Python Tutorial de NumPy para Iniciantes

O que é NumPy em Python?

NumPy é uma fonte aberta Python Biblioteca para programação matemática, científica, de engenharia e de ciência de dados. É uma biblioteca muito útil para operações matemáticas e estatísticas em PythonEle funciona perfeitamente com matrizes multidimensionais e multiplicação de matrizes, e se integra facilmente com C/C++ e Fortran.

Para qualquer projeto científico, o NumPy é a ferramenta essencial. Ele foi desenvolvido para trabalhar com arrays N-dimensionais, álgebra linear, geração de números aleatórios, transformadas de Fourier e muito mais.

NumPy fornece Python Suporte de primeira classe para matrizes e arrays multidimensionais, além de um amplo conjunto de operações matemáticas que atuam sobre eles. Neste guia, revisaremos as funções essenciais que você precisa conhecer antes de prosseguir para o tutorial sobre 'TensorFlow. '

Por que usar o NumPy?

NumPy é eficiente em termos de memória, portanto, pode lidar com grandes volumes de dados numéricos com mais facilidade do que o NumPy puro. Python listas. Também é muito conveniente para multiplicação de matrizes e reshapeamento.pingE é rápido porque o trabalho pesado é delegado a rotinas C compiladas. De fato, bibliotecas como TensorFlow, PyTorO NumPy e o Scikit-learn dependem de arrays NumPy para cálculos matriciais em seu backend, o que faz do NumPy o elemento essencial e silencioso por trás da maioria dos fluxos de trabalho modernos de ciência de dados e IA.

Como instalar o NumPy

Para instalar a biblioteca NumPy, consulte nosso tutorial. Como instalar o TensorFlow. NumPy é instalado por padrão com Anaconda.

Na rara eventualidade de o NumPy não estar instalado, utilize uma das opções abaixo.

Você pode instalar o NumPy usando o Anaconda:

conda install -c anaconda numpy

• In Jupyter notebook:

import sys
!conda install --yes --prefix {sys.prefix} numpy

Usuários do Pip podem instalar ou atualizar com um único comando:

pip install --upgrade numpy

Importe NumPy e verifique a versão

O comando para importar numpy é:

import numpy as np

A linha acima renomeia o namespace NumPy para npEste atalho permite prefixar funções, métodos e atributos do NumPy com np. em vez de typing numpy.E essa é a convenção padrão que você encontrará em todo o ecossistema NumPy.

Para verificar a versão do NumPy instalada, use o comando abaixo:

print(np.__version__)

Saída:

2.1.3

O NumPy 2.0 foi lançado em junho de 2024 e é a versão principal estável atual. Se o seu projeto ainda depende da API 1.x, fixe a versão para a versão correta. numpy<2 no seu arquivo de requisitos, pois alguns aliases legados, como np.float foram removidos na versão 2.0.

O que é uma Python Matriz NumPy?

Os arrays NumPy se parecem um pouco com Python À primeira vista, parecem listas, mas se comportam de maneira muito diferente. Para os leitores que não estão familiarizados com o assunto, vamos esclarecer o que é um ndarray e por que ele é importante.

Como o nome sugere, um array NumPy é a estrutura de dados central da biblioteca NumPy. O próprio nome é uma abreviação de "Numeric" (numérico). Python” ou “Numérico Python”, e o ndarray é um bloco de memória homogêneo e de tamanho fixo, com formato e tipo de dados conhecidos.

Criando uma matriz NumPy

A maneira mais simples de criar um array em NumPy é começar com um Python Lista.

myPythonList = [1,9,8,3]

converter o Python lista para um array NumPy usando np.array.

numpy_array_from_list = np.array(myPythonList)

Exiba o conteúdo da matriz.

numpy_array_from_list

Saída:

array([1, 9, 8, 3])

Na prática, não há necessidade de declarar um Python Primeiro, faça a lista. As duas etapas podem ser combinadas.

a = np.array([1,9,8,3])

OBSERVAÇÃO: A documentação do NumPy também menciona np.ndarray, mas np.array É a função de fábrica recomendada para uso diário.

Você também pode criar um array NumPy a partir de uma tupla da mesma maneira.

Matemático Operações em um array

Você pode realizar operações matemáticas como adição, subtração e acréscimo.tracoperações de divisão, multiplicação e operação em uma matriz. A sintaxe é o nome da matriz, seguido pelo operador (+, -, *, /), seguido pelo operando. Essas operações são vetorizadas, o que significa que o NumPy as aplica a cada elemento sem um operador explícito. Python loop.

