NumPy 101: Aprenda NumPy em 10 minutos
Numpy é uma biblioteca Python popular para computação científica e análise de dados. Ele fornece um poderoso objeto de matriz, juntamente com muitas funções e métodos úteis para manipular e processar dados numéricos. Nesta postagem do blog, compartilharei algumas das operações numpy essenciais que podem ajudá-lo a escrever um código mais rápido e limpo. Seja você um iniciante ou um especialista, espero que encontre algo útil nesta folha de dicas numpy.
Instalação
Se você não possui o numpy, primeiro precisa instalá-lo. Você pode instalá-lo em dois dias:
Usando pip
pip install numpy
Primeiro, ative seu ambiente anaconda e use o seguinte comando:
conda install -c anaconda numpy
Antes de fazer qualquer operação usando numpy, precisamos importá-lo.
import numpy as np
Vamos começar do básico e aprender como criar valores escalares da classe numpy.
# int type
python_int = 2
numpy_int = np.int32(2)
print(type(python_int)) # ---> <class 'int'>
print(type(numpy_int)) # ---> <class 'numpy.int32'>
# float type
python_float = 2.5
numpy_float = np.float32(2.5)
print(type(python_float)) # ---> <class 'float'>
print(type(numpy_float)) # ---> <class 'numpy.float32'>
Agora, é hora de passar para Arrays ou Lists.
Matriz 1-D
Vamos agora criar um array 1-D usando o array()método numpy.
# creating an 1-D array of int type
one_d_array_int = np.array([1,2,3])
print(one_d_array_int) # ---> output : [1 2 3]
# creating an 1-D array of float type
one_d_array_float = np.array([1.5,2.5,3.5])
print(one_d_array_float) # ---> output : [1.5 2.5 3.5]
Vamos agora criar um array 2-D usando o array()método numpy.
# 2-D int array
two_d_array_int = np.array([
[1,2,3],
[4,5,6],
[7,8,9]
])
print(two_d_array_int) # ---> [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
# 2-D float array
two_d_array_float= np.array([
[1.1,2.1,3.0],
[4.1,5.1,6.1],
[7.1,8.1,9.1]
])
print(two_d_array_float) # ---> [[1.1, 2.1, 3.0], [4.1, 5.1, 6.1], [7.1, 8.1, 9.1]]
Agora, vamos aprender como você obtém a dimensão de qualquer array.
# If the array is a 1-D array, then it'll return 1
print(one_d_array_int.ndim) # ---> output : 1
# If the array is a 2-D array, then it'l return 2
print(two_d_array_int.ndim) # ---> output : 2
print(one_d_array_int.shape) # ---> output : (3,)
print(two_d_array_int.shape) # ---> output : (3, 3)
Obter o tipo de dados de uma matriz
print(one_d_array_int.dtype) # ---> output : dtype('int32')
Manipulando Elementos de um Array
Vamos criar um novo array e então vamos realizar operações neste novo array.
a = np.array([[1,2,3,4,5,6,7],[8,9,10,11,12,13,14]])
print(a) # ---> output : [[ 1 2 3 4 5 6 7]
# [ 8 9 10 11 12 13 14]]
Digamos que queremos acessar o terceiro elemento das primeiras linhas.
# accessing 1st row's 3rd element
print(a[0,2]) # ---> output : 3
Lembre-se, numpy também segue a indexação baseada em 0 e devido a isso, se quisermos obter a primeira linha, precisamos escrever 0 e não 1 e o mesmo vale para o valor da coluna se precisarmos do terceiro elemento, então escreveremos 2 e não 3.
Acesse apenas uma linha ou coluna específica
# accessing only the first row
print(a[0,:]) # ---> output : [1 2 3 4 5 6 7]
# accessing only the second column
print(a[:,1]) # ---> output : [2 9]
# [startindex:endindex:stepsize]
print(a[0, 1:-1:2]) # ---> output : [2 4 6]
Alterando o valor do elemento
a[0,2] = 99
print(a) # ---> output : [[ 1 2 99 4 5 6 7]
# [ 8 9 10 11 12 13 14]]
Matrizes especiais em Numpy
matriz zero
# creating a zero matrix of shape(2,3)
print(np.zeros((2,3))) # ---> output : [[0. 0. 0.]
# [0. 0. 0.]
# [0. 0. 0.]]
Uma Matriz
# All 1s matrix
print(np.ones((3,2,2))) # ---> output : [[[1. 1.]
