
[x*y for x in a for y in b] # recorremos dos listas
[2, 6, 10, 4, 12, 20, 6, 18, 30]
[a[i]*b[i] for i in range(len(a))]
[2, 12, 30]
El último ejemplo se puede construir de forma más pythonic2 con la orden

zip que permite iterar sobre dos o más secuencias al mismo tiempo:
[x*y for x,y in zip(a,b)]
[2, 12, 30]
En una lista, podemos obtener simultáneamente el índice de iteración y

el elemento de la lista con la orden enumerate. El lector podrá imaginar el
resultado del siguiente ejemplo:
a = range (10); a. reverse ()

[x*y for x,y in enumerate (a)]
En realidad enumerate es lo que se denomina un iterador, es decir, un

objeto sobre el que se pueden recorrer sus elementos. Otro iterador es reversed
que como parece lógico, crea un iterador con el orden inverso. Así, el último
ejemplo equivale a
[x*y for x,y in enumerate ( reversed ( range (10)))]
2 En el mundo de la programación en Python se suele usar este adjetivo para referirse a
una forma de escribir código que usa las características propias y peculiares del lenguaje
Python que auna sencillez, brevedad, elegancia y potencia.
3.3 Más sobre estructuras de datos 49
3 3 2 Copia y mutabilidad de objetos
Hemos mencionado anteriormente que las tuplas y las cadenas de carac-

teres son objetos inmutables, mientras que las listas son mutables. Debemos
añadir también que los diferentes tipos de números son inmutables y los diccio-
narios son mutables. Ahora bien, ¿qué significa exactamente que los números
sean inmutables? ¿Quiere decir que no los podemos modificar?
En realidad estas cuestiones están relacionadas con el modo en el que
Python usa las variables. A diferencia de otros lenguajes, en los que una
variable esencialmente referencia una posición en memoria, cuyo contenido
podemos modificar, en Python, una variable en realidad no es más que una
referencia al objeto, no contiene su valor, sino una referencia a él. Lo podemos
ver con un sencillo ejemplo; la orden id nos muestra el identificador de un
objeto, que básicamente es la dirección de memoria en la que se encuentra. Si
escribimos:
x = 5 # x apunta al objeto 5
id(x)
160714880
lo primero que hace Python es crear el objeto 5, al que le asigna la variable

x. Ahora entenderemos por qué ocurre lo siguiente:
y = 5 # y apunta al objeto 5
id(y)
160714880
No hemos creado un nuevo objeto, sino una nueva referencia para el mismo
objeto, por lo que tienen el mismo identificador. Lo podemos comprobar con
la orden is:
x is y
True
¿Qué ocurre si alteramos una de las variables?
x = x + 2 # x apunta al objeto 7
id(x)
160714856
vemos que el identificador cambia. Python evalúa la expresión de la derecha,

que crea un nuevo objeto, y a continuación asigna la variable x al nuevo objeto,
por eso ésta cambia de identificador. Obsérvese que:
id (7)
160714856
y ahora:
x is y
False
Con las listas pasa algo similar, salvo que ahora está permitido modificar
el objeto (porque son mutables), por lo que las referencias hechas al objeto
continuarán apuntado a él:
a = [1 ,2]
id(a) # identificador del objeto
3074955372L
a[0] = 3 # modificamos el primer elemento

print a
[3, 2]
id(a) # el identificador no cambia
3074955372L
La L del identificador se refiere al tipo de entero que devuelve (long).

La consecuencia de que las listas sean mutables se puede ver en el siguiente
ejemplo:
x = range (3)
y = x # y referencia lo mismo que x
x[:0] = x # modificamos x
print y # y también se modifica
[0, 1, 2, 0, 1, 2]
Sin embargo,
x = x+[3] # nuevo objeto
y
[0, 1, 2, 0, 1, 2]
¿Por qué no se ha modificado y en este caso? La respuesta es que se ha creado

un nuevo objeto, al que se referencia con x, por lo que x ya no apunta al objeto
3.4 Excepciones 51
anterior, pero sí y. ¿Cómo podemos entonces copiar una lista? Podemos para
ello usar el slicing:
x = range (10)
y = x[:] # copiamos x a y
print id(x), id(y)
3074955372L 3075028972L
3 4
EXCEPCIONES
Para evitar los errores en el momento de la ejecución Python dispone de las

secuencias de control try-except, que hacen que, en caso de que se produzca
una excepción, ésta pueda ser tratada de manera que la ejecución del programa
no se vea interrumpida. Por ejemplo, supongamos que tenemos la siguiente
situación, que obviamente, producirá una excepción:
for a in [1 ,0]:
b = 1/a
print b
1
ZeroDivisionError: integer division or modulo by zero
Para evitarla, hacemos uso de las órdenes try y except del siguiente modo:
for a in [1 ,0]:
try:
b = 1/a
except :
print "Se ha producido un error "
b = 0
print b
1
Se ha producido un error
0
El funcionamiento de estas sentencias es simple: el fragmento de código dentro

de la orden try trata de ejecutarse; si se produce una excepción, se salta al
fragmento de código correspondiente a la orden except, y éste se ejecuta. De
este modo, el programa no se ve interrumpido por el error.
La orden except admite mayor sofisticación, pues permite tratar cada
excepción en función de su tipo. Podemos verlo en el siguiente ejemplo:
for a in [0,'1']:
try:
b = 1/a
except ZeroDivisionError :
print " División por cero"
b = 0
except TypeError :
print " División inválida "
b = 1
print b
División por cero

0
División inválida
1
3 5
EJERCICIOS
∑
100
1
E.1 Calcula √
i=1
i
E.2 Calcula la suma de los números pares entre 1 y 100.
E.3 Calcular la suma de todos los múltiplos de 3 o 5 que son menores que
1000. Por ejemplo, la suma de todos los múltiplos de 3 o 5 que son menores
que 10 es: 3 + 5 + 6 + 9 = 23
E.4 Utiliza la función randint del módulo random para crear una lista de
100 números aleatorios entre 1 y 10.
E.5 El Documento Nacional de Identidad en España es un número finalizado
con una letra, la cual se obtiene al calcular el resto de la división de dicho
número entre 23. La letra asignada al número se calcula según la siguiente
tabla:
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22
TRWAGMYFPD X B N J Z S Q V H L C K E
Escribe un programa que lea el número por teclado y muestre la letra asignada.
Por ejemplo, al número 28594978 le debe corresponder la letra K. Tres líneas
de código debería ser suficientes.
E.6 Usando un bucle while escribe un programa que pregunte por un
número por pantalla hasta que sea introducido un número impar múltiplo
de 3 y de 7 que sea mayor que 100.
E.7 Crea una lista aleatoria de números enteros (usar Ejercicio E.4) y luego
escribe un programa para que elimine los valores impares de dicha lista.
3.5 Ejercicios 53
E.8 Escribir una función histograma que admita una lista aleatoria de
números enteros entre 1 y 5 (usar Ejercicio E.4) y elabore un diagrama de
frecuencias de aparición de cada uno de los elementos de la lista según el
formato que sigue: por ejemplo, si la lista es
[1, 4, 2, 1, 4, 4, 5, 5, 5, 3]
entonces la función debe imprimir:

1 **
2 *
3 *
4 ***
5 ***
E.9 Escribir una función menorymayor que acepte un conjunto indeterminado

de números y obtenga el mayor y el menor de entre todos ellos. Es decir, la
función debería hacer lo siguiente:
menorymayor (2 ,5 ,1 ,3 ,6 ,2)
(1,6)
menorymayor (3 ,1 ,10 ,9 ,9 ,7 ,5 ,4)
(1,10)
E.10 Escribir una función que acepte como parámetros dos valores a y b, y
una función f tal que f (a)f (b) < 0 y que, mediante el método de bisección,
devuelva un cero de f . La aproximación buscada será controlada por un
parámetro ε que por defecto ha de ser 10−4 .
E.11 Considera la siguiente función:
def media (* valores ):
if len( valores ) == 0: # len = longitud de la tupla
return 0
else:
sum = 0
for x in valores :
sum += x
return sum / len( valores )
Explica por qué se obtiene el siguiente resultado:

media (* range (1 ,5))
0
y corrígelo para que que proporcione el resultado correcto (2.5).

E.12 Considera la función cuyo encabezado es el siguiente:
def varios (param1 , param2 , *otros ,** mas):
El funcionamiento de la función es como sigue:
varios (1, 2)
1
2
varios (1, 2, 4, 3)
1
2
****
***
varios (3,4,a=1,b=3)
3
4
−
−−−
¿Cuál será el resultado de la siguiente llamada?
varios (2,5,1,a=2,b=3)
Escribe el código de la función.

E.13 Crea un fichero de nombre hist.py que incluya la función histograma
del Ejercicio E.8. Luego crea un nuevo archivo Python de manera que acepte
un número n como entrada, cree una lista aleatoria de números enteros entre
1 y 5 de longitud n, y llame a la función histograma para imprimir el recuento
de cifras.
4 NumPy
NumPy que es el acrónimo de Numeric Python es un módulo fundamental

para el cálculo científico con Python. Con él se dispone de herramientas
computacionales para manejar estructuras con una gran cantidad de datos,
diseñadas para obtener un buen nivel de rendimiento en su manejo
Hemos de tener en cuenta que en un lenguaje de programación interpretado
como lo es Python, el acceso secuencial a estructuras que contengan una gran
cantidad de datos afecta mucho al rendimiento de los programas. Por ello es
imperativo evitar, en la medida de lo posible, el usar bucles para recorrer uno
a uno los elementos de una estructura de datos. En ese sentido, el módulo
NumPy incorpora un nuevo tipo de dato, el array, similar a una lista, pero
que es computacionalmente mucho más eficiente. El módulo incorpora además
una gran cantidad de métodos que permiten manipular los elementos del array
de forma no secuencial, lo que se denomina vectorización, y que ofrece un alto
grado de rendimiento. Es por ello que los algoritmos programados en el módulo
SciPy, que veremos en el capítulos siguiente, están basados en el uso extensivo
de arrays de NumPy.
4 1
ARRAYS
A diferencia de las listas, cuyos elementos pueden ser de cualquier tipo,

un array de NumPy debe tener todos sus elementos del mismo tipo. Para
definirlo será necesario importar el módulo, y usar la orden array:
import numpy as np
a = np.array ([1. ,3 ,6])
print a
[ 1. 3. 6.]
55
56 Capítulo 4 NumPy
Si aparecen elementos de distinto tipo, como es el caso, el array es definido

según la jerarquía de tipos numéricos existente. Como vemos, hemos definido
un array con un real y dos enteros, y éste se ha considerado como real. El
atributo dtype nos lo confirma
type(a)
print a. dtype
<type 'numpy.ndarray'>
float64
Nótese que en NumPy, el tipo de datos numéricos es un poco más extenso,

incluyendo reales en doble precisión (float64), simple precisión (float32),
entre otros. Por defecto, el tipo float de Python, corresponde a float64. Es
importante tener en cuenta el tipo con el que se define un array, pues pueden
ocurrir errores no deseados:
a = np.array ([1 ,3 ,5])
print a. dtype
int64
a[0] = 2.3 # La modificación no es la esperada

a
array([2, 3, 5])
Como el array es entero, todos los datos son convertidos a ese tipo. No
obstante, podemos cambiar de tipo todo el array,
a = a. astype (float) # cambio de tipo en nuevo array
array([ 2., 3., 5.])
a[0] = 3.6
print a
[ 3.6 3. 6. ]
Para evitarnos el tener que cambiar de tipo lo más sencillo es definir

desde el principio el array usando elementos del tipo deseado, o indicándolo
expresamente como en el siguiente ejemplo:
a = np.array ([2 ,5 ,7] , float)

a. dtype
dtype('float64')
4.1 Arrays 57
Los arrays también pueden ser multidimensionales:
a = np.array ([[1. ,3 ,5] ,[2 ,1 ,8]])

print a
[[ 1. 3. 5.]
[ 2. 1. 8.]]
y el acceso a los elementos puede hacerse con el doble corchete, o el doble

índice:
print a[0][2] , a[0 ,2]
5.0 5.0
Tenemos diversos atributos y funciones para obtener información relevante

del array:
a = np.array ([[1 ,3 ,5] ,[2 ,8 ,7]])

a.ndim # número de ejes
a. shape # dimensiones de los ejes
(2, 3)
a.size # número total de elementos
len(a) # longitud de la primera dimensión
Finalmente, la orden in nos permite saber si un elemento es parte o no de

un array:
2 in a # el elemento 2 está en a
True
4 in a # el elemento 4 no está en a
False
4 2
FUNCIONES PARA CREAR Y MODIFICAR ARRAYS
La orden arange es similar a range, pero crea un array:
np. arange (10) # por defecto comienza en 0
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
np. arange (5 ,15) # nunca incluye el último valor
array([ 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
np. arange (2 ,10 ,3) # podemos especificar un paso
array([2, 5, 8])
Nótese que todos los arrays creados son enteros. No obstante, esta orden
también admite parámetros reales
np. arange (1 ,3 ,0.1)
array([ 1. , 1.1, 1.2, 1.3, 1.4, 1.5, 1.6, 1.7,

1.8, 1.9, 2. , 2.1, 2.2, 2.3, 2.4, 2.5, 2.6,
2.7, 2.8, 2.9])
útiles para dividir un intervalo en subintervalos de igual longitud. Nótese que

el final no se incluye.
Si queremos dividir un intervalo con un número preciso de subdivisiones,
tenemos la orden linspace:
np. linspace (0 ,1 ,10) # intervalo (0 ,1) en 10 puntos
array([ 0. , 0.11111111, 0.22222222,

0.33333333, 0.44444444, 0.55555556, 0.66666667,
0.77777778, 0.88888889, 1. ])
np. linspace (0 ,1 ,10, endpoint =False) # sin extremo final
array([ 0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7,

0.8, 0.9])
El parámetro opcional retstep nos devuelve además la amplitud de cada

subintervalo:
np. linspace (1,2,5, retstep =True)
4.2 Funciones para crear y modificar arrays 59
(array([ 1. , 1.25, 1.5 , 1.75, 2. ]), 0.25)
4 2 1 Modificación de forma
Con el método reshape podemos cambiar la forma de un array:
np. arange (15). reshape (3 ,5) # cambio de forma
array([[ 0, 1, 2, 3, 4],
[ 5, 6, 7, 8, 9],
[10, 11, 12, 13, 14]])
o también,
np. arange (15). reshape (3,5, order ='F')
array([[ 0, 3, 6, 9, 12],
[ 1, 4, 7, 10, 13],
[ 2, 5, 8, 11, 14]])
La opción por defecto equivale a order='C'. Las iniciales 'C' y 'F' correspon-
den a los lenguajes C y FORTRAN, respectivamente, y se refieren al modo
en el que estos lenguajes almacenan los datos multidimensionales.
El método transpose, que se puede abreviar como .T, en arrays bidimen-
sionales es equivalente a la transposición de matrices:
a = np. arange (10). reshape (2 ,5)

print a.T
[[0 5]
[1 6]
[2 7]
[3 8]
[4 9]]
y con flatten obtenemos arrays unidimensionales:
print a
[[0 1 2 3 4]
[5 6 7 8 9]]
print a. flatten () # hacemos 1D for filas
[0 1 2 3 4 5 6 7 8 9]
print a. flatten ( order ='F') # por columnas ( estilo FORTRAN )
[0 5 1 6 2 7 3 8 4 9]
Nótese que todas estas funciones y métodos crean nuevos objetos, es decir, no
modifican los existentes.
4 2 2 Arrays con estructura
Las siguientes funciones son útiles para crear arrays de un tamaño dado
(y reservar memoria en ese momento):
a = np.zeros (5) # array 1D de 5 elementos

b = np.zeros ((2 ,4)) # array 2D, 2 filas 4 columnas
c = np.ones(b. shape ) # array 2D con unos
print a
print b
print c
[ 0. 0. 0. 0. 0.]
[[ 0. 0. 0. 0.]
[ 0. 0. 0. 0.]]
[[ 1. 1. 1. 1.]
[ 1. 1. 1. 1.]]
O bien
d = np. zeros_like (b) # d es como b

e = np. ones_like (c) # e es como c
La matriz identidad se obtiene con la función eye:
print np.eye (3) # matriz identidad de orden 3
[[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
que admite diferentes llamadas:
print np.eye (2 ,4)
[[ 1. 0. 0. 0.]
[ 0. 1. 0. 0.]]
o también
4.2 Funciones para crear y modificar arrays 61
print np.eye (4 ,3 ,1)

print np.eye (4 ,3, -1)
[[ 0. 1. 0.]
[ 0. 0. 1.]
[ 0. 0. 0.]
[ 0. 0. 0.]]
[[ 0. 0. 0.]
[ 1. 0. 0.]
[ 0. 1. 0.]
[ 0. 0. 1.]]
La función diag extrae la diagonal de un array 2D
print np.diag(np.eye (3)) # extracción de la diagonal
[ 1. 1. 1.]
o crea una matriz cuya diagonal es un array 1D dado:
print np.diag(np. arange (1 ,4)) # matriz con diagonal dada
[[1 0 0]
[0 2 0]
[0 0 3]]
print np.diag(np. arange (1 ,3) ,-1) # la diagonal se puede

mover
[[0 0 0]
[1 0 0]
[0 2 0]]
print np.diag(np. arange (2 ,4) ,2) # más de un lugar
[[0 0 2 0]
[0 0 0 3]
[0 0 0 0]
[0 0 0 0]]
Además, el módulo NumPy posee un submódulo de generación de arrays

aleatorios usando distintas distribuciones. Por ejemplo,
print np. random . random ((2 ,3)) # array aleatorio entre 0 y