Exemplo:

numpy_array_from_list + 10

Saída:

array([11, 19, 18, 13])

Esta operação adiciona 10 a cada elemento da matriz NumPy.

Forma da Matriz

Você pode verificar o formato de uma matriz com o shape atributo, acessado adicionando-o ao nome do array. Da mesma forma, você pode verificar o tipo com dtype.

import numpy as np
a = np.array([1,2,3])
print(a.shape)
print(a.dtype)

(3,)
int64

Um número inteiro é um valor sem casas decimais. Se você criar uma matriz com decimais, o tipo de dados (dtype) muda para float.

#### Different type
b = np.array([1.1,2.0,3.2])
print(b.dtype)

float64

Matriz de 2 dimensões

Você pode adicionar uma dimensão com uma vírgula dentro dos parênteses.

Observe que as tuplas internas devem estar dentro dos colchetes externos. [].

### 2 dimension
c = np.array([(1,2,3),
              (4,5,6)])
print(c.shape)
(2, 3)

Matriz de 3 dimensões

Dimensões superiores podem ser construídas da mesma maneira.

### 3 dimension
d = np.array([
    [[1, 2,3],
        [4, 5, 6]],
    [[7, 8,9],
        [10, 11, 12]]
])
print(d.shape)
(2, 2, 3)

Objetivo	Code
Criar matriz	matriz([1,2,3])
imprima a forma	matriz([.]).forma

O que é numpy.zeros()?

numpy.zeros() or np.zeros é um Python Função utilizada para criar uma matriz preenchida com zeros. numpy.zeros() É útil quando você precisa inicializar pesos durante a primeira iteração no TensorFlow ou configurar buffers de espaço reservado para outras tarefas estatísticas.

Sintaxe da função numpy.zeros()

numpy.zeros(shape, dtype=float, order='C')

Python Parâmetros numpy.zeros()

Aqui,

• Shape: formato do array de zeros do NumPy.
• Tipo D: tipo de dados dos elementos. É opcional e o valor padrão é float64.
• PedidoO padrão é C, que é o layout de ordem de linhas usado por numpy.zeros() in Python.

Python numpy.zeros() Exemplo

import numpy as np
np.zeros((2,2))

Saída:

array([[0., 0.],
          [0., 0.]])

Exemplo de numpy zero com tipo de dados

import numpy as np
np.zeros((2,2), dtype=np.int16)

Saída:

array([[0, 0],
         [0, 0]], dtype=int16)

O que é numpy.ones()?

função np.ones() Cria uma matriz preenchida com uns. numpy.ones() in Python É útil quando você inicializa os pesos durante a primeira iteração no TensorFlow e para outras tarefas estatísticas.

Python Sintaxe numpy.ones()

numpy.ones(shape, dtype=float, order='C')

Python Parâmetros numpy.ones()

Aqui,

• Shape: formato dos np.ones Python Ordem.
• Tipo D: tipo de dados dos elementos. É opcional e o valor padrão é float64.
• PedidoO padrão é C, que é o layout de ordem de linhas.

Python numpy.ones() Array 2D com exemplo de tipo de dados

import numpy as np
np.ones((1,2,3), dtype=np.int16)

Saída:

array([[[1, 1, 1],
       [1, 1, 1]]], dtype=int16)

função numpy.reshape() em Python

Python Remodelação NumPy Altera o formato de uma matriz sem alterar seus dados. Pode ser necessário remodelar dados de um formato amplo para um formato longo, ou converter de um vetor unidimensional para uma matriz bidimensional antes de alimentá-los em um modelo. np.reshape A função resolve isso em uma única chamada.

Sintaxe de np.reshape()

numpy.reshape(a, newShape, order='C')

Aqui,

a: matriz que você deseja remodelar.

nova forma: a nova forma desejada.

PedidoO padrão é C, o layout de ordem de linhas.

Exemplo de remodelação NumPy

import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
e.reshape(3,2)

Saída:

 // Before reshape
[[1 2 3]
 [4 5 6]]

//After Reshape
array([[1, 2],
	[3, 4],
	[5, 6]])

numpy.flatten() em Python

Python NumPy achatar Retorna uma cópia da matriz condensada em uma dimensão. Ao trabalhar com redes neurais, como as redes convolucionais (convnets), muitas vezes é necessário achatar um tensor de imagem antes de passá-lo para uma camada densa. np.flatten() A função resolve isso em uma única chamada.

