Resumen Introducción a los arrays en Julia para computación científica.

Uno de los aspectos que intentan estar más cuidados en Julia son los arrays ya que constituyen un bloque esencial de la computación científica. Además, dado que la libreria standard incluye una parte de algebra lineal, para el usuario que se inicia en programacion cientifica, Julia esta proximo a MatLab/Octave o incluso Fortran. No ocurre lo mismo en otros lenguajes como Python, Haskell o C donde es necesario optar por una librería adicional (en Python esta consolidada numpy como standard pero no forma parte del Python oficial, en Haskell existen varias opciones para tener arrays multi-dimensionales).

Además dado que los arrays son centrales para lenguajes como Julia, estos se integran de modo natural en el sistema de tipos del lenguaje a traves de AbstractArrays. Veamos más información y ejemplos sobre los arrays en Julia y suis tipos.

Definición

Un array es una colleción de elementos en una estructura multidimensional. Formalmente, esta estructura tiene forma de grid, lo que permite acceder a los elementos por indices que refieren a cada una de las dimensiones del array. En Julia estos elementos pueden tener formalmente cualquier tipo (o tipo any). Para propositos de cálculo computacional lo normal es tipo float, pero estructuralmente la forma es similar. De hecho si definimos en Julia un tipo mediante struct, podemos construir un array de este tipo si lo deseasemos.

Como construir arrays

A = ones(Float64, (2,2))

crea un array de floats en un grid 2x2, con valores 1, es decir,

2×2 Array{Float64,2}
1.0   1.0
1.0   1.0

Donde Array{Float64,2} significa 2 dimensiones (dos indices) y 2x2 es el tamaño concreto del grid.

> ones(Int64, (2,3))
2×3 Array{Int64,2}
1   1   1
1   1   1

Es posible definir tambien arrays con la sintaxis [ … ],

> [[0,1]  [2,3]  [4,5]]
2×3 Array{Int64,2}:
 0  2  4
 1  3  5
 

Donde Julia ha inferido el tipo como Int64. Notar que en Python una lista (cuya sintaxis es […]) y un array numpy son dos cosas diferentes. En Julia, la sintaxis […] define un array. Por su puesto en Julia hay otros tipos que representan colecciones de datos como sets o dictionaries entre otros llamados en general collections, pero estas estructuras de datos no se refieren a una red/grid multidimensional de valores.

De archivos de texto a arrays

Esto es sencillo gracias a parte de la libreria standard llamada DelimitedFiles. Si por ejemplo tengo un archivo de datos llamado datos.txt

1.0 2.0 2.1
1.1 2.0 2.6
1.5 3.0 0.0
110 0.1 9.9

Podemos tener un array directamente con:

using DelimitedFiles

data = DelimitedFiles.readdlm("datos.txt")

Creando un array 1…10

Este ejercicio es interesante para entender el funcionamiento de los arrays en Julia

A = [1:10]

crea un array en Julia v1.5 con 1 elemento!

1-element Array{UnitRange{Int64},1}:
 1:10

En cambio:

A = [1:3 ;]

crea un array en Julia v1.5 con 3 elementos (de modo identico a collect(1:3)).

3-element Array{Int64,1}:
  1
  2
  3

Es importante tambien tener en mente el sistema de tipos. Si transponemos el array anterior con collect(1:3)', es decir con el operador '. Tenemos,

1×3 LinearAlgebra.Adjoint{Int64,Array{Int64,1}}:
 1  2  3

que parece un array como fila en lugar de columna pero posee un tipo diferente. El lector puede probar las siguientes definiciones:

reshape(collect(1:3),(1,3))

reshape(collect(1:3),(3))

reshape(collect(1:3),(3,1))

[ i for i in 1:3]

Incluso si definimos A=[ i for i in 1:10] podemos probar:

cat(A; dims=1)

cat(A; dims=2)

cat(A; dims=1)

Tambien puedes comparar, [1 2 3]

[1, 2, 3]

[1; 2; 3]

[[1 2] 3]

[[1 2], 3]

Es importante saber siempre el tipo obtenido para entender correctamente la sintaxis. Una vez que tenemos cierta familiaridad con el tipo que podemos tener asocuiado a cada array, podremos pasar a analizar y usarlas en casos mas complejos.

Volver a la tabla de contenidos