Python Data Science Program
📓 Abrir notebook en GitHub

Clase 016 — NumPy: agregaciones

Parte: 0 — Prerrequisitos · Fuente: VanderPlas, cap. 2 § 2.4 Aggregations: Min, Max, and Everything in Between. ⏱️ Duración estimada: 60 min.

🎯 Objetivo

Que el alumno reduzca arrays a estadísticos (sum, mean, std, percentile, min, max) controlando el axis correcto — la fuente del 50% de los bugs de pandas/sklearn cuando alguien se confunde de eje. También: variantes nan* y reducciones acumulativas.

📚 Resultados de aprendizaje

Al finalizar la clase, el alumno podrá:

  1. Calcular sum, mean, std, var, median, percentile sobre arrays.
  2. Controlar el eje con axis=0 (a lo largo de filas, da resultado por columna) y axis=1 (a lo largo de columnas, da por fila).
  3. Usar variantes nan* (nansum, nanmean, etc.) cuando hay datos faltantes.
  4. Reducciones acumulativas con cumsum y cumprod.
  5. Encontrar índice del min/max con argmin/argmax.

🗺️ Temas

# Tema Por qué importa
1 Reducciones básicas sum, mean, std, var, min, max, median, percentile.
2 Eje: el bug más común axis=0 reduce filas (resultado por columna).
3 Variantes NaN-aware nansum, nanmean, nanmedian, nanstd.
4 Acumulativas cumsum, cumprod — útiles para series temporales.
5 argmin/argmax Posición del extremo.
6 all y any Reducciones booleanas.

📖 Definiciones y características

Agregación / reducción
Operación que colapsa un array a menos dimensiones: sum, mean, std, min, max, argmax. Sin axis, reduce a un escalar; con axis=N, elimina la dimensión N.
axis=0 vs axis=1
Regla: el axis que pasas es el que desaparece. En matriz (filas, cols): axis=0 colapsa filas → un valor por columna; axis=1 colapsa cols → un valor por fila. Mnemónico inverso al que muchos esperan.
argmin / argmax
Devuelven el índice del extremo (no el valor). arr.argmax() = posición del máximo; arr[arr.argmax()] = valor máximo. Con axis= devuelven array de índices por fila/columna.
Variantes nan*
Versiones que ignoran NaN en vez de propagarlo: nansum, nanmean, nanstd, nanmin, nanmax, nanmedian, nanpercentile, nanargmax. Útiles cuando los datos tienen missing.
Acumulativas (cumsum, cumprod)
No colapsan — devuelven array de igual shape con valores acumulados hasta cada posición. Útiles para series temporales (precio acumulado, drawdown).
percentile / quantile
Valor por debajo del cual cae el N% de los datos. np.percentile(arr, 50) = mediana. np.percentile(arr, [25, 50, 75]) = cuartiles.

📂 Dataset / recursos

Sintético (matriz aleatoria 100×10 simulando "10 features × 100 muestras") generado en el notebook. Sin descarga.

🧪 Ejercicios

1. Promedio por columna. Dada matriz 100×4 de ventas (filas=día, cols=tienda), calcula la media por tienda y por día.

2. Estadísticos completos. Para un array de 1000 normales, reporta mean, std, median, p25, p75, min, max.

3. Con NaN. Inserta 50 NaN aleatorios en el array anterior. Compara mean (propaga) vs nanmean.

4. Cumsum. Genera array de retornos diarios aleatorios. Calcula el precio acumulado con cumprod(1+r).

5. Mejor tienda. Con la matriz del ejercicio 1, usa argmax(axis=0) para encontrar el día de mayor venta de cada tienda.

📝 Homework verificable

Notebook con matriz simulada 365 días × 5 tiendas de ventas, reportando: media/std por tienda, mejor y peor día de cada tienda, cumsum total anual, % de días con NaN simulados (20 aleatorios) usando variantes nan*.

Criterio de aceptación: Eje correcto en todas las agregaciones; valores reproducibles con seed.

⚠️ Errores comunes

Síntoma / mensaje Causa y cómo arreglar
M.sum(axis=0) da resultado por columna y esperaba por fila Confusión clásica. Regla: axis=0 reduce filas (resultado per-column). Fix: si querías por fila, usa axis=1. Memoriza: "el axis que pasas desaparece".
arr.mean() da NaN aunque solo hay un par de NaN Cualquier NaN propaga. Fix: np.nanmean(arr) o filtra antes (arr[~np.isnan(arr)]).
np.argmax(matriz) devuelve un solo número raro Sin axis, aplana el array primero y devuelve un índice lineal. Fix: argmax(axis=0) o axis=1 para obtener índices por dimensión; o np.unravel_index(argmax, shape) para coordenadas.
np.percentile([1,2,3,4], 50) da 2.5 no 2 Interpolación lineal por default. Si quieres el valor exacto del dataset, usa interpolation='nearest' o quantile con method='lower'.
cumsum de floats acumula error de redondeo en arrays largos Sumas múltiples introducen error numérico. Fix: si necesitas precisión, np.cumsum(arr, dtype=np.float64) o usa pairwise summation (Kahan).

❓ Preguntas frecuentes

❓ ¿arr.sum() o np.sum(arr)?

Equivalentes. Método del array (.sum()) es más legible en cadenas (arr.clip(0).sum()). Función (np.sum) acepta también listas (no solo ndarray).

❓ ¿Cómo recuerdo qué axis colapsa cuál?

El axis que pasas es el que desaparece. Si shape es (3, 4) y haces sum(axis=0), queda (4,) — desapareció dim 0. Si axis=1, queda (3,).

❓ ¿std usa N o N-1?

Default ddof=0 (divide por N — desviación poblacional). Para desviación muestral (N-1), arr.std(ddof=1). Pandas y scipy.stats usan N-1 por default — cuidado al comparar.

❓ ¿np.median ignora NaN?

No — usa np.nanmedian. Mismo patrón que mean/nanmean.

❓ ¿Hay una agregación 'top-3' built-in?

No directa. Usa np.partition(arr, -3)[-3:] para los 3 mayores (más rápido que sort completo). Si necesitas ordenados, .sort() después.

🔗 Referencias

📥 Material descargable

➡️ Siguiente clase

Clase 017 — NumPy: broadcasting