Sintaxe de np.flatten()

numpy.flatten(order='C')

Aqui,
PedidoO padrão é C, o layout de ordem de linhas.

Exemplo de NumPy Flatten

e.flatten()

Saída:

array([1, 2, 3, 4, 5, 6])

O que é numpy.hstack() em Python?

numpy.hstack é um Python Função usada para empilhar horizontalmente sequências de arrays de entrada em um único array. hstack()Você adiciona dados ao longo do eixo da coluna. É um recurso muito útil do NumPy quando precisa mesclar vetores de características lado a lado.

Vamos estudar hstack in Python com um exemplo.

Exemplo:

## Horizontal Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Horizontal Append:', np.hstack((f, g)))

Saída:

Horizontal Append: [1 2 3 4 5 6]

O que é numpy.vstack() em Python?

numpy.vstack é um Python Função usada para empilhar verticalmente sequências de arrays de entrada em um único array. vstack(), você adiciona dados ao longo do eixo das linhas, o que é útil quando você deseja combinar lotes de amostras.

Vamos analisar isso com um exemplo.

Exemplo:

## Vertical Stack
import numpy as np
f = np.array([1,2,3])
g = np.array([4,5,6])
print('Vertical Append:', np.vstack((f, g)))

Saída:

Vertical Append: [[1 2 3]
 [4 5 6]]

Após estudar NumPy vstack e hstackVamos analisar um exemplo que gera números aleatórios em NumPy.

Gerar Aleatório Numbers usando NumPy

Para gerar números aleatórios a partir de uma distribuição gaussiana, utilize:

numpy.random.normal(loc, scale, size)

Aqui,

• LugarA média. O centro da distribuição.
• Escala: o desvio padrão.
• Dimensões:: número de amostras devolvidas.

Exemplo:

## Generate random numbers from a normal distribution
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)
[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Se representada graficamente, a distribuição será semelhante ao gráfico a seguir.

Note que os códigos mais recentes utilizam cada vez mais a API de geradores moderna. np.random.default_rng(), que é a substituição recomendada para a versão legada np.random.normal chamadas em NumPy 2.x.

Função NumPy Asarray

O asarray() A função converte uma entrada em um array. A entrada pode ser uma lista, tupla, ndarray ou sequência similar.

Sintaxe:

numpy.asarray(data, dtype=None, order=None)

Aqui,

dados,: dados que você deseja converter em uma matriz.

dtipo: opcional. Se não for especificado, o tipo de dados será inferido a partir dos dados de entrada.

PedidoO padrão é C, o layout de ordem de linhas. A outra opção é F (Fortracoluna principal estilo n).

Exemplo:

Considere a seguinte matriz 2D com quatro linhas e quatro colunas, preenchida com 1.

import numpy as np
A = np.matrix(np.ones((4,4)))

Se você tentar alterar um valor na matriz através de np.array, o original não é modificado. A razão é que np.array cria uma cópia da matriz.

np.array(A)[2]=2
print(A)
[[1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]
 [1. 1. 1. 1.]]

A matriz permanece inalterada. Use asarray Quando você deseja modificar a matriz original no mesmo local. Vejamos o que acontece quando você define a terceira linha com o valor 2.

np.asarray(A)[2]=2
print(A)

Code Explicação:

np.asarray(A) converte a matriz A para uma visualização em matriz.

[2] seleciona a terceira linha.

Saída:

[[1. 1. 1. 1.]
      [1. 1. 1. 1.]
      [2. 2. 2. 2.] # new value
      [1. 1. 1. 1.]]

O que é numpy.arange()?

numpy.arange() é uma função integrada do NumPy que retorna um ndarray contendo valores uniformemente espaçados dentro de um intervalo definido. Por exemplo, para criar valores de 1 a 10, você pode chamar np.arange() in Python.

Sintaxe:

numpy.arange(start, stop, step, dtype)

Python Parâmetros do intervalo NumPy:

• Começar: início do intervalo para np.arange in Python.
• Dê um basta: fim do intervalo.
• Passo: espaçamento entre valores. O passo padrão é 1.
• Tipo D: tipo da matriz de saída para NumPy arange.

Exemplo:

import numpy as np
np.arange(1, 11)

Saída:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

Exemplo:

Para alterar a etapa neste NumPy arange Por exemplo, adicione um terceiro número entre parênteses. Isso altera o tamanho do passo.

import numpy as np
np.arange(1, 14, 4)

Saída:

array([ 1,  5,  9, 13])

Função NumPy Linspace

linspace Retorna amostras uniformemente espaçadas entre dois pontos finais.