1
[[ 0.39677787 0.31882267 0.99927024]

[ 0.22642506 0.3584889 0.73443862]]
print np. random . randint (1 ,10 ,(2 ,2)) # array 2x2 de enteros
entre 1 y 9
[[1 3]
[8 4]]
4 3
SLICING
Al igual que con las listas, podemos acceder a los elementos de un array
mediante slicing, que en NumPy además admite más sofisticación. Por ejem-
plo, la asignación sobre un trozo de una lista funciona de diferente modo que
en los arrays:
a = range (5)
a [1:4] = [6] # eliminamos elementos en la lista
print a
[0, 6, 4]
b = np. arange (5)

b [1:4] = 6 # no son necesarios los corchetes
print b # cambian todos los elementos del slice
[0 6 6 6 4]
En los arrays multidimensionales, podemos acceder a alguna de sus dimen-

siones de diferentes formas:
print a
[[0 1 2]
[3 4 5]
[6 7 8]]
print a[1] # segunda fila
[3 4 5]
print a[2 ,:] # tercera fila

4.3 Slicing 63
[6 7 8]
print a[: ,2] # segunda columna
[2 5 8]
Hay una diferencia notable entre el slicing en una lista y en un array de

NumPy. En el primero, el slicing crea un nuevo objeto mientras que en el
segundo no. Recordemos qué ocurría con las listas:
a = range (5)
b = a # b es el mismo objeto
c = a[:] # c es un nuevo objeto
a[0] = -1 # modificamos a
b # se modifica
[−1, 1, 2, 3, 4]
c # no se modifica
[0, 1, 2, 3, 4]
sin embargo, con los arrays:
a = np. arange (5)

b = a # b es el mismo objeto
c = a[:] # c también
c[0] = -1 # modificamos c
b[1] = 10 # modificamos b
print a # todos quedan modificados
[−1 10 2 3 4]
Atención, no es necesario que el slice corresponda a todo el objeto:

b = a[1: ,1:]
b[0 ,0] = -1 # modificamos un elemento del slice
print a # se modifica
[[ 0 1 2]
[ 3 −1 5]
[ 6 7 8]]
¿Cómo podemos entonces copiar un array? Para ello disponemos del

método copy

b = a[1: ,1:]. copy () # copia en nuevo objeto
b[0 ,0] = -1 # modificamos b
print b
[[−1 5]
[ 7 8]]
print a # no se ha modificado
[[0 1 2]
[3 4 5]
[6 7 8]]
4 4
OPERACIONES
Cuando usamos operadores matemáticos con arrays, las operaciones son

llevadas a cabo elemento a elemento:
a = np. arange (5.); b = np. arange (10. ,15)
print a, b
[ 0. 1. 2. 3. 4.] [ 10. 11. 12. 13. 14.]
print a+b
[ 10. 12. 14. 16. 18.]
print a*b
[ 0. 11. 24. 39. 56.]
print a/b
[ 0. 0.09090909 0.16666667 0.23076923

0.28571429]
print b**a
[ 0.00000000e+00 1.00000000e+00 4.09600000e+03

1.59432300e+06 2.68435456e+08]
Para arrays bidimensionales, la multiplicación sigue siendo elemento a

elemento, y no corresponde a la multiplicación de matrices. Para ello usamos
4.4 Operaciones 65
la función dot.
a = np. arange (1. ,5). reshape (2 ,2)
b = np. arange (5. ,9). reshape (2 ,2)
print a
print b
[[ 1. 2.]
[ 3. 4.]]
[[ 5. 6.]
[ 7. 8.]]
print a*b # producto elemento a elemento
[[ 5. 12.]
[ 21. 32.]]
print np.dot(a,b) # producto matricial
[[ 19. 22.]
[ 43. 50.]]
El cálculo con arrays es muy flexible, permitiéndonos cierta relajación

a la hora de escribir las operaciones: por ejemplo, si empleamos funciones
matemáticas de NumPy sobre un array, éstas se llevan a cabo elemento a
elemento:
print np.sin(a)
[[ 0.84147098 0.90929743]
[ 0.14112001 −0.7568025 ]]
print np.exp(b)
[[ 148.4131591 403.42879349]
[ 1096.63315843 2980.95798704]]
Nótese que sin y exp son funciones matemáticas definidas en el módulo

NumPy (entre otras muchas). Sin embargo, usar la función seno del módulo
math:
import math
math.sin(a)
TypeError: only length−1 arrays can be converted to

Python scalars
no funciona puesto que no admite arrays.

No obstante, es posible vectorizar cualquier función que definamos con la

función vectorize. Obsérvese el siguiente ejemplo: si tenemos nuestra propia
función
import math
def myfunc (a):
return math.sin(a)
entonces, podemos usarla para trabajar sobre arrays del siguiente modo:
vfunc = np. vectorize ( myfunc )

a = np. arange (4)
print vfunc (a)
[ 0. 0.84147098 0.90929743 0.14112001]
Arrays 1D vs. matrices

Hay una sutil diferencia entre un array unidimensional y una matriz fila o
columna. Obsérvense los siguiente ejemplos:
a = np. arange (3)

print a
[0 1 2]
print a.T
[0 1 2]
print a. shape
(3,)
Como podemos ver, la operación de transposición sobre un array unidi-

mensional no tiene sentido. De este modo, los productos matriciales aT a y
aaT son indistinguibles para Python:
np.dot(a.T,a)
np.dot(a,a.T)
de hecho, se obtiene lo mismo sin necesidad de usar la transposición:

4.4 Operaciones 67
np.dot(a,a)
Para evitar este comportamiento, el truco está en convertir el arreglo

unidimensional en uno bidimensional, en el que una de las dimensiones es
uno. Se puede hacer con el método reshape:
b = a. reshape (1 ,3)
print np.dot(b.T,b)
[[0 0 0]
[0 1 2]
[0 2 4]]
print np.dot(b,b.T)
o bien, de una forma un poco más sofisticada (pero más útil, pues no es
necesario conocer las dimensiones precisas para usar reshape), con la orden
newaxis, que crea una nueva dimensión en el array:
c = a[np. newaxis ]
print np.dot(c.T,c)
[[0 0 0]
[0 1 2]
[0 2 4]]
Obsérvese que
a[np. newaxis ]. shape
(1, 3)
No obstante, existe la función outer para el producto tensorial
print np. outer (a,a)
[[0 0 0]
[0 1 2]
[0 2 4]]
así como inner y cross
print np. inner (a,a)

print np. cross (a,a)
[0 0 0]
para el producto interior y el producto vectorial.
4 4 1 Álgebra Lineal
El módulo NumPy posee un submódulo, linalg para realizar operaciones

matemáticas comunes en Álgebra Lineal, como el cálculo de determinantes,
inversas, autovalores y solución de sistemas. Vemos unos ejemplos a continua-
ción:
a = np. random . randint (0 ,5 ,(3 ,3)). astype ('float ')
print a
[[ 1. 4. 4.]
[ 0. 0. 2.]
[ 2. 0. 0.]]
print np. linalg .det(a) # determinante
16.0
El cálculo de autovalores y autovectores se obtiene con la función eig
val , vec = np. linalg .eig(a) # autovalores y autovectores

print val
print vec
[ 4.0+0.j −1.5+1.32287566j −1.5−1.32287566j]

[[−0.87287156+0.j 0.07216878−0.57282196j
0.07216878+0.57282196j]
[−0.21821789+0.j 0.57735027+0.j
0.57735027−0.j ]
[−0.43643578+0.j −0.43301270+0.38188131j
−0.43301270−0.38188131j]]
donde hay que tener en cuenta que los autovectores corresponden a las
columnas de vec.
Para el cálculo de la matriz inversa:
np. linalg .inv(a) # inversa
4.4 Operaciones 69
[[ 0. 0. 0.5 ]
[ 0.25 −0.5 −0.125]
[ 0. 0.5 0. ]]
Y para resolver sistemas, creamos en primer lugar el segundo miembro:
b = np. random . randint (0 ,5 ,3). astype ('float ')

print b
[ 2. 3. 1.]
y resolvemos con solve
x = np. linalg . solve(a,b) # resolución del sistema ax=b

print x
[ 0.5 −1.125 1.5 ]
Comprobamos:
print np.dot(a,x) - b # comprobación
[ 0. 0. 0.]
4 4 2 Concatenación
Otra de las operaciones comunes que se realizan con arrays es la concate-

nación de varios arrays. Funciona así:
a = np. arange (5)

b = np. arange (10 ,15)
print np. concatenate ((a,b))
[ 0 1 2 3 4 10 11 12 13 14]
Si lo que queremos es unir los arrays 1D en una matriz de dos filas:
print np. concatenate ((a[np. newaxis ],b[np. newaxis ]))
[[ 0 1 2 3 4]
[10 11 12 13 14]]
Nótese la necesidad de añadir una dimensión extra para que se consideren los
arrays como vectores fila.
Para arrays multidimensionales:

b = np. arange (10 ,16). reshape (2 ,3)
print a
print b
[[0 1 2]
[3 4 5]]
[[10 11 12]
[13 14 15]]
print np. concatenate ((a,b)) # por defecto es por filas
[[ 0 1 2]
[ 3 4 5]
[10 11 12]
[13 14 15]]
print np. concatenate ((a,b),axis =1) # ahora por columnas
[[ 0 1 2 10 11 12]
[ 3 4 5 13 14 15]]
4 5
BROADCASTING
Es evidente que cuando las dimensiones de los arrays no concuerdan, no

podemos realizar las operaciones:
a = np.array ([1 ,2 ,3] , float)

b = np.array ([2 ,4] , float)
a+b
ValueError: operands could not be broadcast together

with shapes (3) (2)
No obstante, existe cierta flexibilidad:
print a+1
[ 2. 3. 4.]
Cuando los arrays no concuerden en dimensiones, Python tratará de pro-

yectarlos de manera que pueda realizarse la operación en cuestión. Este pro-
cedimiento es conocido como broadcasting. En el ejemplo anterior es bastante
4.5 Broadcasting 71
natural lo que se hace, se suma a cada elemento del array el escalar. Pero el
broadcasting en Python admite más sofisticación:
a = np. arange (1. ,7). reshape (3 ,2)

b = np.array ([ -1. ,3])
print a
print b
[[ 1. 2.]
[ 3. 4.]
[ 5. 6.]]
[−1. 3.]
print a+b
[[ 0. 5.]
[ 2. 7.]
[ 4. 9.]]
Python automáticamente proyecta el array b, repitiéndolo las veces necesarias

para que concuerde con la dimensión de a, es decir, sumamos a cada fila de a,
el correspondiente b.
En ocasiones, puede haber cierta ambigüedad en el broadcasting:
a = np. arange (4.). reshape (2 ,2)

b = np. arange (1. ,3)
print a
print b
[[ 0. 1.]
[ 2. 3.]]
[ 1. 2.]
print a+b # por defecto , el broadcasting es por filas
[[ 1. 3.]
[ 3. 5.]]
pero, ¿cómo podemos hacer el broadcasting por columnas? La solución es poner

b como columna usando newaxis
print a+b[np. newaxis ].T
[[ 1. 2.]
[ 4. 5.]]
o alternativamente,
print a+b[:,np. newaxis ]
[[ 1. 2.]
[ 4. 5.]]
Para entender mejor el funcionamiento de newaxis es conveniente echar un

vistazo a las dimensiones de los ejes de los arrays anteriores:
print a.shape , b. shape
(2, 2) (2,)
Nótese que b es esencialmente un matriz fila (un array unidimensional),

por lo que a+b es equivalente a
( ) ( ) ( )
0 1 1 2 1 3
+ =
2 3 1 2 3 5
(se repite por filas). Mientras que,
print a.shape , b[:,np. newaxis ]. shape
(2,2) (2, 1)
significa que el array b[:,np.newaxis] es equivalente a una matriz columna,

por lo que en la operación a realizar se repiten las columnas:
( ) ( ) ( )
0 1 1 1 1 2
+ =
2 3 2 2 4 5
En definitiva, newaxis lo que hace es añadir una nueva dimensión, conviertien-

do el array 1-dimensional en uno 2-dimensional. Si escribimos b[np.newaxis],
la nueva dimensión será la primera, mientras que si hacemos b[:,np.newaxis]
el nuevo eje aparecerá en la segunda dimensión.
Veamos un ejemplo más interesante. Supongamos que tenemos dos matri-
ces
 
( ) 2 4
1 3 5  
A= , B=
6 8

7 9 11
10 12
En este caso podemos calcular los productos matriciales AB y BA, con los
que obtenemos matrices 2 × 2 y 3 × 3, respectivamente:
4.5 Broadcasting 73
A = np.array ([i for i in range (12) if (i+1) %2==0]). reshape

(2 ,3)
B = np.array ([i for i in range (1 ,13) if i %2==0]). reshape
(3 ,2)
print np.dot(A,B)
[[ 70 88]
[178 232]]
print np.dot(B,A)
[[ 30 42 54]
[ 62 90 118]
[ 94 138 182]]
Estas son las operaciones “lógicas” que se puede realizar con estas dos
matrices, pero podríamos pensar en alguna más. Por ejemplo, si consideramos
la primera columna de A y la primera fila de B, podríamos construir la matriz
2 × 2 obtenida al considerar el producto tensorial de vectores. Aunque este
producto tensorial se puede llevar a cabo mediante operaciones matriciales
como hicimos antes con dot o outer, el broadcasting también nos lo permite.
Por ejemplo,
a = np.array ([1 ,7])

b = np.array ([2 ,4])
print a[:,np. newaxis ]*b
[[ 2 4]
[14 28]]
De este modo podemos proceder con las columnas de A y filas de B,

respectivamente. Un sencillo bucle nos proporciona dicho producto:
for i in range (A. shape [1]):

print A[:,i][ np. newaxis ].T*B[i ,:]
[[ 2 4]
[14 28]]
[[18 24]
[54 72]]
[[ 50 60]
[110 132]]
Esto es, hemos calculado

