Tutorial de NumPy Python

O predecessor do NumPy, Numeric, foi desenvolvido inicialmente por Jim Hugunin e outros colaboradores.2005 Em 2001, Travis Oliphant combinou as características de outro pacote de natureza semelhante, Numarray, e adicionou outras extensões para desenvolver o NumPy. O NumPy é de código-fonte aberto e é mantido e desenvolvido por muitos colaboradores.

O núcleo do pacote NumPy é o objeto ndarray. Ele encapsula arrays n-dimensionais do tipo nativo do Python, garantindo seu excelente desempenho, muitas operações são executadas localmente, após a compilação do código.

Existem várias diferenças importantes entre arrays do NumPy e arrays nativos do Python:

Arrays do NumPy têm um tamanho fixo no momento da criação, diferentemente dos objetos de array nativos do Python, alterar o tamanho do ndarray cria um novo array e remove o array original.Os elementos dos arrays do NumPy precisam ter o mesmo tipo de dados, portanto, têm o mesmo tamanho na memória.Arrays do NumPy ajudam a realizar operações matemáticas avançadas e outros tipos de operações em grandes volumes de dados. Normalmente, essas operações são executadas com maior eficiência e menos código do que usar arrays nativos do Python.Cada vez mais pacotes científicos e matemáticos baseados em Python usam arrays do NumPy, mas antes de lidar com eles, eles convertem os arrays de entrada para arrays do NumPy.

Antes de começar o tutorial do NumPy, precisamos ter uma base básica de Python, este site recomenda usar Python3. Versão x, se você ainda não conhece o Python, pode ler nossoTutorial de Python

Por que usar NumPy?

No Python, temos listas que atendem às funções de array, mas são lentas para lidar.O NumPy visa fornecer uma velocidade maior do que a lista tradicional do Python 5Objeto de array de 0 vezesO objeto de array no NumPy é chamado ndarray, que fornece muitos funções de suporte, tornando muito fácil usar ndarray.Arrays são muito usados na ciência de dados, pois a velocidade e os recursos são muito importantes.Ciência de dados: uma ramificação da ciência da computação, que estuda como armazenar, usar e analisar dados para extrair informações.

Por que o NumPy é mais rápido que uma lista?

Diferente de listas, arrays do NumPy são armazenados em uma posição contínua na memória, permitindo que os processos acessem e manipulem eles de forma muito eficiente.
Este comportamento é chamado de localidade de referência na ciência da computação.
Essa é a principal razão pela qual o NumPy é mais rápido que uma lista. Ele também foi otimizado para usar com as últimas arquiteturas de CPU.

Aplicações do NumPy

NumPy é geralmente usado junto com SciPy, essa combinação é amplamente utilizada para substituir o MatLab, ajudando-nos a aprender ciência de dados ou aprendizado de máquina através do Python.O SciPy é uma biblioteca de algoritmos e ferramentas matemáticas de código aberto para Python.O SciPy contém módulos como otimização, álgebra linear, integração, interpolação, funções especiais, transformada de Fourier rápida, processamento de sinais e imagens, solução de equações diferenciais ordinárias e outras operações comuns em ciência e engenharia.O Matplotlib é uma interface de visualização para o idioma de programação Python e a extensão de matemática NumPy. Ele fornece uma ferramenta de interface gráfica de usuário comum.

Recursos Relacionados

Site Oficial do NumPy:http://www.numpy.orgCódigo Fonte do NumPy:https://github.com/numpy/numpySite Oficial do SciPy:: https://www.scipy.orgCódigo Fonte do SciPy:: https://github.com/scipy/scipyCódigo Fonte do Matplotlib:: https://matplotlib.orgCódigo Fonte do Matplotlib:: https://github.com/matplotlib/matplotlib

Exemplo Simples do Numpy

#　1Instalar Pacote
$　pip　install　numpy
#　2Entrar na Interface Interativa do Python
$　python　-i
#　3Usar Numpy
>>> from　numpy　import　*
>>> eye(4)
#　4Saída de Resultado
array([[1.,　0.,　0.,　0.],
　　　　　　　[0.,　1.,　0.,　0.],
　　　　　　　[0.,　0.,　1.,　0.],
　　　　　　　[0.,　0.,　0.,　1.]])