Update translations for Spanish (#774)

config.yaml.in

@@ -51,3 +51,12 @@ languages:
     include-files:
       - content/ja/config.yaml
       - content/ja/tabcontents.yaml
+
+    # Spanish
+  es:
+    title: NumPy
+    weight: 4
+    contentDir: content/es
+    include-files:
+      - content/es/config.yaml
+      - content/es/tabcontents.yaml

content/es/404.md

@@ -0,0 +1,8 @@
+---
+title: 404
+sidebar: falso
+---
+
+¡Oh, oh! Has llegado a un callejón sin salida.
+
+Si crees que algo debería estar aquí, puedes [reportar este problema](https://github.com/numpy/numpy.org/issues) en GitHub. 

content/es/_index.md

@@ -0,0 +1,49 @@
+---
+title: null
+---
+
+{{< grid columns="1 2 2 3" >}}
+
+[[item]]
+type = 'card'
+title = 'Matrices N-dimensionales potentes'
+body = '''
+Rápida y versátil, la vectorización, indexación y conceptos de broadcasting de NumPy son los estándares de facto en el cálculo de matrices hoy en día.
+'''
+
+[[item]]
+type = 'card'
+title = 'Herramientas de cálculo numérico'
+body = '''
+NumPy ofrece funciones matemáticas completas, generadores de números aleatorios, rutinas de álgebra lineal, transformadas de Fourier, y más.
+'''
+
+[[item]]
+type = 'card'
+title = 'Código abierto'
+body = '''
+Distribuido bajo una [licencia BSD] liberal (https://github.com/numpy/numpy/blob/main/LICENSE.txt), NumPy es desarrollado y mantenido [públicamente en GitHub](https://github.com/numpy/numpy) por una vibrante, receptiva y diversa [comunidad](/es/community).
+'''
+
+[[item]]
+type = 'card'
+title = 'Interoperable'
+body = '''
+NumPy soporta una amplia gama de hardware y plataformas de computación, y funciona bien con librerías distribuidas, de GPU y de matrices dispersas.
+'''
+
+[[item]]
+type = 'card'
+title = 'Óptimo'
+body = '''
+El núcleo de NumPy está optimizado adecuadamente con código en C. Disfrute de la flexibilidad de Python con la velocidad del código compilado.
+'''
+
+[[item]]
+type = 'card'
+title = 'Fácil de usar'
+body = '''
+La sintaxis de alto nivel de NumPy lo hace accesible y productivo para programadores de cualquier formación o nivel de experiencia.
+'''
+
+{{< /grid>}}