( ) ( ) ( ) ( )
1 ( ) 2 4 3 ( ) 18 24
2 4 = , 6 8 = ,
7 14 28 9 54 72
( ) ( )
5 ( ) 50 60
10 12 =
11 110 132
La ventaja que nos aporta NumPy es que es posible realizar esta misma
operación sin necesidad del bucle. Nótese que queremos multiplicar tres vec-
tores columna, por los correspondientes tres vectores filas. Esto es, vamos a
realizar 3 operaciones de vectores 2 × 1 con vectores 1 × 2. De este modo, de-
bemos considerar a A como 3 vectores columna (lo que corresponde a tamaño
(3,2,1))
print A[np. newaxis ].T
[[[ 1]
[ 7]]
[[ 3]
[ 9]]
[[ 5]
[11]]]
A[np. newaxis ].T. shape
(3, 2, 1)
De igual modo, B debe tener tamaño (3,1,2)
print B[:,np. newaxis ]
[[[ 2 4]]
[[ 6 8]]
[[10 12]]]
B[:,np. newaxis ]. shape
(3, 1, 2)
Así,
4.6 Otros métodos de interés 75
print A[np. newaxis ].T*B[:,np. newaxis ]
[[[ 2 4]
[ 14 28]]
[[ 18 24]
[ 54 72]]
[[ 50 60]
[110 132]]]
nos da el resultado esperado. ¿Puede el lector encontrar la forma de obtener

los productos tensoriales de los vectores fila de A con los correspondientes
vectores columna de B? (véase Ejercicio E.8).
4 6
OTROS MÉTODOS DE INTERÉS
Mostramos a continuación algunos métodos útiles:
a = np.array ([x**2 for x in range (15) if x %3==1])

print a
[ 1 16 49 100 169]
a.sum () # suma de todos los elementos
335
a.prod () # producto de todos los elementos
13249600
a.min () # menor elemento
a.max () # mayor elemento
169
a. argmin () # índice del menor elemento
0
a. argmax () # índice del mayor elemento
print a.clip (10 ,50) # si a <10 vale 10; si a >50 vale 50
[10 16 49 50 50]
Para arrays multidimensionales, la opción axis permite hacer las opera-

ciones anteriores (excepto clip) a lo largo de ejes diferentes:

print a
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
a.sum ()
66
print a.sum(axis =0)
[12 15 18 21]
print a.sum(axis =1)
[ 6 22 38]
4 6 1 Comparaciones
También es interesante la comparación entre arrays:
a = np.array ([1. ,3 ,0]); b=np. array ([0 ,3 ,2.])

a < b
array([False, False, True], dtype=bool)
a == b
array([False, True, False], dtype=bool)
Obsérvese que se crea un nuevo array, de tipo bool (booleano), correspon-

diente a la comparación de elemento con elemento. El broadcasting también
puede usarse en este contexto:
4.6 Otros métodos de interés 77
a > 2
array([False, True, False], dtype=bool)
Disponemos también de métodos sobre los arrays booleanos para determi-

nar si son ciertos todos los elementos:
c = a < 3 # asignamos a un array
print c
[ True False True]
c.any () # hay alguno cierto ?
True
c.all () # son todos ciertos ?
False
Aunque la comparación 2 < x < 3 es correcta si x es un número, no es

válida para arrays. Para comparaciones más sofisticadas disponemos de las
funciones logical_and, logical_or y logical_not:
print a
[ 1. 3. 0.]
np. logical_and (2 < a, a < 3)
array([False, False, False], dtype=bool)
np. logical_or (2 < a, a < 1)
array([False, True, True], dtype=bool)
También existe la función where que crea un nuevo array a partir de una
comparación:
a = np.array ([ 2., 3., 0., 5.])

print np. where (a != 0., 1/a, -1)
[ 0.5 0.33333333 −1. 0.2 ]
Como podemos ver, si el elemento del array no es cero, considera su inverso,

en caso contrario, lo hace igual a -1. Si usamos esta función sin los dos últimos
argumentos, nos proporciona los índices en los que la condición es cierta:
np. where(a!=0)
(array([0, 1, 3]),)
Aun no hemos mencionado un par de constantes especiales disponibles con

el módulo NumPy, nan y inf, que representan los valores no es un número e
infinito, respectivamente:
a = np.array ([ -1. ,0 ,1])

print 1/a
[ −1. inf 1.]
print np.sqrt(a)
[ nan 0. 1.]
En NumPy tenemos un par de funciones para preguntar si estos valores

están presentes:
print np. isinf (1/a)

print np. isnan (np.sqrt(a))
[False True False]

[ True False False]
4 7
INDEXACIÓN SOFISTICADA
Además del slicing que hemos visto, los arrays de NumPy se pueden
indexar a través de arrays con enteros o variables booleanas, denominados
máscaras. Veamos algunos ejemplos:
a = np. random . randint (1 ,20 ,6) # enteros aleatorios

print a
[11 9 12 15 11 7]
mask = (a %3 == 0) # múltiplos de 3
print mask
[False True True True False False]
print a[mask] # extracción de elementos de a con mask

4.7 Indexación sofisticada 79
[ 9 12 15]
print np. where (mask) # índices de elementos extraídos
(array([1, 2, 3]),)
a[mask] = -1 # asignación sobre la máscara

print a
[11 −1 −1 −1 11 7]
La máscara también puede estar formada por enteros:
mask = np. random . randint (0 ,5 ,5)

print mask # máscara de índices enteros
[2 4 3 2 0]
a =np. random . random (7)

print a # array aleatorio
[ 0.72321035 0.36614 0.76326975 0.11787665

0.41174471 0.39349619
0.08833142]
print a[mask] # selección según la máscara ( nuevo objeto )
[ 0.76326975 0.41174471 0.11787665 0.76326975

0.72321035]
a[[3 ,1]] = 0 # asignación a las posiciones 3 y 1

print a
[ 0.72321035 0. 0.76326975 0.
0.41174471 0.39349619
0.08833142]
Las máscaras pueden ser incluso más sofisticadas, posibilitando el cambio

de forma del array:
a = np. arange (10) [:: -1] # orden inverso !

print a
[9 8 7 6 5 4 3 2 1 0]
mask = np. random . randint (0 ,10 ,4). reshape (2 ,2)

print mask # máscara 2x2 aletoria
[[1 1]
[0 6]]
print a[mask] # a cambia de forma
[[8 8]
[9 3]]
Sin embargo, cuando el array es multidimensional, hay que tener más

cuidado con la indexación. Obsérvese el siguiente ejemplo:
print a
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
Ahora accedemos a la tercera fila, columasn primera y cuarta

print a[2 ,[0 ,3]]
[ 8 11]
Si queremos acceder a las filas segunda y tercera, con las mismas columnas,
podemos usar el slicing:
print a[1:3 ,[0 ,3]]
[[ 4 7]
[ 8 11]]
Pero si intentamos hacer los mismo con los índices explícitos:

print a[[1 ,2] ,[0 ,3]]
[ 4 11]
el resultado no es el esperado. La razón detrás de este comportamiento está

en la forma en la que NumPy almacena y accede a los datos de un array, y no
trataremos de explicarla aquí. Simplemente deberemos tener en cuenta que el
acceso simultáneo a un array multidimensional con índices sin emplear slicing
no funciona correctamente: NumPy interpreta un acceso a los elementos [1,0]
y [2,3]. Para obtener lo esperado usando índices explícitamente hemos de
usar la función ix_:
4.8 Operaciones con slicing 81
print a[np.ix_ ([1 ,2] ,[0 ,3])]
[[ 4 7]
[ 8 11]]
4 8
OPERACIONES CON SLICING
Un problema muy habitual en computación científica es el cálculo de

derivadas de funciones discretas. Por ejemplo, si tenemos una función u
aproximada por sus valores en un conjunto discreto de puntos xi , de tal forma
que ui ≡ u(xi ), para calcular la derivada discreta de dicha función se usan los
típicos cocientes incrementales:
ui+1 − ui
u′ (xi ) ≈
xi+1 − xi
Si disponemos de los valores de la función u y de los puntos xi en sendos
arrays, un sencillo bucle nos proporcionaría el cálculo buscado:
x = np. linspace (0 ,1 ,10)
u = np. random .rand (10)
up = np. zeros (u. shape [0] -1) # reserva de memoria
for i in range (len(x) -1):
up[i] = (u[i+1]-u[i]) /(x[i+1]-x[i])
print up
[−1.41907443 −2.95081187 4.47554157 −0.88413512

−7.47152493 7.69239807 −7.67930642 8.45498184
−3.05845911]
Pero tal y como comentamos en la introducción de este capítulo, debemos

evitar siempre que sea posible el uso de bucles para construir y/o acceder a
los elementos de un array. En este caso, nos bastará observar, por ejemplo,
que los numeradores de la derivada numérica se pueden escribir
(u1 − u0 , u2 − u1 , . . . un − un−1 ) = (u1 , u2 , . . . , un ) − (u0 , u1 , . . . , un−1 )
que en Python tiene la representación mediante slicing: u[1:]-u[:-1]. De este
modo,
uz = (u[1:] -u[: -1]) /(x[1:] -x[: -1])
print uz
[−1.41907443 −2.95081187 4.47554157 −0.88413512

−7.47152493 7.69239807 −7.67930642 8.45498184
−3.05845911]
4 9
LECTURA DE FICHEROS
El módulo NumPy posee funciones para la lectura rápida de ficheros de

datos similar a la que ofrece MATLAB. La orden loadtxt permite leer ficheros
de datos numéricos y almacenarlos en un array. Por ejemplo, si el contenido
del archivo fichero.dat es
2 1
4 3
6 5
8 7
10 9
entonces lo podemos leer de la forma:
d = np. loadtxt ('fichero .dat ')
print d
[[ 2. 1.]
[ 4. 3.]
[ 6. 5.]
[ 8. 7.]
[ 10. 9.]]
De forma similar tenemos la orden savetxt para guardar arrays de forma

rápida. La siguiente orden
c = d**2
np. savetxt ('nuevo.dat ',c)
crea un fichero de nombre nuevo.dat con el siguiente contenido

4.000000000000000000 e+00 1.000000000000000000 e+00
1.600000000000000000 e+01 9.000000000000000000 e+00
3.600000000000000000 e+01 2.500000000000000000 e+01
6.400000000000000000 e+01 4.900000000000000000 e+01
1.000000000000000000 e+02 8.100000000000000000 e+01
No obstante es importante resaltar que estos mecanismos no son los más
eficientes para manejar una gran cantidad de datos.
4 10
BÚSQUEDA DE INFORMACIÓN
El módulo NumPy es enorme y contiene gran cantidad de métodos y

funciones para realizar todo tipo de tareas. Para buscar la función adecuada,
NumPy nos provee de algunas funciones para obtener dicha información. La
función info tiene el mismo efecto que el uso de ? en IPython:
4.10 Búsqueda de información 83
np.info(np.dot)
dot(a, b, out=None)
Dot product of two arrays.
For 2−D arrays it is equivalent to matrix multiplication

, and for 1−D
arrays to inner product of vectors (without complex
conjugation). For
N dimensions it is a sum product over the last axis of `
a` and
the second−to−last of `b`::
dot(a, b)[i,j,k,m] = sum(a[i,j,:] * b[k,:,m])
...
Disponemos además de la función source que nos proporciona el código

fuente de la función en cuestión:
np. source (np.diag)
In file: /usr/local/lib/python2.7/dist−packages/numpy/
lib/twodim_base.py
def diag(v, k=0):

"""
Extract a diagonal or construct a diagonal array.
See the more detailed documentation for ``numpy.

diagonal`` if you use this
function to extract a diagonal and wish to write to
the resulting array;
whether it returns a copy or a view depends on what
version of numpy you
are using.
...
"""
v = asarray(v)
s = v.shape
if len(s) == 1:
n = s[0]+abs(k)
res = zeros((n, n), v.dtype)
if k >= 0:
i = k
else:
i = (−k) * n
res[:n−k].flat[i::n+1] = v
return res
elif len(s) == 2:
return v.diagonal(k)
else:
raise ValueError("Input must be 1− or 2−d.")
aunque es necesario advertir que puede que dicho código no esté disponible
para algunas funciones.
Por último, cuando no concemos el nombre exacto de la función, o su
posible existencia, podemos realizar una búsqueda por concepto para ver qué
funciones en NumPy están relacionadas con ese tema. Por ejemplo, si estamos
buscando algún tipo de descomposición matricial y queremos ver qué posee
NumPy, podemos usar la función lookfor:
np. lookfor ('decomposition ')
Search results for 'decomposition'

−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−−
numpy.linalg.svd
Singular Value Decomposition.
numpy.linalg.cholesky
Cholesky decomposition.
numpy.linalg._umath_linalg.cholesky_lo
cholesky decomposition of hermitian positive−
definite matrices.
numpy.polyfit
Least squares polynomial fit.
numpy.ma.polyfit
Least squares polynomial fit.
numpy.linalg.pinv
Compute the (Moore−Penrose) pseudo−inverse of a
matrix.
numpy.polynomial.Hermite.fit
Least squares fit to data.
numpy.polynomial.HermiteE.fit
numpy.polynomial.Laguerre.fit
numpy.polynomial.Legendre.fit
4.11 Ejercicios 85
numpy.polynomial.Chebyshev.fit
numpy.polynomial.Polynomial.fit
numpy.polynomial.hermite.hermfit
Least squares fit of Hermite series to data.
numpy.polynomial.laguerre.lagfit
Least squares fit of Laguerre series to data.
numpy.polynomial.legendre.legfit
Least squares fit of Legendre series to data.
numpy.polynomial.chebyshev.chebfit
Least squares fit of Chebyshev series to data.
numpy.polynomial.hermite_e.hermefit
Least squares fit of Hermite series to data.
numpy.polynomial.polynomial.polyfit
Least−squares fit of a polynomial to data.
4 11
EJERCICIOS
E.1 Crear las siguientes matrices:

   
10 13 16 19 22 25 28 12 18 24 30 36
   
 
A = 11 14 17 20 23 26 29 , B = 42 48  54 60 66

12 15 18 21 24 27 30 72 78 84 90 96
( )
0 2 3 4 6 8 9
C=
10 12 14 15 16 18 20
E.2 Escribe una función tenga como argumento de entrada una matriz y
devuelva 1 si es simétrica, −1 si es antisimétrica y 0 en caso contrario.
E.3 Crear una función para construir una matriz de tamaño n con una
estructura como la siguiente:
 
2 −1 0 0 ··· 0 0
 
−1 2 −1 0 ··· 0 0
 
 .. .. .. .. .. .. ..
 . . . . . . .
 
 
 0 0 0 0 ··· 2 −1
0 0 0 0 ··· −1 2
E.4 Considera un conjunto aleatorio de 100 puntos del plano en el rectángulo

(0, 1) × (0, 1). Conviértelos a coordenadas polares y encuentra el punto más

lejano al origen en coordenadas cartesianas.
E.5 Crea una función cuyo argumento de entrada sea una matriz (o array
2D) y cuya salida sean tres matrices D, L y U , correspondientes a su parte
diagonal, triangular inferior y superior, respectivamente, de manera que A =
D + L + U . Asegurate de que el objeto de entrada sea efectivamente un array
2D cuadrado, y que en caso contrario, se imprima un mensaje de aviso.
E.6 Construye la siguiente matriz
 
0 1 2 3 4 5
 
10 11 12 13 14 15
 
20 25
 21 22 23 24 
 
30 31 32 33 34 35
 
 
40 41 42 43 44 45
50 51 52 53 54 55
usando broadcasting de la siguiente manera

b=np. arange (6); c=10*b
a=b+c[:,np. newaxis ]
Ahora, mediante slicing, obtén las siguientes submatrices

 
( ) 12 ( )
( ) 44 45   20 22 24
13 14 22
54 55   40 42 44
32
E.7 Crea una matriz cuadrada de tamaño 8 × 8 con elementos 0 y 1

dispuestos como en un tablero de ajedrez. Por ejemplo, para dimensión 4,
la matriz sería:  
0 1 0 1
 
1 0 1 0
 
0 1
 1 0 
1 0 1 0
E.8 Dadas las matrices

 
8 4
( )  
1 2 3 4 7 3 
A= , 
B= 

5 6 7 8  6 2 
5 1
4.11 Ejercicios 87
Calcular las matrices resultantes de multiplicar tensorialmente los vectores

fila de A con los respectivos vectores columna de B. Debes obtener 2 matrices
de tamaño 4 × 4. Calcula también las 4 matrices de tamaño 2 × 2 obtenidas
al multiplicar tensorialmente las columnas de A con las filas de B.
E.9 Usando broadcasting (ver Ejercicio E.6), obtener las matrices siguientes:
 
1 2 3 4 5  
  1 4 9 16
2 3 4 5 6  
   4 9 16 25
   
A = 3 4 5 6 7 B =  
   9 16 25 36 
4 5 6 7 8
 
16 25 36 49
5 6 7 8 9
E.10 Crear una función para construir una matriz de tamaño n con una
estructura como la siguiente:
 
1 2 3 ··· n−1 n
 
1 3 3 ··· n−1  n
 
 
1 2 5 ··· n−1 n 
. . . .. 
. . . .. .. 
. . . . . . 
 
