freeCodeCamp/curriculum/challenges/espanol/08-data-analysis-with-python/data-analysis-with-python-course/numpy-algebra-and-size.md

---
id: 5e9a093a74c4063ca6f7c157
title: NumPy Álgebra y tamaño
challengeType: 11
videoId: XAT97YLOKD8
bilibiliIds:
  aid: 250621433
  bvid: BV1hv41137uM
  cid: 409013128
dashedName: numpy-algebra-and-size
---

# --description--

*En vez de usar notebooks.ai como aparece en el video, puedes usar Google Colab.*

Más recursos:

-   [Notas en GitHub](https://github.com/ine-rmotr-curriculum/freecodecamp-intro-to-numpy)
-   [Cómo abrir Notebooks desde GitHub utilizando Google Colab.](https://colab.research.google.com/github/googlecolab/colabtools/blob/master/notebooks/colab-github-demo.ipynb)

# --question--

## --text--

¿Cuál es la relación entre el tamaño de los objetos (como listas y tipos de datos) en la memoria de la biblioteca estándar de Python y la biblioteca NumPy? Sabiendo esto, ¿cuáles son las implicaciones para el rendimiento?

## --answers--

Objetos estándar de Python ocupan mucha más memoria que los objetos de NumPy; operaciones comprables en Python estándar y objectos de NumPy se completan en casi el mismo tiempo.

---

Los objectos de NumPy toman mucha más memoria que los de Python estándar; las operaciones con objectos de NumPy se terminan muy rápido comparadas con las de los objetos de Python estándar.

---

Los objetos de NumPy tomas mucha menos memoria que los de Python Estándar; las operaciones en Python Estándar se completan muy rápido comparando con objetos similares en NumPy.

---

Los objetos de Python Estándar toman más memoria que los de NumPy; operaciones con objetos de Numpy se terminan rápidamente comparando con objetos de Python Estándar.

## --video-solution--

4