# [1. 1.]]
#
# [[1. 1.]
# [1. 1.]]
#
# [[1. 1.]
# [1. 1.]]]
# creating ones matrix int type
print(np.ones((3,2,2)), dtype='int32') # ---> output : [[[1 1]
# [1 1]]
#
# [[1 1]
# [1 1]]
#
# [[1 1]
# [1 1]]]
Matriz Aleatória
Se você deseja ter uma matriz com valores aleatórios de uma forma específica, pode usar np.random.rand()o método.
print(np.random.rand(3,3)) # ---> output : [[0.10671372 0.31133182 0.56572354]
# [0.34792672 0.88867917 0.25310353]
# [0.70052117 0.53243035 0.67948057]]
Se você deseja ter uma matriz com valores int aleatórios de uma forma específica, pode usar np.random.randint()o método.
# np.random.randint(start_value,end_value,size)
print(np.random.randint(-1,5, size=(3,3))) # ---> output : [[0 -1 2]
# [4 2 1]
# [4 4 0]]
end_valueé exclusivo é por isso que não há 5 na matriz de saída.
Se você não mencionar o start_value, o valor inicial padrão seria 0. Você deve mencionar o end_value.
Matriz de identidade
Se você deseja criar uma matriz de identidade, pode usar np.identity()o método.
print(np.identity(3)) # ---> output : [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]
matriz de transposição
a = np.random.randint(-1,5, size = (2,3)) # creating a random int array
print(a) # output : [[ 2 -1 1]
# [ 0 1 1]]
print(a.T) # output : [[ 2 0]
# [-1 1]
# [ 1 1]]
Se você quiser alterar a forma da matriz, pode usar reshape()o método.
a = np.random.randint(-1,5, size = (2,3)) # creating a random int array
print(a) # output : [[ 2 -1 1]
# [ 0 1 1]]
print(a.reshape(3,2)) # output : [[ 2 0]
# [-1 1]
# [ 1 1]]
print(a.reshape(1,6)) # output : [[1 2 3 2 2 2]]
Preencha com qualquer número
Se você deseja que um aray seja preenchido com um valor específico, pode usar np.full()o método.
print(np.full((3,3), 14)) # ---> output : [[14 14 14]
# [14 14 14]
# [14 14 14]]
Se você deseja ter uma matriz com um valor específico e deseja que ela tenha a mesma forma de outra matriz, pode usar o np.full_like()método.
# Any other number (full_like)
print(np.full_like(a, 4)) # ---> output : [[4 4 4 4 4 4 4]
# [4 4 4 4 4 4 4]]
Copiar matriz
a = [1,2,3] # created an array a
b = [10,20,30] # created an array b
print(a) # output : [1 2 3]
a = b # I'll explain it below
b[1] = 200 # changed b's 2nd element's value to 200
print(a) # output : [10 200 30] HOW??????
Aqui, os valores de bnão foram copiados para a, em vez disso a, começam a apontar para bo qual, por sua vez, altera os valores de a, mas o problema é que sempre que você alterar algo no bmesmo, será refletido em a.
Matrizes de Empilhamento
Se você deseja empilhar vários arrays vertical ou horizontalmente, pode usar vstack()método ou hstack()método, respectivamente.
# Vertically stacking vectors
v1 = np.array([1,2,3,4]) # created array v1
v2 = np.array([5,6,7,8]) # create array v2
np.vstack([v1,v2,v1,v2]) # output : [[1 2 3 4]
# [5 6 7 8]
# [1 2 3 4]
# [5 6 7 8]]
print(np.hstack([v1,v2])) # output : [1 2 3 4 5 6 7 8]
a = np.array([1, 2, 3])
print(a.sum()) # sum of all values of a
print(a.max()) # max of all elements of a
print(a.mean()) # return mean of a
print(np.median(a)) # return median of a
print(np.std(a)) # return standard deviation of a
Isso conclui nosso blogpost numpy cheatsheet. Esperamos que você tenha achado útil e aprendido alguns novos truques para trabalhar com arrays e matrizes em Python. Numpy é uma biblioteca poderosa e versátil que pode ajudá-lo a realizar vários cálculos numéricos e tarefas de análise de dados. Se você quiser aprender mais sobre numpy, pode conferir a documentação oficial ou alguns dos tutoriais e cursos online disponíveis. Obrigado por ler e codificação feliz!
![O que é uma lista vinculada, afinal? [Parte 1]](https://post.nghiatu.com/assets/images/m/max/724/1*Xokk6XOjWyIGCBujkJsCzQ.jpeg)