1 2 3 ··· 2n − 3 n 
 
1 2 3 ··· n − 1 2n − 1
E.11 Para valores de n entre 2 y 20, calcula el determinante de la matriz

siguiente:  
1 n n ··· n
 
n 2 n ··· n
 
. .. .. .. .. 
 .. . . . .
 
n n n ··· n
E.12 Encuentra la inversa de las matrices del tipo siguiente:

 
1 1 1 ··· 1
 
0 1 1 · · · 1
 
0 0 1 · · · 1
 
. .. .. . . .. 
. . .
. . . 
0 0 0 ··· 1
E.13 Construye una función para calcular, en función del tamaño, los
autovalores de las matrices del tipo siguiente y comprueba que su producto
coincide con el determinante:

 
2 1 0 0 ··· 0
 
1 2 1 0 ··· 0
 
0 1 2 1 ··· 0
 
. . . . .. 
. . . . ..
. 
. . . . .
0 0 0 0 ··· 2
E.14 Construye una función tal que, dado un array de longitud cualquiera,
construya el conocido como determinante de Vandermonde.

1 1 1 ··· 1

x1 x2 x3 ··· xn

x2 x22 x23 ··· x2n
1
. .. .. ..
. ..
. . . . .

xn−1 xn−1 xn−1 · · · xn−1
1 2 3 n
A continuación calcula su valor, y comprueba que coincide con la fórmula

∏
(xj − xi )
1≤i<j≤n
¿Podrías escribir el código para calcular esta fórmula usando un solo bucle?
¿Y sin bucles?
E.15 Crea un array aleatorio de enteros entre 0 y 100 bidimensional, de
tamaño 1000 × 1000. Cuenta el número de múltiplos de 5 que hay en cada fila
y luego calcula la media de los valores obtenidos. Repite el proceso 100 veces.
Indicación: usa el método mean.
E.16 Considera un conjunto de n puntos uniformemente espaciados en el
intervalo (0, 1), x0 < x1 < · · · < xn−1 . Dada una función u, sabemos que una
aproximación de la derivada segunda en un punto x viene dada por
u(x + h) − 2u(x) + u(x − h)

u′′ (x) ≈
h2
Para la función u(x) = sin(x), calcula los valores reales de su derivada segunda
en los puntos xi interiores del intervalo y compáralos con los valores obtenidos
en la aproximación.
E.17 Considera una matriz de la forma
( )
0 I
A=
K D
4.11 Ejercicios 89
donde 0 y I son la matriz nula y la matriz identidad de tamaño 2 × 2,

respectivamente, y K y D son matrices 2 × 2 con la siguiente forma:
( ) ( )
k 0.5 −d 1
K= D=
0.5 k 1 −d
siendo k y d parámetros reales.

Construye una función que tenga como argumentos de entrada k y d,
siendo k = −1000 el valor por defecto para k, y que tenga como salida los
autovalores de la matriz A.
E.18 Resuelve el siguiente sistema de ecuaciones:

2x − y − z = 4  

3x + 4y − 2z = 11


3x − 2y + 4z = 11 
E.19 Crea una función para resolver un sistema de ecuaciones de la forma

Ax = b mediante el método iterativo de Gauss-Jacobi, que puede expresarse
de la forma: ( )
x(i+1) = D−1 −(L + U )x(i) + b
donde D, L y U corresponden a la descomposición de la matriz A dada en el

Ejercicio E.5. Aplícala a la resolución del sistema del Ejercicio E.18.
E.20 El método de Monte Carlo para calcular el área de un recinto plano
consiste en generar puntos aleatorios en un recinto más grande que lo contenga,
y cuyo área conozcamos. El área corresponderá a la proporción de puntos que
caen dentro del recinto buscado. Calcula de este modo el área del círculo
unidad.
Indicación: bastará hacerlo para un cuarto de círculo.
5 SciPy
SciPy, que es el acrónimo de Scientific Python, es un módulo compuesto

por un buen número de algoritmos matemáticos útiles para la resolución de
una amplia variedad de problemas de índole científico.
En el mundo de la programación es recomendable no reinventar la rueda,
es decir, no volver a hacer algo que ya está hecho (y posiblemente de una forma
mejor). Esta situación surge en multitud de ocasiones cuando, en el proceso
de la resolución de un determinado problema, debemos usar algún algoritmo
conocido y que con seguridad ya ha sido programado con anterioridad. En
tales circunstancias suele ser una sabia decisión el usar la implementación ya
realizada en lugar de volverla a programar. SciPy proporciona precisamente
esto: una colección de algoritmos matemáticos ya programados de forma
eficiente de los que únicamente necesitamos saber cómo usarlos.
SciPy está compuesto por una serie de submódulos aplicables a una amplia
diversidad de campos. La tabla 5.1 muestra los módulos disponibles:
Puesto que no pretendemos en estas notas llevar a cabo una descripción
exhaustiva de cada uno de estos submódulos, mostraremos de forma breve
cómo usar alguna función de los módulos optimize, interpolate e integrate,
con los cuales sentar las ideas básicas para aprender a usar cualquiera de los
otros.
5 1
OPTIMIZACIÓN SIN RESTRICCIONES
El módulo optimize proporciona una serie de algoritmos para la resolución

de problemas de optimización y el cálculo de raíces. En estas notas se ha usado
la versión 0.18.1 de SciPy, por lo que es posible que si el lector usa una versión
anterior algunas funciones no estén disponibles.
El módulo permite resolver problemas de optimización con y sin restric-
ciones para funciones de una o varias variables, usando diversos algoritmos
91
92 Capítulo 5 SciPy
Cuadro 5.1: Módulos presentes en SciPy
Submódulo Descripción
cluster Algoritmos de agrupamiento
constants Constantes físicas y matemáticas
fftpack Rutinas para la Transformada Rápida de Fourier
integrate Integración de ecuaciones diferenciales ordinarias
interpolate Interpolación y splines regulares
io Entrada y salida de datos
linalg Álgebra lineal
ndimage Procesamiento de imágenes
odr Regresión ortogonal
optimize Optimización y cálculo de raíces
signal Procesamiento de señales
sparse Matrices dispersas
spatial Estructuras de datos espaciales
special Funciones especiales
stats Funciones estadísticas
weave Integración con C/C++
que incluyen optimización global, métodos de mínimos cuadrados, métodos

quasi-Newton, programación secuencial cuadrática, entre otros. Dado que no
es nuestra intención ser muy exhaustivos, veremos sólo algún ejemplo sencillo
del uso de alguno de estos métodos. En cualquier caso, la elección del método
más adecuado al problema a resolver precisa de un conocimiento general de
los problemas de optimización que se escapa del alcance de estas notas.
Como primer ejemplo consideraremos la función de Rosenbrook de N
variables, definida por
∑ −1
N
[ ]
f (x0 , . . . , xN −1 ) = 100(xi − x2i−1 )2 + (1 − xi−1 )2
i=1
de la cual se conoce que alcanza su mínimo en el punto (1, . . . , 1), siendo

f (1, . . . , 1) = 0.
En primer lugar, crearemos una función que nos proporcione los valores
de la función de Rosenbrook:
5.1 Optimización sin restricciones 93
def rosenbrook (x):

return sum (100.*( x[1:] -x[: -1]**2) **2 + (1-x[: -1]) **2)
Y a continuación llamaremos al optimizador usando el nombre de la fun-

ción como parámetro de entrada. Típicamente, en los algoritmos de optimi-
zación es preciso dar un punto inicial a partir del cual poner en marcha el
procedimiento; además, nosotros proporcionamos algunas opciones adiciona-
les en forma de diccionario:
from scipy. optimize import minimize
x0 = np. array ([1.3 , 0.7, 3.9, 3.9, 1.2, 1.6 ,2.1])

opciones = {'xtol ':1.e-8, 'disp ':True}
opt = minimize (rosenbrook , x0 , method ='Powell ',options =
opciones )
siendo el resultado:
Optimization terminated successfully.
Current function value: 0.000000
Iterations: 26
Function evaluations: 2870
Las opciones proporcionadas aquí se refieren al parámetro que regula el

criterio de parada (xtol) y a la información de salida (disp). Si esta última
es False, entonces el algoritmo no devuelve información a menos que la
extraigamos del objeto opt creado en la llamada. Esta información puede
obtenerse simplemente con
print opt
resultando:
direc: array([[ 1.00000000e+00, 0.00000000e+00,
0.00000000e+00,
0.00000000e+00, 0.00000000e+00, 0.00000000
e+00,
0.00000000e+00],
[ −1.16176646e−06, −1.38842362e−06, 5.31922868
e−06,
1.18136018e−05, 4.32075655e−06, −1.96558476
e−06,
9.91332650e−06],
[ 1.87538194e−08, 4.17940823e−08, 6.17951780
e−07,
6.04908798e−07, 9.14032521e−07, 1.69204568
e−06,
2.60026901e−06],
[ −1.33951405e−03, −2.63439121e−03, −6.99973806

e−03,
−9.52271263e−03, −2.15130721e−02, −4.47290037
e−02,
−9.44484188e−02],
[ 0.00000000e+00, 0.00000000e+00, 0.00000000
e+00,
0.00000000e+00, 1.00000000e+00, 0.00000000
e+00,
0.00000000e+00],
[ −1.11668317e−01, −1.97386502e−01, −1.16436208
e−01,
−6.49484932e−02, −1.82185447e−02, 2.81508404
e−03,
8.48222299e−03],
[ −6.41742238e−10, −1.70859402e−09, −2.51610081
e−09,
−6.56698002e−09, −1.31379941e−08, −2.62980032
e−08,
−5.15356896e−08]])
fun: 2.2378384321174616e−21
message: 'Optimization terminated successfully.'
nfev: 2870
nit: 26
status: 0
success: True
x: array([ 1., 1., 1., 1., 1., 1., 1.])
O si queremos detalles concretos, invocando el atributo correspondiente del

objeto, como por ejemplo, el punto donde se alcanza el óptimo:
print opt.x
[ 1. 1. 1. 1. 1. 1. 1.]
El método empleado en este ejemplo es una variante del conocido como

método de Powell, que es un método de direcciones conjugadas que no usa
información sobre la derivada de la función objetivo. De hecho, ni siquiera es
preciso que la función sea diferenciable.
El resto de métodos disponibles para la función minimize puede consultarse
con el comando info. Por ejemplo, está disponible el método del Gradiente
Conjugado de Polak-Ribière, que sí precisa información de la derivada de
la función objetivo. Dicha información puede venir dada por el usuario a
través de una función, o puede ser estimada numéricamente por el propio
algoritmo. Estas dos opciones son controladas por el parámetro jac, que puede
ser tanto un valor booleano como una función. Si jac es una función, entonces
5.1 Optimización sin restricciones 95
se entiende que ésta proporciona el valor del gradiente, mientras que si es

un valor booleano y es True entonces significa que el gradiente de la función
objetivo es devuelto por la propia función objetivo. Si jac=False entonces el
gradiente se estimará numéricamente.
En el ejemplo anterior, dado que la derivada de la función de Rosenbrook
es:
∂f
= −400x0 (x1 − x20 ) − 2(1 − x0 )
∂x0
∂f
= 200(xj − x2j−1 ) − 400xj (xj+1 − x2j ) − 2(1 − xj ), 1 ≤ j ≤ N − 2
∂xj
∂f
= 200(xN −1 − x2N −2 )
∂xN −1
podemos, o bien crear una función que devuelva este gradiente:
def grad_rosenbrook (x):

der = np. zeros_like (x)
der [0] = -400*x [0]*(x[1]-x [0]**2) - 2*(1 -x[0])
der [ -1] = 200*( x[-1]-x[ -2]**2)
der [1: -1] = 200*( x[1: -1] -x[: -2]**2) - 400*x[1: -1]*(x
[2:] - x [1: -1]**2) - 2*(1 -x[1: -1])
return der
o bien hacer que la propia función objetivo devuelva también el gradiente,

esto es, definiríamos la función de la forma siguiente:
def newrosenbrook (x):

f = sum (100.*( x[1:] -x[: -1]**2) **2 + (1-x[: -1]) **2)
der = np. zeros_like (x)
der [0] = -400*x [0]*(x[1]-x [0]**2) - 2*(1 -x[0])
der [ -1] = 200*( x[-1]-x[ -2]**2)
der [1: -1] = 200*( x[1: -1] -x[: -2]**2) - 400*x[1: -1]*(x
[2:] - x [1: -1]**2) - 2*(1 -x[1: -1])
return f,der
De este modo, podríamos usar el método de optimización de alguna de las

siguientes formas. El punto inicial y las opciones usadas son:
x0 = np. array ([1.3 , 0.7, 3.9, 3.9, 1.2, 1.6 ,2.1])

opciones = {'disp ':True}
Primera opción: usamos la función objetivo y su derivada como funciones

independientes. El parámetro jac es igual al nombre de la función que calcula
el gradiente del objetivo:
# primer método : gradiente como función independiente
opt1 = minimize (rosenbrook , x0 , method ='CG ', jac=

grad_rosenbrook , options = opciones )

Iterations: 103
Gradient evaluations: 205
# óptimo :
print opt1.x
[ 1.00000002 1.00000004 1.00000007 1.00000015

1.0000003 1.0000006
1.00000122]
Segunda forma: usamos la función nuevarosenbrook que devuelve la función

objetivo y su gradiente de forma simultánea. En esta llamada, el parámetro
jac=True:
# segundo método : gradiente obtenido en la función

objetivo
opt2 = minimize ( newrosenbrook , x0 , method ='CG ', jac=True ,

options = opciones )

Iterations: 103
# óptimo :
print opt2.x
[ 1.00000002 1.00000004 1.00000007 1.00000015

1.0000003 1.0000006
1.00000122]
Por último, prescindimos del gradiente y hacemos que el método lo calcule

de forma aproximada. Ahora jac=False:
5.2 Optimización con restricciones 97
# tercer método : gradiente calculado numéricamente
opt3 = minimize ( rosenbrook , x0 , method ='CG ', jac=False ,

options = opciones )

Iterations: 146
# óptimo
print opt3.x
[ 1.00000004 1.00000009 1.00000018 1.00000035

1.00000071 1.00000144
1.00000291]
Lógicamente, el resultado de las dos primeras optimizaciones es idéntico,

pues se han usado la misma información, aunque dispuesta de diferente modo.
No ocurre así con la tercera opción, pues en este caso el método ha usado
un gradiente numérico, que evidentemente requiere un mayor número de
iteraciones, no sólo del método, sino también del número de evaluaciones de
la función objetivo.
5 2
OPTIMIZACIÓN CON RESTRICCIONES
SciPy también dispone de diversos algoritmos para resolver problemas de

optimización con restricciones del tipo siguiente:
Minimizar f (x)
sujeto a hi (x) = 0, 1 ≤ i ≤ n,
gj (x) ≥ 0, 1 ≤ j ≤ m,
lk ≤ x k ≤ u k , 1 ≤ k ≤ N,
con x = (x1 , . . . , xN ). Esto es, un problema con N variables, n restricciones

de igualdad y m restricciones de desigualdad, además de acotaciones simples
sobre cada variable. Como ejemplo particular consideremos:
Minimizar x20 + 2x21 − 2x0 x1 − 2x0

sujeto a x30 − x1 = 0,
x1 ≥ 1.
Para resolver este tipo de problemas con el módulo optimize creamos en

primer lugar funciones para la función objetivo y su derivada:
def fobj(x):
return x [0]**2 + 2*x [1]**2 - 2*x[0]*x[1] - 2*x[0]
def grad_fobj (x):

return np.array ([ 2*(x[0]-x[1] -1) , 4*x[1] -2*x[0] ])
La restricciones, por su parte, se definen a través de diccionarios con claves