content/es/about.md

@@ -0,0 +1,90 @@
+---
+title: Quiénes Somos
+sidebar: false
+---
+
+NumPy es un proyecto de código abierto cuyo objetivo es permitir la computación numérica en Python. Fue creado en el 2005, a partir de los primeros trabajos de las bibliotecas Numeric y Numarray. NumPy siempre será un software 100% de código abierto y de uso libre para todos. Fue liberado bajo los términos liberales de la [licencia BSD modificada](https://github.com/numpy/numpy/blob/main/LICENSE.txt).
+
+NumPy es desarrollado de forma abierta en GitHub, mediante el consenso de las comunidades NumPy y Python científico en general. Para más información sobre nuestro enfoque de gobernanza, por favor consulta nuestro [Documento de Gobernanza](https://www.numpy.org/devdocs/dev/governance/index.html).
+
+
+## Consejo Directivo
+
+El Consejo de Dirección de NumPy es el órgano de gobernanza del proyecto. Su papel es garantizar, a través del trabajo con la comunidad NumPy en general y al servicio de la misma, el bienestar a largo plazo del proyecto, tanto desde el punto de vista técnico como de la comunidad. El Consejo Directivo de NumPy está formado actualmente por los siguientes miembros (en orden alfabético):
+
+- Sebastian Berg
+- Ralf Gommers
+- Charles Harris
+- Stephan Hoyer
+- Inessa Pawson
+- Matti Picus
+- Stéfan van der Walt
+- Melissa Weber Mendonça
+- Eric Wieser
+
+Eméritos:
+
+- Alex Griffing (2015-2017)
+- Allan Haldane (2015-2021)
+- Marten van Kerkwijk (2017-2019)
+- Travis Oliphant (project founder, 2005-2012)
+- Nathaniel Smith (2012-2021)
+- Julian Taylor (2013-2021)
+- Jaime Fernández del Río (2014-2021)
+- Pauli Virtanen (2008-2021)
+
+Para contactar con el Consejo Directivo de NumPy, por favor envía un correo electrónico a [email protected].
+
+## Equipos
+
+La dirección del proyecto NumPy trabaja activamente para diversificar las vías de contribución al proyecto.<br> NumPy cuenta actualmente con los siguientes equipos:
+
+- desarrollo
+- documentación
+- clasificación
+- página web
+- encuesta
+- traducción
+- mentores de sprints
+- optimización
+- financiación y subvenciones
+
+Visita la página de [Equipos](/teams) para más información.
+
+## Subcomité NumFOCUS
+
+- Charles Harris
+- Ralf Gommers
+- Inessa Pawson
+- Sebastian Berg
+- Miembro externo: Thomas Caswell
+
+## Patrocinadores
+
+NumPy recibe financiación directa de las siguientes fuentes:
+{{< sponsors >}}
+
+
+## Socios institucionales
+
+Los socios institucionales son organizaciones que apoyan al proyecto empleando a personas que contribuyen a NumPy como parte de su trabajo. Entre los actuales socios institucionales se encuentran:
+
+- UC Berkeley (Stéfan van der Walt)
+- Quansight (Nathan Goldbaum, Ralf Gommers, Matti Picus, Melissa Weber Mendonça)
+- NVIDIA (Sebastian Berg)
+
+{{< partners >}}
+
+
+## Donar
+
+Si has encontrado NumPy útil en tu trabajo, investigación o empresa, por favor considera una donación al proyecto proporcional a tus recursos. ¡Cualquier cantidad ayuda! Todas las donaciones se utilizarán estrictamente para financiar el desarrollo del software de código abierto, la documentación y la comunidad de NumPy.
+
+NumPy es un proyecto patrocinado por NumFOCUS, una organización benéfica sin fines de lucro 501(c)(3) de Estados Unidos. NumFOCUS proporciona a NumPy apoyo fiscal, legal y administrativo para ayudar a garantizar el bienestar y la sostenibilidad del proyecto. Visita [numfocus.org](https://numfocus.org) para más información.
+
+Las donaciones a NumPy son gestionadas por [NumFOCUS](https://numfocus.org). Para los donantes de Estados Unidos, su donación es deducible de impuestos en la medida prevista por la ley. Al igual que con cualquier donación, debes consultar a tu asesor de impuestos sobre tu situación fiscal particular.
+
+El Consejo Directivo de NumPy tomará las decisiones sobre el mejor uso de los fondos recibidos. Las prioridades técnicas y de infraestructura están documentadas en la [Hoja de Ruta de NumPy](https://www.numpy.org/neps/index.html#roadmap).
+
+{{<opencollective>}}
+

