Fundamentos do NumPy: Arrays, Matrizes e Operações Matemáticas em Python

Introdução à Biblioteca NumPy

A biblioteca NumPy é a base fundamental para a computação científica em Python. Com o numpy python, desenvolvedores podem trabalhar eficientemente com arrays multidimensionais, matrizes e realizar operações matemáticas de alto desempenho.

NumPy é uma parte essencial do ecossistema para análise de dados, machine learning e cálculos de engenharia. Esta biblioteca é amplamente utilizada por frameworks populares como Pandas, Scikit-learn, TensorFlow e muitas outras ferramentas de programação científica.

Este material oferece um guia completo sobre numpy arrays, ajudando você a dominar o trabalho com arrays e matrizes. Você aprenderá a realizar operações aritméticas e lógicas, além de concatenar e modificar estruturas de dados de forma eficiente.

Instalação e Configuração Inicial da Biblioteca

Processo de Instalação do NumPy

Para instalar a biblioteca numpy python, use o gerenciador de pacotes pip:

pip install numpy

Verificando a Instalação

Após a instalação, é recomendável verificar a versão da biblioteca:

import numpy as np
print(np.__version__)

Este comando exibirá a versão atual da biblioteca instalada, confirmando que a instalação foi bem-sucedida.

Objetos Principais do NumPy: Trabalhando com Arrays

O que é ndarray

O principal objeto da biblioteca é o array (ndarray). Esta é uma versão aprimorada das listas padrão do Python, especialmente otimizada para execução rápida de operações matemáticas. Os numpy arrays são armazenados na memória de forma mais compacta e processados significativamente mais rápido do que as listas comuns.

Criando Arrays Unidimensionais

A maneira mais simples de criar um array:

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]

Trabalhando com Arrays Multidimensionais

Para criar um array bidimensional (matriz):

matrix = np.array([[1, 2], [3, 4]])
print(matrix)

Resultado:

[[1 2]
 [3 4]]

Propriedades Principais dos Arrays NumPy

Atributos Chave dos Arrays

Cada numpy array possui um conjunto de propriedades importantes:

• ndim - número de dimensões do array
• shape - dimensão do array em forma de tupla
• size - número total de elementos no array
• dtype - tipo de dados dos elementos do array

Uso Prático das Propriedades

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim)   # 2 (array bidimensional)
print(arr.shape)  # (2, 3) (2 linhas, 3 colunas)
print(arr.size)   # 6 (total de 6 elementos)
print(arr.dtype)  # int64 (tipo de dados)

Compreender essas propriedades é fundamental para trabalhar eficientemente com numpy arrays de diferentes dimensões.

Funções Especiais para Criar Arrays

Arrays com Valores Predefinidos

NumPy oferece funções convenientes para criar arrays de tipos especiais:

• np.zeros() - cria um array preenchido com zeros
• np.ones() - cria um array preenchido com uns
• np.eye() - cria uma matriz identidade
• np.full() - cria um array com um valor específico

zeros_array = np.zeros((2, 3))     # Array 2x3 de zeros
ones_array = np.ones((3, 3))       # Array 3x3 de uns
identity = np.eye(3)               # Matriz identidade 3x3

Funções para Gerar Sequências

• np.arange() - cria uma progressão aritmética
• np.linspace() - cria valores uniformemente distribuídos