'type', para determinar si se trata de restricciones de igualdad o desigualdad,
y 'fun' y 'jac', para definir las restricciones y sus derivadas:
constr1 = {'type ':'eq ', 'fun ': lambda x: x[0]**3 -x[1], '
jac ': lambda x: np.array ([3*x[0]**2 , -1.])}
constr2 = {'type ':'ineq ', 'fun ': lambda x: x[1]-1 , 'jac ':
lambda x: np.array ([0. ,1.])}
constr = (constr1 , constr2 )
La optimización se lleva a cabo con una llamada similar a las anteriores
res = minimize (fobj , [ -1.0 ,1.0] , jac=grad_fobj ,

constraints =constr , method ='SLSQP ',options ={ 'disp ':
True })
en el que el punto inicial es (−1, 1). El resultado es
Optimization terminated successfully. (Exit mode 0)

Current function value: −1.00000018311
Iterations: 9
El objeto res contiene toda la información del proceso:
print res
fun: −1.0000001831052137
jac: array([−1.99999982, 1.99999982, 0. ])
message: 'Optimization terminated successfully.'
nfev: 14
nit: 9
njev: 9
status: 0
success: True
x: array([ 1.00000009, 1. ])
5.3 Interpolación de datos 99
5 3
INTERPOLACIÓN DE DATOS
El módulo interpolate proporciona diversos métodos y funciones para la

interpolación de datos en una o varias dimensiones. Por simplicidad en estas
notas sólo veremos cómo se utiliza la función interp1d para la interpolación de
datos en una dimensión. La llamada a este método devuelve una función que
puede ser evaluada en cualquier punto. Dicha función es obtenida mediante
interpolación sobre un conjunto de datos proporcionado en una serie de
puntos.
Por ejemplo, supongamos que tenemos el siguiente conjunto de puntos:
(0.00, 0.00), (0.20, 0.56), (0.40, 0.93), (0.60, 0.97), (0.80, 0.68), (1.00, 0.14)
que definimos con los siguientes arrays
x = np. linspace (0 ,1 ,6)

y = np.array ([0. ,0.56 ,0.93 ,0.97 ,0.68 ,0.14])
y que aparecen representados en la Figura 5.1a.

Para obtener una función lineal a trozos que pase por esos puntos nos
bastará usar la función interp1d del siguiente modo:
from scipy. interpolate import interp1d

f = interp1d (x,y)
Ahora f es una función que interpola dichos datos:
f = interp1d (x,y)
print f(x)
[ 0. 0.56 0.93 0.97 0.68 0.14]
En la Figura 5.1b hemos dibujado la función f resultante. El cálculo de

cualquier valor sobre dicha función se hará de la forma habitual:
print f (0.23)
0.6155
La interpolación realizada es, por defecto, lineal a trozos; pero la función

interp1d admite otras opciones. Por ejemplo, podemos hacer
f1 = interp1d (x,y,kind='cubic ')
y obtener así una interpolación basada en splines de tercer orden. Otras

opciones son 'slinear' o 'quadratic' para interpolación por splines de primer
(a) Puntos a interpolar (b) Función interpolada
Figura 5.1: Interpolación de datos unidimensional
(a) Splines cúbicos (b) Interpolación de Lagrange
Figura 5.2: Otras interpolaciones
o segundo orden, respectivamente. La Figura 5.2a muestra la interpolación

cúbica.
Por último, disponemos de la función lagrange para calcular el polinomio
de interpolación de Lagrange de un conjunto de puntos. En este caso, la
función devuelve un objeto tipo polinomio de NumPy (que puede considerarse
una función). La Figura 5.2b muestra un gráfico de dicho polinomio.
from scipy. interpolate import lagrage

p = lagrange (x,y)
print p
5 4 3 2
−1.563 x + 6.771 x − 9.479 x + 1.604 x + 2.807 x
5.4 Resolución de ecuaciones diferenciales 101
5 4
RESOLUCIÓN DE ECUACIONES DIFERENCIALES
El submódulo integrate posee un integrador, odeint para ecuaciones

diferenciales ordinarias muy sencillo de usar que permite resolver de forma
rápida ecuaciones o sistemas diferenciales de primer orden. Esta función usa
las rutinas LSODA del paquete ODEPACK que es una librería clásica escrita en
lenguaje FORTRAN.
Veamos un ejemplo de uso de esta función. Consideremos la ecuación del
oscilador amortiguado. Para unos parámetros ω y γ, que son constantes que
tienen que ver con las características elásticas y la amortiguación debida a la
viscosidad, la ecuación se puede escribir en la forma:
y ′′ + γy ′ + ωy = 0
con condiciones iniciales y(0) = y0 e y ′ (0) = y0′ .

Al tratarse de una ecuación de segundo orden, y dado que el integrador
resuelve ecuaciones o sistemas de primer orden, debemos reescribir la ecuación
como un sistema de primer orden. Definiendo un vector
( )
y
y=
y′
entonces la ecuación anterior es equivalente al sistema siguiente:

( ) ( )
′ y′ y0
y = , y(0) =
−ωy − γy ′ y0′
Para resolver el sistema con Python, importamos en primer lugar la función

odeint:
from scipy. integrate import odeint
y a continuación definimos los datos del problema:
omega = 2.
gamma = 0.5
y0 = [2.5 , 0] # condiciones iniciales
# segundo miembro de y '=f(y,x)

def func(y,x):
return [y[1],- omega *y[0]- gamma*y[1]]
Finalmente, definimos un array de puntos sobre los que calcular la solución y

realizamos la llamada:
x = np. arange (0 ,8 ,0.05)

y = odeint (func , y0 , x)
De esta forma, y es un array 2D que contiene en su primera columna la solución

de la ecuación, y la segunda columna será su derivada.
El método usa una aproximación del gradiente de la función del segundo
miembro. Si podemos obtener este gradiente de forma exacta, podemos me-
jorar el rendimiento del método. La llamada se haría entonces del siguiente
modo:
def func_grad (y,x):
return [[0 ,1] ,[ -w ,2*g]]
y = odeint (func , y0 , x, Dfun= func_grad )
5 5
EJERCICIOS
E.1 Resolver el siguiente problema de optimización:
Maximizar xexy
sujeto a x2 + y = 0
E.2 Resolver el siguiente problema de optimización:
Minimizar (x − 1)2 + (y − 2)2

sujeto a x − 2y + 2 ≥ 0
−x − 2y + 6 ≥ 0
x, y ≥ 0
E.3 Considera la función f (x) = −3x3 + 2x2 + 8x − 1. Genera un número

determinado de puntos de la misma y obtén la interpolación de Lagrange.
¿Cuáles son los coeficientes del polinomio interpolador resultante? ¿Cambia
en función del número de puntos que se generan?
E.4 Para la función f del Ejercicio E.3, construye la interpolación lineal a
trozos y mediante splines cúbicos en los puntos de abcisa 1, 2, 3 y 4. ¿Cuánto
valen los interpoladores en el punto 2.5? ¿Y en 0?
E.5 Resolver el siguiente problema (ecuación de Airy):
y ′′ − xy = 0
1 1
y(0) = √ , y ′ (0) = − √
3
32 Γ( 23 )
3
3Γ( 13 )
5.5 Ejercicios 103
donde Γ(x) denota la función Gamma de Euler. La solucion exacta de esta

ecuación es la función de Airy y(x) = Ai(x).
Indicación:. Las funciones Ai y Γ están en el submódulo special.
6 Gráficos con Matplotlib
Matplotlib es un conjunto de librerías de Python para la construcción

de gráficos 2D especialmente adecuada para la visualización de datos y la
creación de imágenes de calidad acorde con los estándares de publicación.
Está particulamente diseñada para el uso de arrays de NumPy y posee una
interfaz muy similar a la de MATLAB.
La librería proporciona un buen manejo de gráficos de calidad en múltiples
formatos, permitiendo la interacción con el área gráfica además de integrarse
con diferentes herramientas de desarrollo de GUIs.1
La librería es muy amplia, por lo que en estas notas sólo daremos un
breve vistazo de su manejo para la visualización de datos. Esencialmente
podemos trabajar con la librería de dos formas: usando pylab, que es un
módulo independiente que proporciona también la funcionalidad de NumPy
y que es adecuado para la creación interactiva y rápida de gráficos, o bien,
usando el submódulo pyplot con el que podemos tener un control más fino
sobre el gráfico. En estas notas usaremos ambas alternativas para mostrar su
funcionamiento.
El Backend
El uso diverso que permite Matplotlib (embeber gráficos en GUIs, creación

de ficheros gráficos en algún format específico, etc.) precisa de una comunica-
ción adecuada con el entorno en el que se va a generar el gráfico. El backend
es la herramienta que hace el trabajo detrás del telón, y necesita ser definido
de forma correcta. En general, una instalación estándar de Matplotlib habrá
seleccionado correctamente el backend, en cuyo caso el usuario no ha de preo-
cuparse de este tema. Sin embargo, si el funcionamiento de los gráficos no es
el adecuado, es posible que sea necesario modificar el backend por defecto. En
el entorno Jupyter Notebook disponemos de la función mágica %matplotlib
1 Graphical User Interface: interfaz gráfica de usuario.
105
106 Capítulo 6 Gráficos con Matplotlib
para seleccionarlo. Si queremos los gráficos integrados en el propio entorno

entonces escribiremos
%matplotlib notebook
mientras que si queremos que los gráficos aparezcan en una ventana propia
bastará poner
%matplotlib
Using matplotlib backend: Qt4Agg
que nos informa del backend seleccionado. Para manejar gráficos de forma
interactiva sugerimos usar esta segunda opción.
6 1
GRÁFICOS INTERACTIVOS
Comenzaremos con el uso interactivo con el módulo pylab. La ventaja del

uso de este módulo es que carga tanto el módulo NumPy como las funciones
apropiadas de Matplotlib, pero lo hace de forma masiva, por lo que se tiende
a usar otras alternativas. No obstante, para construir gráficos sencillos es
bastante cómodo.
6 1 1 Interactividad
Una vez cargado el módulo pylab, lo primero que haremos será saber si la
sesión es o no interactiva, para lo cual usamos la función:
from pylab import *

isinteractive ()
True
El resultado será True o False, en función de la consola usada. El resultado

nos dirá qué sucederá cuando creemos un elemento gráfico. Si ha sido True,
entonces la siguiente función
figure ()
<matplotlib.figure.Figure at 0x7f83db020290>
creará una nueva ventana, como la mostrada en la Figura 6.1. La salida de la

función nos informa del objeto creado y la dirección de memoria donde reside.
Dado que esta información no es relevante por ahora, prescindiremos en lo
sucesivo de mostrarla.
6.1 Gráficos interactivos 107
Figura 6.1: Ventana creada por la función figure()
Si por el contrario, la salida del la función isinteractive() es False,

entonces la orden figure() dará el mismo resultado, pero no se mostrará
ventana alguna. Para ver el gráfico será preciso invocar la orden show().
Esta es la diferencia fundamental entre tener la sesión en interactivo o no.
Cualquier cambio en una sesión interactiva se ve reflejado al momento sobre
la gráfica, mientras que si la sesión interactiva no está activada habrá que usar
la orden show() (para mostrar la ventana gráfica por primera vez) o draw()
para actualizar los cambios hechos al dibujo.
En cualquier caso, podemos activar o desactivar la interactividad mediante:
ion () # activa la sesión interactiva
ioff () # desactiva la sesión interactiva
6 1 2 Figuras y gráficos
La orden figure() crea una ventana con título Figure más un número
entero que irá incrementándose sucesivamente. Es posible hacer la llamada
de la forma figure(num), bien para crear la figura con la numeración que
deseemos, o bien, si dicha figura existe, para hacerla activa. En lugar de un
número entero es posible pasar un string como argumento, que se convertirá
en el título de la ventana creada.
La orden
plot ([1 ,3 ,2])
crea un gŕafico en la ventana como el de la Figura 6.2. El comando plot es

sencillo de usar; si se le proporciona una lista o array, crea una línea que une
los puntos de abscisa dada por el índice de la lista, y ordenada dada por el
valor de la lista. En el caso de la Figura 6.2, se crea una línea que une los
puntos (0, 1), (1, 3) y (2, 2).
Figura 6.2: Gráfico dentro de la figura

El gráfico se crea dentro de la figura que esté activa, si hubiera una, o
directamente se crearía una nueva figura para contenerlo. Obsérvese que el
gráfico se crea con unos ejes, que por defecto se escalan al tamaño del gráfico
creado, se etiquetan con valores oportunos y la línea es coloreada de forma
automática. Es importante tener clara la diferencia entre la ventana gráfica,
creada por la orden figure, y los ejes creados con plot, pues son objetos
distintos, que posteriormente aprenderemos a manejar.
Si en lugar de proporcionar al comando plot una lista, le damos dos,
entonces la primera lista corresponderá a las abscisas y la segunda a las
ordenadas de los puntos (en particular, esto implica que ambas listas deben
tener la misma longitud):
x = arange (0 ,2.1 ,0.5)

y = x**2
plot(x,y)
El resultado puede verse en la Figura 6.3. Nótese que hemos usado la función
arange de NumPy (recuérdese que pylab importa éste módulo) y que por
tanto, x e y son arrays. Obsérvese también cómo el gráfico es reescalado para
poder mostrar la nueva línea en el eje que ya estaba creado.
Podríamos haber hecho que el nuevo comando plot borrara el dibujo
anterior, en lugar de añadirse al existente. La función hold es la encargada de
activar o desactivar el estado de concurrencia, esto es, si los sucesivos dibujos
se mostrarán junto a los anteriores, o bien éstos serán borrados y sustituidos
por el último. Se puede cambiar de estado invocándola sin parámetro, o bien
Figura 6.3: Dos gráficas en el mismo eje
activarlo o desactivarlo mediante hold(True) o hold(False), respectivamente.

La función ishold() nos proporciona el estado de concurrencia actual.
Para cerrar una ventana bastará usar la orden
close () # cierra la Figura activa
close (num) # cierra la Figura num
Si lo que queremos es borrar los gráficos de la figura activa sin cerrar la ventana
disponemos de
cla () # borra los gráficos pero mantiene el eje

clf () # borra los ejes pero mantiene la figura
6 1 3 Subplots
El posible tener varios ejes distintos en la misma ventana gráfica, para lo
cual usaremos la orden:
subplot (n,m,k)
la cual divide la figura en n filas y m columnas y crea unos ejes en la posición k

(contando de izquierda a derecha y de arriba a abajo). La comas de separación
entre n, m y k no son necesarias (a menos que alguno de los valores tenga
más de un dígito). Por ejemplo,
subplot (234)
abre una ventana como la de la Figura 6.4a y selecciona dicho eje como el
eje activo. Nótese que la figura es dividida en dos filas de tres columnas cada
(a) (b)
Figura 6.4: Subplots

una, y se crean los ejes en la posición 4 (contando por filas). Si a continuación
escribimos
subplot (232)
entonces en la misma figura se crean unos ejes en la posición 2 (ver Figu-

ra 6.4b), que serán los nuevos ejes activos. ¿Qué ocurrirá si ahora escribimos
subplot(211)? En este caso, la estructura es sobrescrita y aparecen los ejes en
la posición que muestra la Figura 6.5, siendo éste último el nuevo eje activo.
Figura 6.5: Distintos ejes en la misma figura

Como puede observarse, la función subplot permite organizar de forma
estructurada cualquier combinación de ejes que se desee. El comando plot di-
bujará el gráfico correspondiente sobre el eje activo. Por ejemplo, la Figura 6.6
corresponde a las siguientes órdenes:
subplot (221)
subplot (222)
subplot (212)
x = linspace (0 ,1 ,10)
y = sin(x)
z = cos(x)
w = sqrt(x)
plot(x,w) # dibuja sobre el eje activo (212)
subplot (221) # nuevo eje activo (221)
plot(x,y) # dibuja sobre el eje activo (221)
subplot (222) # cambiamos de eje activo al (222)
plot(x,z) # dibuja sobre el eje activo (222)
Figura 6.6: Varios gráficos en la misma figura
6 1 4 Axes
Es posible organizar los ejes creados en una figura de forma no estructurada

con el comando axes:
axes ()
crea unos ejes por defecto, que equivale a hacer subplot(111). Si a continuación
escribimos:
axes ([0.2 ,0.5 ,0.3 ,0.3])
obtendremos uno ejes como los de la Figura 6.7.