content/es/arraycomputing.md

@@ -0,0 +1,21 @@
+---
+title: Computación con Arreglos
+sidebar: false
+---
+
+*La computación con arreglos es la base del cómputo estadístico, matemático y científico en varias aplicaciones contemporáneas de ciencia de datos y aplicaciones de analíticas, tales como la visualización de datos, el procesamiento digital de señales, el procesamiento de imágenes, la bioinformática, el aprendizaje automático, la inteligencia artificial, entre muchas otras.*
+
+La manipulación y transformación de datos a gran escala depende de una computación con arreglos eficiente y de alto rendimiento. El lenguaje de elección para la analítica de datos, el aprendizaje automático y el cómputo numérico productivo es **Python.**
+
+**Num**erical **Py**thon o NumPy es la biblioteca estándar de-facto del lenguaje de programación Python que soporta arreglos y matrices multidimensionales de gran tamaño, y viene con una amplia colección de funciones matemáticas de alto nivel para operar sobre estos arreglos.
+
+Tras el lanzamiento de NumPy en 2006, Pandas apareció en el panorama en 2008, y no fue hasta hace un par de años que aparecieron sucesivamente varias bibliotecas de computación con arreglos, poblando este escenario. Muchas de estas nuevas bibliotecas imitan las características y capacidades de NumPy, y contienen nuevos algoritmos y características orientadas a las aplicaciones de aprendizaje automático e inteligencia artificial.
+
+<img
+  src="/images/content_images/array_c_landscape.png"
+  alt="arraycl"
+  title="Panorama de la Computación con Arreglos" />
+
+La **computación con arreglos** está basada en los **arreglos** como estructura de datos. *Los arreglos* son utilizados para organizar grandes cantidades de datos de manera que un conjunto de valores relacionados pueda ordenarse, buscarse, manipularse matemáticamente y transformarse con facilidad y rapidez.
+
+La computación con arreglos es *única* ya que implica operar sobre todos los datos del arreglo *al mismo tiempo*. Esto significa que cualquier operación de arreglos se aplica a un conjunto completo de valores de una sola vez. Este enfoque vectorial proporciona velocidad y simplicidad, al permitir a los programadores codificar y operar sobre los datos agregados, sin tener que utilizar bucles de instrucciones escalares individuales.

