NumPy: From Zero to Sidekick

Saiba o básico para utilizar o NumPy!

Christian Costa
Nov 6 · 3 min read

O Python não foi inicialmente criado para ser uma linguagem numérica e se você vem de outras linguagens já deve ter percebido que as chamadas “listas” em Python são diferentes do padrão de “arrays” que outras linguagens trazem. Entretanto, o Python acabou atraindo atenção da comunidade científica e para superar essas limitações a solução foi a criar packages específicos. O primeiro deles foi um package para matrizes chamado Numeric, que posteriormente teve um concorrente chamado Numarray, até que em 2006 um cara chamado Travis Oliphant unificou a comunidade através de um único package, o NumPy.

O NumPy (Numerical Python) é uma das bibliotecas científicas de Python, utilizada para criação de arrays multidimensionais e realização operações matemáticas. Os arrays do NumPy são mais rápidos e ocupam menos memória em comparação com as listas em Python. Além disso, esses arrays são uniformes, ou seja, diferente das listas neles é possível armazenar apenas dados do mesmo tipo.

Importando o NumPy

Criando arrays

Para criar um array com apenas uma linha basta passar os valores diretamente dentro dos colchetes [valor1, valor2, ...]. Se esse array tiver mais de uma linha, devemos abrir um novo par de colchetes para cada linha np.array([[1,2,3,4], [5,6,7,8]]) .

Além disso, pode-se passar mais de uma sequência e criar um array multidimensional. Vejamos o exemplo abaixo:

Criando arrays com range

Arrays especiais

Para criar um array de zeros utilizamos np.zeros((linhas, colunas)) . Para criar apenas de um’s utilizamos np.ones((linhas, colunas)) . Para números aleatórios utilizamos np.random.random((linhas, colunas)) .
Seguem os exemplos:

Obtendo informações sobre um array

Acessando elementos

Para arrays multidimensionais utilizamos nome_do_array[dimensão, linha, coluna] :

Modificando a forma de um Array

Matemática Básica


Os códigos desse post estão disponíveis no meu repositório do github. Além disso, coloquei os links das fontes utilizadas e do MyBinder para execução e manipulação do código online!

Pra saber como eu fiz pra renderizar as gists do Jupyter, dá uma olhada aqui.


Data Hackers

Blog oficial da comunidade Data Hackers

Christian Costa

Written by

Estudante de Segurança da Informação, “Pythonhead”, Iniciação Científica: Análise de Dados | Linux, Programação, Redes de Computadores | Escrevendo pra aprender

Data Hackers

Blog oficial da comunidade Data Hackers

Welcome to a place where words matter. On Medium, smart voices and original ideas take center stage - with no ads in sight. Watch
Follow all the topics you care about, and we’ll deliver the best stories for you to your homepage and inbox. Explore
Get unlimited access to the best stories on Medium — and support writers while you’re at it. Just $5/month. Upgrade