Figura 6.7: Varios ejes no estructurados
Los dos primeros números en el argumento de la función axes hacen

referencia a las coordenadas de la esquina inferior izquierda, y los otros dos,
a la anchura y altura, respectivamente, de los ejes a situar. Las coordenadas
están normalizadas entre 0 y 1.2
6 2
AÑADIENDO OPCIONES
El comando plot admite varias secuencias de datos y una serie interminable

de opciones para controlar todos los aspectos del gráfico. Algunas de estas
opciones son equivalentes a las de MATLAB. La Figura 6.8 muestra un par
de ejemplos.
Como podemos ver en la Figura 6.8, podemos usar, tras los arrays que
determinan los puntos del gráfico, una cadena con diversos caracteres con los
que configurar algunos aspectos del tipo de línea usada, como el color, el estilo
de línea o los marcadores que señalan cada uno de los puntos del gráfico. Por
ejemplo, en la Figura 6.8a, los datos x, y se dibujan según la cadena 'r-o', que
significa que se ha usado color rojo, línea continua y círculos como marcadores.
mientras que la cadena 'g:' hace uso del color verde, con línea punteada para
dibujar la pareja x, z. En la Figura 6.8b, 'm--s' dibuja en color morado, línea
discontinua y marcadores cuadrados, y la cadena 'bx' dibuja en azul sólo
marcadores con forma de cruz. La tabla 6.1 muestra una breve representación
de las opciones más comunes. Para una lista completa véase la ayuda del
2 Nótese que el posicionamiento de los ejes por defecto corresponde a las coordenadas
normalizadas [0.125,0.1,0.775,0.8].
6.2 Añadiendo opciones 113
x = linspace (0 ,1 ,30)
y = sqrt(x)
z = x**2
(a) plot(x,y,'r-o',x,z,'g:')
(b) plot(x,y,'m--s',x,z,'bx')
Figura 6.8: Ejemplos de uso de plot

Cuadro 6.1: Opciones del comando plot
Carácter Color Carácter Marcador

b azul . punto
g verde o círculo
r rojo ^ triángulo
y amarillo * estrella
m magenta x cruz
k negro s cuadrado
w blanco + signo más
Carácter Estilo de línea

- línea continua
-- línea discontinua
: línea punteada
-. línea semipunteada
comando plot.
Además de este tipo de opciones abreviadas, el comando plot permite con-
figurar muchos otros aspectos del gráfico a través de argumentos opcionales,
algunos de los cuales tienen el mismo efecto que los ya vistos. Puesto que no es
nuestra intención ser exhaustivos, mostraremos algunos ejemplos de opciones
en la siguiente sección a la vez que introducimos algo más de control sobre los
gráficos.
6 3
CONFIGURANDO VARIOS ELEMENTOS DEL GRÁFICO
Títulos y leyendas
Podemos incluir un título al eje del gráfico a dibujar con el comando
title (cadena)
También es posible distinguir cada uno de las líneas trazadas con plot
mediante una leyenda, usando una etiqueta definida por el argumento opcional
6.3 Configurando varios elementos del gráfico 115
Figura 6.9: Título y leyenda
label. La leyenda se activa con el comando legend, que entre otros argumentos
permite situar la leyenda en posiciones predeterminadas con la opción loc, el
estilo de fuente, etc. Una vez más la ayuda del comando proporciona todas
las posibilidades. La Figura 6.9 muestra el resultado de las siguientes órdenes:
x = linspace (0 ,1 ,20)
y = x**2
z = x**3
plot(x,y, linewidth =2, label='$x ^2$',color =(0 ,1 ,0))
plot(x,z, linestyle ='dashed ',color =(1 ,0 ,1) ,label ='$x ^3$')
title ('Un par de funciones ',fontsize =14)
legend (loc =0)
Nótese que en las cadenas de caracteres que conforman las etiquetas para la
leyenda se ha usado notación LATEX. También se han usado otras opciones del
comando plot. La leyenda debe ser activada después de los comandos plot y
recogerá todas las etiquetas en función del orden.
Texto y anotaciones
La Figura 6.10 ha sido generada con el siguiente código:
axes( axisbg =(0.35 ,0.25 ,0.75) )

# datos
x = linspace (0 ,1 ,20)
y = x**2
plot(x,y,'b-o') # dibujo
# anotaciones
Figura 6.10: Texto y anotaciones
text(x[12] -0.22 ,y[12] ,u'Texto aquí ',fontsize = 12,

horizontalalignment ='right ')
arrow (x[12] -0.2 ,y[12] ,0.2 ,0. , color='yellow ',
length_includes_head = "True", width =0.008 , head_width
=0.02)
text(x[14] -.3 ,y[14]+0.2 ,r'$\alpha +\ beta$ ',
verticalalignment ='bottom ',horizontalalignment ='center '
,fontsize =14)
arrow (x[14] -.3 ,y[14]+0.2 ,0.27 , -0.18 , color='red ')
Obsérvense algunas de las opciones empleadas: axisbg proporciona el color

de fondo de los ejes; en este caso, el color se ha determinado a través de una
tupla de valores reales entre 0 y 1 en formato RGB.3
La orden text sitúa una cadena de caracteres en las coordenadas determi-
nadas por los dos primeros argumentos. En el ejemplo, los datos con los que
se ha construido la curva han sido usados para determinar tales coordenadas.
Puesto que la cadena contenía acentos (en el primer text) y notación LATEX(en
el segundo) las hemos pasado como Unicode y raw, respectivamente. El resto
de opciones son evidentes.
También hemos incluido flechas para señalar objetos en el gráfico con la
orden arrow, la cual precisa de cuatro coordenadas; las dos primeras señalan el
3 Red, Green, Blue.
6.3 Configurando varios elementos del gráfico 117
origen del vector, y las dos segundas las coordenadas del desplazamiento (que
no las coordenadas del extremo). Las opciones empleadas son autoexplicativas.
Etiquetas para los ejes

Echemos un vistazo al ejemplo de la Figura 6.11, el cual ha sido generado
con el siguiente código:
scatter ( random .rand (1000) ,random .rand (1000) )

xlabel ('Valores en X')
ylabel ('Valores en Y')
xlim (-1 ,2)
ylim (0 ,1.5)
xticks ([ -1 ,0 ,0.5 ,1 ,2])
yticks ( arange (0 ,1.6 ,0.1))
minorticks_on ()
Figura 6.11: Etiquetas en los ejes

Como podemos ver, este gráfico ha sido generado con la orden scatter
que en lugar de dibujar líneas, dibuja un conjunto de puntos (sin relacionar)
cuyas coordenadas vienen dadas por dos listas (en nuestro caso, dos arrays
aleatorios). El resto de órdenes establece leyendas para los ejes (con xlabel e
ylabel), los límites que determinan los ejes del gráfico (con xlim e ylim), y las
marcas que se muestran en cada eje (con xticks e yticks), que son definidas
a través de una lista o un array. Por último, la orden minorticks_on() activa
las marcas de subdivisión en ambos ejes.
Otros tipos de gráficos

La cantidad de tipos de gráficos diferentes que Matplotlib puede generar
es enorme, por lo que es muy recomendable echarle un vistazo a la galería que
aparece en la página web del proyecto (matplotlib.org/gallery). No sólo
se pueden apreciar las posibilidades de creación de gráficos sino que además
se puede ver el código con el que se generan.4
6 4
GRÁFICOS Y OBJETOS
En las secciones anteriores hemos visto cómo funciona el módulo pylab

de forma interactiva. Esta forma de trabajar es útil para probar ejemplos
sencillos, pero desde nuestro punto de vista, tenemos un mayor control de lo
que sucede en un gráfico si manejamos adecuadamente los objetos de los que
está compuesto. En esencia, lo que necesitamos es almacenar los objetos con
los que construimos un gráfico en variables, y usar los métodos que provee
Python para irlos modificando.
Por otra parte, en lugar de trabajar con el módulo pylab, en esta sección
usaremos directamente pyplot y NumPy, los cuales importaremos de la forma
estándar:
import matplotlib . pyplot as plt
import numpy as np
Crearemos una figura, la cual asignamos a una variable para acceder adecua-
damente a los métodos disponibles.
fig = plt. figure ()
Los objetos gráficos tienen su propia jerarquía, por ejemplo, en una figura
podemos incluir varios ejes (tal y como hacíamos con subplot):
ax1 = fig. add_subplot (211)

ax2 = fig. add_subplot (212)
Al manejar objetos, a veces es necesario actualizar el estado del dibujo para

que las acciones hechas sobre él se muestren, aun estando en modo interactivo.
Para ello usaremos la orden:
plt.draw ()
Creamos unos datos y dibujamos en cada uno de los ejes:

4 Sólo hay que tener en cuenta la versión que se tiene instalada de Matplotlib, y la versión
que se use en el ejemplo, pues en ocasiones algunas características no están cubiertas por
versiones inferiores.
6.4 Gráficos y objetos 119
x = np. linspace (0 ,4 ,100)

y = np.cos (2*x*np.pi)*np.exp(-x)
z = np.sin (3*x*np.pi)
a = ax1.plot(x,y,x,z)
b, = ax2.plot(x,z)
Ahora la variable a es una lista que contiene dos objetos gráficos de tipo
Line2D, y b es un sólo objeto gráfico de este tipo. Obsérvese el uso de la coma
para almacenar el objeto gráfico y no la lista.5 Ahora podemos acceder a las
diversas propiedades de cada uno de los objetos gráficos usando métodos:
a[0]. set_linewidth (2)

a[1]. set_color ('magenta ')
b. set_label (r'$\sin x$ ')
b. set_linestyle ('--')
ax2. legend ()
b. set_marker ('s')
b. set_markerfacecolor ('r')
b. set_markersize (3)
plt.draw ()
El resultado puede verse en la Figura 6.12. Las distintas opciones para el objeto
Line2D pueden consultarse en la ayuda. Por supuesto, también se pueden
emplear las opciones del mismo modo que en la secciones anteriores.
Para tratar distintos elementos de un gráfico, también es posible usar la
función setp que asigna una (o varias) propiedades a un objeto. Por ejemplo,
plt.setp(a, linewidth =3)

plt.setp(ax2 , title=u'Título ')
haría que las dos curvas de eje superior tengan ambas grosor 3, y que el eje
inferior luzca un título. Las mismas propiedades que hemos modificado en los
ejemplos anteriores pueden modificarse con esta orden.
6 4 1 Un poco más de sofisticación

Veamos algún ejemplo más en el que mostraremos otras propiedades del
gráfico que podemos controlar fácilmente. En este caso, vamos a usar el
backend notebook para ver cómo se genera el gráfico en el entorno Jupyter:
x = np. linspace (0,np.pi ,100)

y = np.sin (2*x*np.pi)*np.cos (3* np.pi*x)
f = plt. figure ()
ax = f. add_subplot (111)
b = ax.plot(x,y)
5 Podríamos haber hecho también a, c = ax1.plot(x,y,x,z) para almacenar los
elementos de la lista en variables separadas.

Figura 6.12
plt.setp(b, linewidth =2, color ='red ') # propiedades de la

curva
ax.axis('tight ') # ajuste de los ejes al gráfico

ax.grid(True) # rejilla
# etiquetas del eje X

plt. xticks ([0, np.pi/4, np.pi/2,np.pi /4*3 , np.pi],['$0$ ',
r'$\frac {\ pi }{4}$', r'$\frac {\ pi }{2}$', r'$\frac {3\ pi
}{4}$', r'$\pi$ '])
ax. set_yticks ([-1,-.5, 0,.5, 1]) # marcas del eje Y

# etiquetas para las marcas del eje Y
ax. set_yticklabels ([ '$-1$',r'$-\ frac {1}{2} $', r'$0$ ', r'$\
frac {1}{2} $', r'$1$ '], fontsize =16, color ='blue ',rotation
=30)
# banda de resaltado
band = ax. axvspan (2* np.pi /5 ,3* np.pi /5)
band. set_color ('red ') # ponemos color
band. set_alpha (0.2) # ponemos transparencia
6.5 Gráficos 3D 121
Vemos ahora que la celda de salida está ocupada por el gráfico de la Figu-
ra 6.13.
La función axis muestra y/o establece las propiedades de los ejes. En
concreto, el argumento 'tight' hace que los ejes se ajusten a los datos del
gráfico. Otras posibilidades son 'off', 'equal' o 'scaled'.
La orden grid activa o desactiva (con True o False, respectivamente) la
malla que puede verse de fondo en el gráfico.
Es posible especificar, no sólo dónde se sitúan las marcas de los ejes, sino
también, la etiqueta que lleva cada una. En este ejemplo se ha hecho de forma
diferente para cada eje. Con la función xticks, que admite una o dos listas,
señalamos la posición de las marcas con la primera lista, y, si existe, la cadena
de caracteres que se imprimirá en cada etiqueta con la segunda. Nótese el uso
de notación LATEX.
En el eje Y hemos determinado las marcas mediante el método set_yticks
y las etiquetas con set_yticklabels. Esta segunda opción nos permite además
especificar color, tamaño de fuente o rotación, entre otras propiedades.
Además hemos añadido un nuevo objeto en el gráfico, una banda vertical
de resaltado con la función axvspan, a la que hemos modificado el color y la
transparencia con los métodos adecuados.
Finalmente, podemos salvar el fichero gráfico a disco con la función
f. savefig ('grafico .png ',format ='png ')
para la que basta precisar el nombre del fichero a guardar y el formato del
mismo.6 Para otras opciones, consultar la ayuda.
6 5
GRÁFICOS 3D
Aunque la librería Matplotlib fue diseñada en principio para trabajar con

gráficos bidimensionales también incorpora la posibilidad de realizar gráficos
3D, aunque hemos de señalar que existen otras alternativas interesantes como
MayaVi.
Para usar gráficos 3D con Matplotlib precisamos además realizar la si-
guiente importación:
from mpl_toolkits . mplot3d import Axes3D
y a continuación, usamos la opción projection a la hora de crear unos ejes:

ax = fig. add_subplot (111 , projection ='3d')
6 También podemos salvar los gráficos tanto desde la ventana gráfica como desde el gráfico
incrustado en el entorno Jupyter.