content/es/case-studies/blackhole-image.md

@@ -0,0 +1,95 @@
+---
+title: "Caso de estudio: La primera imagen de un Agujero Negro"
+sidebar: false
+---
+
+{{< figure >}}
+src = '/images/content_images/cs/blackhole.jpg'
+title = 'Agujero Negro M87'
+alt = 'Imagen de agujero negro'
+attribution = '(Créditos de la imagen: Colaboración del telescopio del Horizonte de Sucesos)'
+attributionlink = 'https://www.jpl.nasa.gov/images/universe/20190410/blackhole20190410.jpg'
+{{< /figure >}}
+
+{{< blockquote cite="https://www.youtube.com/watch?v=BIvezCVcsYs" by="Katie Bouman, *Profesora Asistente, Ciencias de la Computación & Matemáticas, Caltech*"
+>}}
+Capturar imágenes del Agujero Negro M87 es como intentar ver algo que por definición es imposible de ver. 
+{{< /blockquote >}}
+
+## Un telescopio del tamaño de la Tierra
+
+El [ Telescopio Event Horizon (EHT) ](https://eventhorizontelescope.org), es un conjunto de ocho radiotelescopios terrestres que forman un telescopio computacional del tamaño de la Tierra, estudiando al universo con una sensibilidad y resolución sin precedente.  El enorme telescopio virtual, que utiliza una técnica llamada Interferometría de línea de base muy larga (VLBI), tiene una resolución angular de [20 microsegundos de arco][resolution] — ¡suficiente para leer un periódico en Nueva York desde un café en la acera en París!
+
+### Objetivos clave y resultados
+
+* **Una nueva vista del universo:** El trabajo preliminar de la innovadora imagen de EHT se había establecido 100 años antes, cuando [Sir Arthur Eddington][eddington] dio el primer apoyo observacional a la teoría de la relatividad general de Einstein.
+
+* **El agujero negro:** EHT se entrenó en un enorme agujero negro supermasivo aproximadamente a 55 millones de años luz de la Tierra, situado en el centro de la galaxia Messier 87 (M87) en el cúmulo de galaxias Virgo. Su masa es 6.5 mil millones de veces la del sol. Se había estudiado por [más de 100 años](https://www.jpl.nasa.gov/news/news.php?feature=7385), pero nunca antes se había observado un agujero negro.
+
+* **Comparando las observaciones con la teoría:** A partir de la teoría general de la relatividad de Einstein, los científicos esperaban encontrar una región similar a una sombra causada por la flexión gravitacional y la captura de la luz. Los científicos pudieron utilizarla para medir la enorme masa del agujero negro.
+
+### Los desafíos
+
+* **Escala computacional**
+
+    EHT plantea enormes desafíos de procesamiento de datos, incluyendo las rápidas fluctuaciones de fase atmosféricas, amplio ancho de banda de grabación, y telescopios que son ampliamente disímiles y geográficamente dispersos.
+
+* **Demasiada información**
+
+    Cada día, el EHT genera más de 350 terabytes de observaciones, almacenados en discos duros llenos de helio. Reducir el volumen y complejidad de estos datos es enormemente difícil.
+
+* **Hacia lo desconocido**
+
+    Cuando el objetivo es ver algo nunca antes visto, ¿cómo pueden los científicos estar seguros de que la imagen es correcta?
+
+{{< figure >}}
+src = '/images/content_images/cs/dataprocessbh.png'
+title = 'Flujo de Trabajo de Procesamiento de Datos EHT'
+alt = 'flujo de datos'
+align = 'center'
+attribution = '(Diagram Credits: The Astrophysical Journal, Event Horizon Telescope Collaboration)'
+attributionlink = 'https://iopscience.iop.org/article/10.3847/2041-8213/ab0c57'
+{{< /figure >}}
+
+## El Rol de NumPy
+
+¿Qué pasa si hay un problema con los datos? O tal vez un algoritmo depende demasiado de una suposición en particular. ¿Cambiará drásticamente la imagen si se cambia un solo parámetro?
+
+La colaboración del EHT respondió a estos desafíos haciendo que los equipos independientes evaluaran los datos, utilizando técnicas de reconstrucción de imágenes ya establecidas y de vanguardia. Cuando los resultados se mostraron consistentes, se combinaron para producir la primera imagen de su tipo de un agujero negro.
+
+Su trabajo ilustra el rol que desempeña el ecosistema científico de Python en el avance de la ciencia a través del análisis de datos colaborativos.
+
+{{< figure >}}
+src = '/images/content_images/cs/bh_numpy_role.png'
+alt = 'rol de numpy'
+title = 'El rol de NumPy en la imagen del agujero negro'
+{{< /figure >}}
+
+Por ejemplo, el paquete de Python [`eht-imaging`][ehtim] proporciona herramientas para simular y realizar reconstrucción de imágenes en datos VLBI. NumPy está en el núcleo del procesamiento de datos de matrices utilizados en este paquete, como se muestra a continuación en el gráfico parcial de dependencias de software.
+
+{{< figure >}}
+src = '/images/content_images/cs/ehtim_numpy.png'
+alt = 'mapa de dependencias de ehtim resaltando a numpy'
+title = 'Gráfico de dependencias de software del paquete ehtim resaltando a NumPy'
+{{< /figure >}}
+
+Además de NumPy, muchos otros paquetes, como [SciPy](https://www.scipy.org) y [Pandas](https://pandas.io), son parte del flujo de procesamiento de datos para fotografiar el agujero negro. Los formatos estándar de archivos astronómicos y transformaciones de tiempo/coordenadas fueron manejados por [Astropy][astropy], mientras que [Matplotlib][mpl] fue utilizado en la visualización de datos a través del flujo de análisis, incluyendo la generación de la imagen final del agujero negro.
+
+## Resumen
+
+El eficiente y adaptable arreglo n-dimensional que es la característica central de NumPy, permitió a los investigadores manipular grandes conjuntos de datos numéricos, proporcionando una base para la primera imagen de un agujero negro. Un momento histórico en la ciencia ofrece una impresionante evidencia visual de la teoría de Einstein. Este logro abarca no solo los avances tecnológicos sino también la colaboración internacional de más de 200 científicos y algunos de los mejores radio observatorios del mundo.  Algoritmos innovadores y técnicas de procesamiento de datos, mejorando los modelos astronómicos existentes, ayudaron a desvelar un misterio del universo.
+
+{{< figure >}}
+src = '/images/content_images/cs/numpy_dlc_benefits.png'
+alt = 'beneficios de numpy'
+title = 'Capacidades clave de NumPy utilizadas'
+{{< /figure >}}
+
+[resolution]: https://eventhorizontelescope.org/press-release-april-10-2019-astronomers-capture-first-image-black-hole
+
+[eddington]: https://en.wikipedia.org/wiki/Eddington_experiment
+
+[ehtim]: https://github.com/achael/eht-imaging
+
+[astropy]: https://www.astropy.org/
+[mpl]: https://matplotlib.org/