Breve introdução ao NumPy

Algum conhecimento básico da biblioteca NumPy e ufuncs

NumPy significa Numerical Python e é um Python biblioteca para trabalhar com arrays. Com a ajuda dessas matrizes, elementos da álgebra linear, como vetores e matrizes, podem ser representados em Python. Como grande parte da biblioteca é escrita em C, ela pode realizar cálculos particularmente eficientes e rápidos, mesmo com matrizes grandes.

Python oferece uma variedade de estruturas de dados que podem ser usadas para armazenar dados sem bibliotecas adicionais. No entanto, essas estruturas, como Listas Python, são muito pouco adequados para operações matemáticas. Adicionando dois listas de números, elemento por elemento, pode rapidamente ser prejudicial ao desempenho ao lidar com grandes quantidades de dados.

Por este motivo, o NumPy foi desenvolvido, pois oferece a possibilidade de realizar operações numéricas de forma rápida e eficiente. Especialmente importantes são os cálculos no campo da álgebra linear, como multiplicações de matrizes.

NumPy, como muitas outras bibliotecas, pode ser instalada diretamente de um notebook usando pip. Para fazer isso, use o comando “pip install” junto com o nome do módulo. Esta linha deve ser precedida de um ponto de exclamação para que o notebook reconheça que se trata de um comando de terminal:

Se a instalação for bem sucedida, o módulo pode simplesmente ser importado e utilizado no notebook. A abreviatura “np” é frequentemente usada aqui para economizar um pouco de tempo no decorrer da programação e não ter que inserir NumPy todas as vezes:

Matrizes NumPy são uma alternativa válida às convencionais Listas Python. Eles oferecem a possibilidade de armazenar coleções multidimensionais de dados. Na maioria dos casos, os números são armazenados e as matrizes são usadas como vetores ou matrizes. Por exemplo, um vetor unidimensional poderia ser assim:

Além das diferentes funções dos arrays NumPy, que abordaremos em um post separado, as possíveis dimensionalidades ainda são importantes para diferenciação:

As seguintes dimensionalidades são distinguidas:

• 0D - Matriz: Este é simplesmente um escalar, ou seja, um único número ou valor.
• 1D - Matriz: Este é um vetor, como uma sequência de números ou valores em uma dimensão.
• 2D - Matriz: Este tipo de array é uma matriz, ou seja, uma coleção de vários arrays 1D.
• 3D - Matriz: Várias matrizes formam um chamado tensor. Explicamos isso com mais detalhes em nosso artigo sobre TensorFlow.

Dependendo da fonte, existem várias diferenças fundamentais entre matrizes NumPy e Listas Python. Entre os mais comumente mencionados estão:

1. Consumo de Memória: Os arrays são programados de forma que ocupem uma determinada parte da memória. Todos os elementos do array estão localizados lá. Os elementos de um Lista, por outro lado, podem estar distantes na memória. Como resultado, um Lista consome mais memória do que uma matriz idêntica.
2. Velocidade: Arrays também podem ser processados ​​muito mais rápido do que listas devido ao seu menor consumo de memória. Isto pode fazer uma diferença significativa para objetos com vários milhões de elementos.
3. Funcionalidade: os arrays oferecem significativamente mais funcionalidades, por exemplo, permitem operações elemento por elemento, enquanto as listas não.

As chamadas “Funções Universais” (abreviação: ufuncs) são utilizadas para não ter que executar certas operações elemento por elemento, mas diretamente para todo o array. Na programação de computadores, fala-se da chamada vetorização quando os comandos são executados diretamente para todo o vetor.

Isto não só é muito mais rápido na programação, mas também leva a cálculos mais rápidos. No NumPy, são oferecidas várias dessas funções universais, que podem ser usadas para diversas operações. Entre os mais conhecidos estão:

• Com “add()” você pode somar vários arrays elemento por elemento.
• “subtract()” é exatamente o oposto e subtrai o array elemento por elemento.
• “multiply()” multiplica dois arrays elemento por elemento.
• “matmul()” forma o produto matricial de dois arrays. Observe que na maioria dos casos isso não dará o mesmo resultado que “multiply()”.

• NumPy significa Numerical Python e é uma biblioteca Python para trabalhar com arrays.
• Com a ajuda dessas matrizes, elementos da álgebra linear, como vetores e matrizes, podem ser representados em Python.
• Como grande parte da biblioteca é escrita em C, ela pode realizar cálculos particularmente eficientes e rápidos, mesmo com matrizes grandes.
• Os arrays NumPy são comparáveis ​​às listas Python, mas são significativamente superiores a eles em requisitos de memória e velocidade de processamento.

Breve introdução ao NumPy republicado da fonte https://towardsdatascience.com/3short-introduction-to-numpy-3a65ec23eaba?source=rss—-7f60cf5620c9—4 via https://towardsdatascience.com/feed

<!–

->