Figura 6.13
Podemos dibujar curvas con el método plot vinculado a este tipo de ejes,
usando tres listas o arreglos que proporcionan las coordenadas de los puntos
de la curva. Por ejemplo,
t = np. linspace (-4* np.pi ,4* np.pi ,100)

z = np. linspace ( -2 ,2 ,100)
r = z **2+1
x = r*np.sin(t)
y = r*np.cos(t)
b = ax.plot(x,y,z, linewidth =2)
da lugar al gráfico de la Figura 6.14

Para dibujar superficies se emplea la misma técnica que en MATLAB, esto
es, es necesario crear dos matrices de datos que generan los puntos de una
malla bidimensional sobre la que se define la función a dibujar. Por ejemplo,
si queremos dibujar el grafo de la función
( √ )
f (x, y) = sin 2π x2 + y 2
en el dominio [−1, 1] × [−1, 1] hemos de preparar los datos de la siguiente

forma:
6.5 Gráficos 3D 123
Figura 6.14: Curva en 3D
x = np. linspace ( -1 ,1 ,150)

X1 ,Y1=np. meshgrid (x,x) # mallado fino
Z1=np.sin (2* np.pi*np.sqrt(X1 **2+ Y1 **2))
y = np. linspace ( -1 ,1 ,20)
X2 ,Y2=np. meshgrid (y,y) # mallado grueso
Z2=np.sin (2* np.pi*np.sqrt(X2 **2+ Y2 **2))
y ahora dibujamos (véase la Figura 6.15).
fig = plt. figure ( figsize =(12 ,6))

ax = fig. add_subplot (121 , projection ='3d')
bx = fig. add_subplot (122 , projection ='3d')
surf = ax. plot_surface (X1 ,Y1 ,Z1)
wire = bx. plot_wireframe (X2 ,Y2 ,Z2)
Con la orden contourf se pueden dibujar mapas de contorno en distintos

ejes y diferentes posiciones (Figura 6.16):

ax = fig.gca( projection ='3d') # gca: get current axes
ax. plot_wireframe (X2 ,Y2 ,Z2)
ax. contourf (X2 ,Y2 ,Z2 ,zdir='z',offset =-1)
cset = ax. contourf (X2 ,Y2 ,Z2 ,zdir='y',offset =1)
plt.setp(cset , alpha =0.2)
El parámetro zdir señala el eje sobre el que se dibujan los contornos, mientras
Figura 6.15: Superfices en 3D
que offset señala el nivel en el que se muestran (si este parámetro no aparece,
se dibuja cada contorno en su nivel correspondiente). Nótese la selección de
transparencia sobre el objeto cset con el parámetro alpha y el comando setp.
Figura 6.16: Curvas de nivel en 3D

6.6 Ejercicios 125
6 6
EJERCICIOS
E.1 Considera un conjunto aleatorio de 100 puntos en el rectángulo [−3, 3]×

[−3, 3]. Dibuja de color azul aquéllos que se encuentren dentro del círculo
unidad, de color rojo los que se encuentren fuera del círculo unidad y dentro
del círculo de radio 2 y dibuja en verde los que están fuera del círculo de
radio 2 y dentro de cículo de radio 3. El resto, déjalos en negro. Usando un
marcador distinto, determina el más lejano y el más cercano al origen.
Indicación: para dibujar puntos aislados usa el comando scatter. El parámetro
s permite modificar el tamaño del marcador. Usa máscaras para evitar los
bucles.
E.2 En el Ejercicio E.17 del Tema 4 de definen unas matrices A en función
de los parámetros k y d. Para k = −1000, considera 100 valores de d entre 0
y 100 y dibuja en el plano complejo los autovalores de dichas matrices.
Indicación: los números complejos se pueden dibujar con scatter separando
parte real y parte imaginaria.
E.3 Considera la función f (x) = sin(3x) cos(5x − 1) en el intervalo [0, 1].
Encuentra los máximos y mínimos usando la función minimize_scalar del
módulo optimize de SciPy. Dibuja la función y señala los puntos obtenidos,
anotándolos con texto.
Indicación: la función minimize_scalar usa una lista a modo de intervalo para
acotar el mínimo, aunque no asegura que el mínimo encontrado caiga en dicho
intervalo. Usa intervalos adecuados para localizar los máximos y mínimos
buscados.
E.4 Reproducir de la forma más aproximada los gráficos de la Figura E.4.
E.5 Dibujar las siguientes funciones en los recintos indicados:
(a) f (x, y) = e−x −y 2

2
en [−2, 2]2 .
2
(b) f (x, y) = ex (x4 + y 4 ) en [−1, 1]2 .
√
(c) El cono f (x, y) = x2 + y 2 sobre el círculo unidad. Usar coordenadas
polares.
(d) La superficie en polares z = (r2 − 1)2 sobre el círculo de centro origen y

radio 1.25.
(e) La esfera unidad y la esfera de radio dos. Usar transparencia.
E.6 Considera los puntos (0, 0), (1, 3), (2, −1), (3, 2), (4, 2) y, (5, −1).
Dibújalos usando triángulos de color verde. A continuación, calcula la función
interpoladora lineal, el spline cúbico y el polinomio interpolador de Lagrange.
Dibuja cada uno de ellos en un color distinto y etiquétalos para que aparezca
una leyenda.
(a) x sen(10x2 ) (b) sen x y cos x
(c) 100 ptos. en el círculo unida�d (d) 100 ptos. en el círculo unidad
(e) cos(2πt)et (f) e−x en (0, 1)
Figura 6.17: Ejercicio E.4
E.7 Considera el siguiente código que genera tres líneas l1 , l2 y l3 :

6.6 Ejercicios 127
from pylab import *

t1 = linspace (0.0 , 2.0 , 20)
t2 = linspace (0.0 , 2.0 , 100)
f = figure (1)
ax = f. add_subplot (111)
l1 , = ax.plot(t2 , exp(-t2))
l2 , l3 = ax.plot(t2 , sin (2* pi*t2), t1 ,log (1+ t1))
Realiza las siguientes modificaciones añadiendo nuevas líneas al código:
Dibuja las líneas l1 y l3 con un grosor de 2 puntos, y l2 con un grosor

de 3 puntos.
Colorea l1 en azul, l2 en verde y l3 en negro.
La línea l1 debe ir en discontinua, l2 con puntos y rayas, y l3 en línea
continua.
Añade marcadores cuadrados de color verde con bordes rojos en la línea
l3 .
7 Programación Orientada a Objetos
En los temas anteriores hemos podido comprobar que en la programación

en Python es constante el uso de objetos. En este tema vamos a ver cómo
podemos crear nuestros propios objetos junto con sus atributos y métodos
mediante las denominadas clases.
No es frecuente en computación científica el uso de clases pues, básica-
mente, la resolución de problemas científicos se basa en la introducción de
datos, la realización de los cálculos oportunos y la correspondiente salida; es-
to es, el comportamiento típico de una función. Sin embargo, vamos a ver
cómo los objetos pueden facilitarnos la programación necesaria para resolver
un problema.
Por ejemplo, supongamos que queremos estudiar el comportamiento de
una estructura de barras como la de la Figura 7.1. Se trata de un conjunto de
puntos, denominados nodos, que sirven como puntos de unión de una serie de
barras de un determinado material. Para describir la estructura precisaremos
de las coordenadas en el plano1 de los nodos y de las conexiones existentes
entre éstos, que determinarán dónde se encuentran las barras.
Parece lógico almacenar los datos de la estructura en un par de arrays:
uno conteniendo las coordenadas de los nodos y otro que almacena las barras
existentes entre dos nodos. Por ejemplo, la estructura de la Figura 7.2 estaría
definida por:
coord = np.array ([[ 0. ,0.] ,[ 1. ,0.] ,[ 0. ,1.] ,[ 1. ,1.]])

conex = np.array ([[0 ,1] ,[0 ,2] ,[0 ,3] ,[1 ,2] ,[1 ,3] ,[2 ,3]])
Nótese que el número de nodos vendrá dado por coord.shape[0], y el

número de barras por conex.shape[0], mientras que los números del array de
conexiones se refieren a la numeración impuesta en los nodos. Así, por ejemplo,
la barra 4 conecta los nodos 1 y 3, (luego conex[4]=[1, 3], cuyas coordenadas
vendrán dadas por coord[2,:] y coord[3,:]).
1 También se podría hacer en el espacio sin dificultad.
129
130 Capítulo 7 Programación Orientada a Objetos
Figura 7.1: Estructura de barras
5
2 3
3
1 4
2
0 1
0
Figura 7.2: Estructura básica
Supongamos ahora que queremos crear una estructura de barras con una
configuración regular como la de la Figura 7.1. No es difícil construir una
función para obtener los arrays de coordenadas y conexiones para una estruc-
tura de este tipo. Típicamente se construiría una función cuyos parámetros
de entrada fueran el número de nodos que vamos a tener en cada dimensión y
cuya salida fueran los arrays de coordenadas y conexiones correspondientes.
No obstante, vamos a crear esta estructura mediante objetos. Inicialmente
podrá parecer que es más complicado proceder de este modo, pero más
adelante veremos que merece la pena diseñar la estructura así, pues nos
facilitará la implementación de nuevas posibilidades.
7 1
DEFINIENDO CLASES
La Programación Orientada a Objetos requiere de una planificación previa

de los elementos que intervienen en el diseño de un objeto. Así, nuestras
estructuras están compuestas de nodos y barras. Cada nodo ocupa un punto
del plano y están numerados, mientras que cada barra es esencialmente una
lista de dos nodos. La propia estructura ocupa unas dimensiones en el plano
que habrá que señalar. De este modo, vamos a comenzar definiendo un objeto
7.1 Definiendo clases 131
sencillo: un punto en el plano.

Para ello vamos a usar las clases. Una clase es habitualmente definida
como el molde de un objeto. Nosotros podemos pensar en las clases como los
fragmentos de código que definen un objeto, sus atributos y sus métodos.
Para definir un clase para un objeto punto escribiríamos lo siguiente:
class Point ( object ):

"""
describe un punto de coordenadas (x,y)
"""
def __init__ (self ,xx ,yy):
self.x = xx
self.y = yy
Las clases se definen con la palabra clave class seguida del nombre asigna-
do a la clase y que define el tipo de objeto, y como parámetros, los objetos de
los cuales hereda (veremos el concepto de herencia un poco más abajo).2 Es
una convención ampliamente usada nombrar las clases definidas por el usua-
rio con la inicial en mayúsculas. También es muy conveniente documentar
adecuadamente la clase.
Como es habitual en Python, la sangría marcará el fragmento de código
correspondiente a la clase. A continuación, aunque en Python no es obliga-
torio, aparece el denominado constructor. Se trata del método __init__ que
se ejecuta cuando la clase se instancia. El proceso de instanciación no es más
que la definición de un objeto perteneciente a esta clase.
Puesto que __init__ es un método, esto es, una función, se define como ya
vimos con la palabra clave def. Los argumentos de los métodos de una clase
son un poco peculiares pues el primero de ellos siempre es self, que se refiere
al propio objeto.3 El resto de argumentos deberá aparecer en el momento de
instanciar al objeto, y los podemos entender como los argumentos de entrada
en la creación del objeto.
De este modo, para definir un objeto punto, instanciamos su clase del
siguiente modo:
p = Point (2. ,3.)
En principio no hay mucho más que hacer con un objeto de este tipo. Podemos
acceder a sus atributos o bien modificarlos:
p.x
2.0
p.y
2 Por defecto, las clases se definen a través de la herencia con la clase object.
3 Esto es un convenio universalmente aceptado pero podría usarse cualquier otro nombre.
3.0
p.x = 5.
Si imprimimos el objeto directamente con la orden print:
print p
<__main__.Point object at 0x7f7ae060f110>
sólo obtenemos información sobre el mismo. Esto es debido a que no hemos

especificado cómo imprimir adecuadamente el objeto. Para hacer esto se define
el método __str__ dentro de la clase:
def __str__ (self):

return "({0} ,{1})". format (self.x,self.y)
Ahora (habrá que volver a ejecutar la clase),
p = Point (2. ,3.)

print p
(2.0,3.0)
A continuación vamos a construir los objetos de tipo nodo. Básicamente

este objeto no es más que un punto junto con un identificador. Una primera
opción podría ser esta:
class Nodo( object ):

"""
describe un nodo mediante identificador y punto
"""
def __init__ (self ,n,a,b):
self.id = n
self.p = Point (a,b)
Entonces,
a = Nodo (0 ,1. ,3.)

a.id
print a.p
(1.0,3.0)
b.p.x
1.0
Sin embargo, dado que hay una gran similitud entre los objetos tipo punto
y los objetos tipo nodo, otra opción consiste en apoyarse en el concepto de
herencia, que no es más que el establecimiento de una relación entre dos
clases, de manera que los atributos y métodos de una puedan ser usados en
la otra. En nuestro caso es evidente que los atributos x e y de la clase Point
deberán mantenerse en la nueva clase que vamos a crear, por lo que podemos
aprovecharnos del constructor de la clase Point usando el comando super:
class Node( Point ):

"""
clase que hereda de la clase Point
"""
numberNode = 0
def __init__ (self ,xx ,yy):
super (Node , self). __init__ (xx ,yy)
self.id = Node. numberNode
Node. numberNode += 1
Como podemos observar, en la definición de la clase se hace referencia a

la clase de la que se hereda, denominada clase padre. El constructor de la
clase Node llama al constructor de la clase Point a través de la orden super, es
decir, realiza una instanciación de la clase de la que hereda, en este caso un
objeto Point. Ahora incluimos también un atributo para identificar al nodo
que funciona automáticamente a través de un contador numberNode, de manera
que cada nuevo nodo que creemos tendrá asignado un identificador en orden
creciente. Si no hubiéramos definido un método __init__ para esta clase, se
habría usado el método de la clase padre de la que hereda. Ahora podemos
hacer
a = Node (1. ,2.)
b = Node (0. ,1.)
print a
(1.0,2.0)
a.id
b.id
1
Nótese que para la impresión del objeto Node se está usando el método __str__
de la clase Point. Si quisiéramos una impresión distinta habría que definir
nuevamente el método __str__ para esta clase.
Ahora no debe ser difícil para el lector entender la clase para las barras
siguiente:
class Bar( object ):
"""
define una barra soportada por dos nodos
"""
def __init__ (self ,n1 ,n2):
if n1.id == n2.id:
print "Error: no hay barra "
return
elif n1.id < n2.id:
self.orig = n1
self.fin = n2
else:
self.orig = n2
self.fin = n1
def __str__ (self):
return " Barra de extremos los nodos {0} y {1}".
format (self.orig.id ,self.fin.id)
Al constructor hemos de proporcionarle dos nodos de diferente identificador,

pues en caso contrario no habría barra. Definimos los atributos orig y fin
como los nodos que conforman la barra y convenimos en señalar como nodo
origen aquél cuyo identificador sea menor. De este modo, la instanciación de
una barra se haría de la forma siguiente:
barra = Bar(a,b)
print barra
Barra de extremos los nodos 0 y 1
Con esto hemos definido los elementos esenciales que participan en la

construcción de una estructura de barras como la de la Figura 7.1. Ahora
vamos a construir la estructura, que como comentamos al inicio, consta
esencialmente de nodos y barras. Los parámetros de entrada podrían ser dos
puntos que determinen el rectángulo sobre el que crear la estructura, junto
con el número de nodos a usar en cada dimensión.
Una posibilidad vendría dada por el siguiente código:
class Truss ( object ):
"""
genera una estructura rectangular de barras
- nx: numero de nodos en abscisas .
- ny: numero de nodos en ordenadas .

- p1: vértice inferior izquierdo (clase punto).
- p2: vértice superior derecho (clase punto ).
genera 6 barras entre 4 nodos

"""
def __init__ (self ,p1 ,p2 ,nx ,ny):
# comprobación de la integridad del rectángulo
if p2.x-p1.x < 1.e -6 or p2.y-p1.y < 1.e -6:
print " Rectángulo incorrecto "
return
self. nNodos = (nx + 1) * (ny + 1)

self. nBarras = 4* nx*ny+ny+nx
self.nodos = []
self. barras = []
Node. numberNode = 0
# construcción de nodos
nodx = np. linspace (p1.x,p2.x,nx +1)
nody = np. linspace (p1.y,p2.y,ny +1)
for yy in nody:
for xx in nodx:
self.nodos. append (Node(xx ,yy))
# construcción de barras
for j in range (ny):
for i in range (nx):
n1 = i+ j*(nx +1)
n2 = n1 + 1
n3 = n1 + nx + 1
n4 = n3 + 1
# barras en cada elemento
b1 = Bar(self.nodos[n1],self.nodos[n2])
self. barras . extend ([b1 ,b2 ,b3 ,b4])
# barras finales a la derecha
self. barras . append (Bar(self.nodos [n2],self.
nodos[n4]))
# barras de la línea superior

indice =ny *( nx +1) +1
for j in range (nx):
self. barras . append (Bar(self.nodos [ indice +j-1],
self.nodos [ indice +j]))
Nótese que hemos definido un par de listas: nodos y barras en las que almace-
nar los elementos que nos interesan. Ponemos el contador del identificador de
nodos a cero, de manera que cada vez que tengamos una estructura, los nodos
se creen comenzando con el identificador en 0. Tal y como está construido, el
identificador de cada nodo coincide con el índice que ocupa en la lista nodos,
lo que nos simplifica la búsqueda de los nodos.
Para obtener los nodos y las barras disponemos de las listas anteriores,
pero será más cómodo si definimos unos métodos que nos proporcionen di-
rectamente la información que realmente queríamos precisar de la estructura,
esto es, las coordenadas de los nodos y los índices correspondientes a cada
barra.
Por ello, a la clase anterior le añadimos los siguientes métodos:
def get_coordinate (self):

coordenadas =[]
for nod in self. nodos:
coordenadas . append ([ nod.x,nod.y])
return np.array( coordenadas )
def get_connection (self):

conexiones =[]
for bar in self. barras :
conexiones . append ([ bar.orig.id ,bar.fin.id ])
return np.array( conexiones )
La estructura más sencilla que podemos montar, correspondiente a la

Figura 7.2, sería:
a = Point (0. ,0.); b = Point (1. ,1.)

m = Truss (a,b ,1 ,1)
m. get_coordinate ()
array([[ 0., 0.],

[ 1., 0.],
[ 0., 1.],
[ 1., 1.]])
m. get_connection ()
array([[0, 1],
[0, 2],
[0, 3],
[1, 2],
[1, 3],
[2, 3]])
Es evidente que podríamos haber creado una función que tuviera como
entrada las coordenadas de los puntos del rectángulo y el número de nodos a
usar en cada dimensión, y cuya salida fuera precisamente los dos arrays que
hemos obtenido; posiblemente hubiera sido incluso más sencillo de implemen-
tar. Sin embargo, como ahora veremos, es más conveniente el uso de clases
porque nos va a permitir una flexibilidad aun mayor.
7 1 1 Modificando clases
Supongamos que ahora queremos dibujar la estructura obtenida. Si hubié-

ramos implementado una función tendríamos dos opciones: o bien modifica-
mos la función creada para añadirle la parte gráfica, o bien implementamos
la parte gráfica en una función aparte, que reciba los arrays que definen la
estructura y los dibuje.
La primera opción puede resultar un engorro, pues cada vez que ejecutemos
la función obtendremos los arrays y el gráfico y habrá ocasiones en las que
queramos crear sólo la información de la estructura y otras en las que sólo
queramos dibujar. La segunda opción nos obliga a llamar primero a la función
para obtener los arrays de coordenadas y conexiones, y luego pasarlos a la
nueva función para dibujar.
Sin embargo, implementar un nuevo método dentro de la clase para que
construya el gráfico es mucho más cómodo, pues podremos invocarlo indepen-
dientemente de que construyamos o no los arrays de coordenadas y conexiones.
Podríamos añadir a la clase Truss algo así:
def plotting (self):

plt.ion ()
bx = fig. add_subplot (111)

bx.plot ([ bar.orig.x,bar.fin.x],[ bar.orig.y,bar
.fin.y],'k-o',linewidth =2)
bx.axis('equal ')
plt.show ()
De este modo, una vez creada una estructura, nos bastará con invocar al
método plotting para obtener el gráfico correspondiente.
Algo similar ocurre si queremos modificar la estructura eliminando alguna

barra: bastará con implementar un método adecuadamente:
def remove_bar (self ,n1 ,n2):
if n2 < n1:
n1 ,n2 = n2 ,n1
elif n1 == n2:
print "Nodos incorrectos "

if bar.orig.id == n1 and bar.fin.id == n2:
self. barras . remove (bar)
self. nBarras -= 1
return
else:
print "No existe tal barra "
¿Se imagina el lector qué habría ocurrido si hubiéramos implementado

una función que incluyera la parte gráfica a la vez que la creación de la
estructura? La eliminación a posteriori de barras nos hubiera impedido dibujar
la estructura resultante. Con las clases, simplemente hemos de ir añadiendo
métodos que se ejecutan de forma separada sobre el mismo objeto.
7 2
CONTROLANDO ENTRADAS Y SALIDAS
Veamos un segundo ejemplo de la utilidad de usar clases en la programa-

ción de algoritmos matemáticos. En este caso vamos a implementar los clásicos
métodos de Jacobi y Gauss-Seidel para la resolución iterativa de sistemas de
ecuaciones lineales.
Dado un sistema de ecuaciones lineales de la forma Ax = b, donde A es
una matriz cuadrada de orden n y x y b son vectores de n componentes, un
método iterativo para resolver este sistema se puede escribir de la forma:
x(k+1) = M x(k) + c, con x(0) dado, (7.1)
donde M y c son una matriz y un vector, respectivamente, que definen el
método a usar. En concreto, si realizamos una descomposición de la matriz A
de la forma
A=D+L+U
donde D es una matriz diagonal, L es triangular inferior y U es triangular
superior, entonces el método de Jacobi se define mediante
M = D−1 (−L − U ), c = D−1 b,
mientras que el método de Gauss-Seidel se escribe con
M = (D + L)−1 (−U ), c = (D + L)−1 b.
7.2 Controlando entradas y salidas 139
Es sencillo crear una función cuyos parámetros de entrada sean la matriz

A y el segundo miembro b, y que devuelva la solución del método iterativo
escogido. La matriz M y el vector c se pueden obtener mediante funciones
independientes,
def jacobi (A,b):
D = np.diag(np.diag(A))
L = np.tril(A , -1)
U = np.triu(A ,1)
M = np.dot(np. linalg .inv(D) ,(-L-U))
c = np.dot(np. linalg .inv(D),b)
return M,c
def seidel (A,b):
D = np.diag(np.diag(A))
L = np.tril(A , -1)
U = np.triu(A ,1)
M = np.dot(np. linalg .inv(D+L) ,(-U))
c = np.dot(np. linalg .inv(D+L),b)
return M,c
y el método iterativo queda:

def iterativo (A,b, metodo = jacobi ):
x0 = np.zeros(A. shape [0])
eps = 1.e -8
M,c = metodo (A,b)
x = np. ones_like (x0)
k=0
while np. linalg .norm(x-x0)>eps*np. linalg .norm(x0):
x0 = x.copy ()
x = np.dot(M,x0) + c
k+=1
print " Iteraciones realizadas :",k
return x
El código es sencillo y no necesita mucha explicación. Se define el vector

inicial x(0) , el parámetro ε y las matrices que definen el método, y se realiza
la iteración descrita en (7.1) hasta obtener que
∥x(k+1) − x(k) ∥ ≤ ε∥x(k) ∥
y se imprime el número de iteraciones realizadas. Podemos comprobar el
funcionamiento del código en el siguiente ejemplo:
    
10 −1 2 0 x1 6
    
−1 11 −1 3    
  x2  =  25
 2 −1 10 −1 x3  −11
   
 
0 3 −1 8 x4 15
A = np.array
([[10 , -1 ,2 ,0.] ,[ -1 ,11 , -1 ,3] ,[2 , -1 ,10 , -1] ,[0 ,3 , -1 ,8]])
b = np.array ([6. ,25 , -11 ,15])
iterativo (A,b)
Iteraciones realizadas: 23
array([ 1., 2., −1., 1.])
iterativo (A,b, seidel )
Iteraciones realizadas: 10
array([ 1., 2., −1., 1.])
En principio, sería un código que cumple a la perfección con nuestros

propósitos iniciales. No obstante, vamos a implementar una versión del mismo
algoritmo usando clases:
class Resolucion ( object ):
def __init__ (self ,A,b, metodo = jacobi ):
self.A = A
self.b = b
self. metodo = metodo
self.x0 = np.zeros(self.A. shape [0])
self.eps = 1.e -8
def iteracion (self):
self.k=0
M,c = self. metodo (self.A,self.b)
x0 = self.x0
x = np. ones_like (x0)
while np. linalg .norm(x-x0) > self.eps*np. linalg .
norm(x0):
x0 = x.copy ()
x = np.dot(M,x0) + c
self.k += 1
return x
Podemos ver que la clase Resolucion tiene dos métodos: el constructor,

que realiza la inicialización de datos y el método iteracion que lleva a cabo
las iteraciones, de igual modo que antes. A diferencia del código anterior,
aquí no se imprime el número de iteraciones. Para ejecutar ahora el algoritmo
mediante la clase anterior escribiremos:
a = Resolucion (A,b)
a. iteracion ()
array([ 1., 2., −1., 1.])

7.2 Controlando entradas y salidas 141
Aunque no hemos impreso el número de iteraciones, lo podemos obtener

usando el atributo k:
a.k
23
¿Cuál es la ventaja de usar la clase frente a la función? Obviamente, ambos

códigos hacen lo mismo, pero como vamos a ver a continuación, la clase es
mucho más flexible. Por ejemplo, si incluimos la función como parte de algún
otro código y ésta es ejecutada muchas veces, posiblemente hubiera sido más
conveniente no haber incluido la impresión del número de iteraciones pues
ahora nos ensuciará la salida del otro código. Por supuesto que podemos hacer
una versión de la función sin la impresión de las iteraciones, pero eso supone
tener que mantener varias versiones del mismo código. Cuando eso ocurre es
frecuente que, al cabo de un tiempo, el programador se encuentre perdido
entre tantas versiones.
Otra ventaja está en la facilidad para volver a correr el algoritmo con
distintos parámetros. Por ejemplo, para correr el método de Gauss-Seidel no
es necesario crear un nuevo objeto, nos bastaría con:
a. metodo = seidel
a. iteracion ()
array([ 1., 2., −1., 1.])
a.k
10
Si quisiéramos cambiar el parámetro ε en la función, tendríamos que modificar

el código directamente. Ahora con la clase lo podemos modificar desde fuera:
a.eps =1.e -4
a. iteracion ()
array([ 1.00000538, 2.00000122, −1.00000183,

0.99999931])
a.k
Por ejemplo podemos llevar a cabo una comparativa de precisión y número

de iteraciones en cada método:
for m in [jacobi , seidel ]:

a. metodo =m
print a. metodo . __name__
for eps in [10** x for x in range (-2,-13,-2)]:
a.eps=eps
b=a. iteracion ()
print " Precisión : {0:2.0 e} --- Iteraciones : {1:3d
}". format (eps ,a.k)
jacobi
Precisión: 1e−02 −−− Iteraciones: 7
seidel
Obviamente podríamos haber hecho algo similar con la función definiendo

oportunamente los parámetros de entrada para dotarla de más flexibilidad,
pero una vez más tendríamos que modificar el código de la misma. Éste es
precisamente el hecho que queremos resaltar en cuanto a la ventaja de usar
clases en lugar de funciones para la programación científica: si diseñamos
adecuadamente los atributos y métodos de la clase, disponemos de acceso
completo a los mismos, tanto para introducir como para extraer datos. No
sólo eso; además, las modificaciones que realicemos sobre la clase no tienen
por qué afectar al constructor, por lo que podemos seguir usándola del mismo
modo sin necesidad de mantener diversas versiones del mismo código.
7 3
EJERCICIOS
E.1 Redefine el constructor de la clase Bar de la sección 7.1 de manera que

al instanciar un nuevo objeto se imprima la información del objeto creado.
Por ejemplo, debería funcionar del siguiente modo:
7.3 Ejercicios 143
n1 = Node (0 ,0. ,1.)

n2 = Node (1 ,1. ,2.)
barra = Bar(n1 ,n2)
Se ha creado una barra de extremos (0.0,1.0) y (1.0,2.0)
E.2 Para la clase Truss de la sección 7.1, escribir un método para que el
comando print proporcione información sobre el número de nodos y el número
de barras de la estructura.
E.3 Define una clase que contenga dos métodos: getString con el que
obtener una cadena de texto introducida por teclado y printString que
imprima la cadena obtenida en mayúsculas, dejando un espacio de separación
entre cada letra. Debería funcionar del siguiente modo:
a = InputOutString ()
a. getString ()
hola ← entrada por teclado
a. printString ()
H O L A

Apuntes PDF

Cargado por

Copyright:

Formatos disponibles

Apuntes PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Apuntes PDF

Cargado por

Copyright:

Formatos disponibles

Índice general

6 Gráficos con Matplotlib . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

7 Programación Orientada a Objetos . . . . . . . . . . . . . . . . . . . . . . . . 129

Python es un lenguaje de programación creado por Guido Van Rossum

Los lectores con conocimiento de algún lenguaje de programación encon-

Aproximadamente a partir de 2005, la inclusión de algunas extensiones

Python es software de código abierto que está disponible en múltiples

En esta sección veremos algunos aspectos generales relacionados con el uso

método es bastante útil cuando queremos realizar operaciones inmediatas y

La otra alternativa a la ejecución de órdenes con Python es la creación de

remos en los archivos los ilustraremos con fondos de diferente color.

#!/ usr/bin/env python

1 2 1 Entornos de Desarrollo Integrados

facilitan el trabajo con el intérprete. Entre ellas podemos destacar la presencia

IPython 4.2.0 -- An enhanced Interactive Python .

Obsérvese que ahora el prompt cambia, y en lugar de >>> aparece In [1]:.

que hace referencia al valor almacenado en la salida [1]. O también

por el carácter % aunque si no interfieren con otros nombres dentro del

El lector puede probar a escribir % y pulsar el tabulador para ver un listado

El IPython Notebook es una variación de la consola IPython, que usa un

pueden seleccionarse a través del menú desplegable del centro de la barra de

entonces la salida es:

Cada notebook dispone de una barra de herramientas típica para guardar,

pulsando y . Si por error hemos cerrado la ventana Home del navegador

En este capítulo comenzaremos a ver los aspectos básicos del lenguaje:

Python es un lenguaje dinámicamente tipado, lo que significa que las

Obsérvese la necesidad de poner un punto para definir el valor como real y

print type(a), type(b), type(c)

<type 'int'> <type 'float'> <type 'complex'>

Como vemos, Python asigna el tipo a cada variable en función de su

Obsérvese que en esta última entrada no ha hecho falta la orden print

Los operadores aritméticos habituales en Python son: + (suma), - (resta), *

donde se ha hecho uso de la función de conversión a entero int.

estaremos creando un objeto para el cual tenemos una serie de propiedades,

Los paréntesis indican que se trata de una función y son necesarios. En

el intérprete nos indica que se trata de una función, pero no proporciona lo

IndexError: list index out of range

a = [25 , 33, 1, 15, 33]

[25, 33, 1, 15, 33, 0]

a. insert (3 ,-1) # inserta -1 en la posición 3

[25, 33, 1, −1, 15, 33, 0]

a. reverse () # invierte el orden

[0, 33, 15, −1, 1, 33, 25]

a.pop () # elimina el último elemento y lo devuelve

[0, 33, 15, −1, 1, 33]

print a.pop (3) # elimina el elemento de índice 3

a. extend ([10 ,20 ,30]) # añade elementos a la lista

[0, 33, 15, 1, 33, 10, 20, 30]

Nótese la diferencia con el siguiente:

a. append ([10 ,20 ,30]) # añade el argumento a la lista

a = [1 ,2 ,3]; b = [10 ,20 ,30]

La última acción se podría haber obtenido usando el método extend:

[1, 2, 3, 10, 20, 30]

Como vemos, el slicing [n:m] accede a los elementos de la lista desde

print a[:3] # al omitir el primero se toma desde el inicio

print a[6:] # al omitir el último se toma hasta el final

Aunque el acceso a índices incorrectos genera error en las listas, no ocurre

print a [12:15] # si no hay elementos , resulta vacío

print a[-1] # -1 refiere la última posición

['doc', 'name', 'package', 'acos', 'acosh',