Sintaxe:

numpy.linspace(start, stop, num, endpoint)

Aqui,

• Começar: valor inicial da sequência.
• Dê um basta: valor final da sequência.
• Num: número de amostras a serem geradas. O padrão é 50.
• Ponto final: E se True (Padrão) stop é o último valor. Se False, stop não está incluído.

Exemplo:

Por exemplo, pode ser usado para criar 10 valores uniformemente espaçados de 1 a 5.

import numpy as np
np.linspace(1.0, 5.0, num=10)

Saída:

array([1.        , 1.44444444, 1.88888889, 2.33333333, 2.77777778,       3.22222222, 3.66666667, 4.11111111, 4.55555556, 5.        ])

Se você não quiser incluir o último dígito no intervalo, defina endpoint para False.

np.linspace(1.0, 5.0, num=5, endpoint=False)

Saída:

array([1. , 1.8, 2.6, 3.4, 4.2])

Função LogSpace NumPy em Python

logspace Retorna números uniformemente espaçados em uma escala logarítmica. logspace compartilha os mesmos parâmetros que np.linspace.

Sintaxe:

numpy.logspace(start, stop, num, endpoint)

Exemplo:

np.logspace(3.0, 4.0, num=4)

Saída:

array([ 1000. ,  2154.43469003,  4641.58883361, 10000.        ])

Por fim, se você quiser verificar o tamanho da memória de um único elemento em uma matriz, você pode usar itemsize.

x = np.array([1,2,3], dtype=np.complex128)
x.itemsize

Saída:

16

Cada elemento ocupa 16 bytes.

Indexação e divisão Python

Fatiar dados com NumPy é simples. Vamos fatiar a matriz. e. em PythonVocê usa colchetes para retornar linhas ou colunas.
Exemplo:

## Slice
import numpy as np
e = np.array([(1,2,3), (4,5,6)])
print(e)
[[1 2 3]
 [4 5 6]]

Lembre-se que no NumPy o primeiro índice do array começa em 0.

## First row
print('First row:', e[0])

## Second row
print('Second row:', e[1])

Saída:

First row: [1 2 3]
Second row: [4 5 6]

In Python, assim como em muitas outras línguas,

• O valor antes da vírgula representa as linhas.
• O valor após a vírgula representa as colunas.
• Se você quiser selecionar uma coluna, adicione : antes do índice da coluna.
• : Significa que você deseja todas as linhas da coluna selecionada.

print('Second column:', e[:,1])

Second column: [2 5]

Para retornar os dois primeiros valores da segunda linha, use : Selecionar todas as colunas até o segundo índice.

## Second Row, two values
print(e[1, :2])
[4 5]

Funções estatísticas em Python

O NumPy oferece um conjunto útil de funções estatísticas para encontrar o mínimo, o máximo, o percentil, o desvio padrão, a variância e muito mais em uma determinada matriz. As mais comuns estão listadas abaixo.

O NumPy vem com ferramentas auxiliares estatísticas robustas, resumidas na tabela.

função	Numpy
min	np.min()
Max	np.max()
Média	np.média()
Mediana	np.mediana()
Desvio padrão	np.std()

Considere a seguinte matriz:

Exemplo:

import numpy as np
normal_array = np.random.normal(5, 0.5, 10)
print(normal_array)

Saída:

[5.56171852 4.84233558 4.65392767 4.946659   4.85165567 5.61211317 4.46704244 5.22675736 4.49888936 4.68731125]

Exemplo de funções estatísticas do NumPy

### Min
print(np.min(normal_array))

### Max
print(np.max(normal_array))

### Mean
print(np.mean(normal_array))

### Median
print(np.median(normal_array))

### Sd
print(np.std(normal_array))

Saída:

4.467042435266913
5.612113171990201
4.934841002270593
4.846995625786663
0.3875019367395316

O que é produto escalar numpy?

numpy.dot é uma função poderosa para computação matricial. Por exemplo, você pode calcular o produto escalar com np.dot. numpy.dot retorna o produto escalar de a e be lida com matrizes unidimensionais e bidimensionais. Para entradas bidimensionais, realiza multiplicação de matrizes.

Sintaxe:

numpy.dot(x, y, out=None)

Parâmetros Técnicos

Aqui,

x, y: matrizes de entrada. x e y ambos devem ser 1D ou 2D para np.dot() para funcionar como um produto escalar ou multiplicação de matrizes.

Fora: argumento de saída opcional usado para capturar o resultado. Caso contrário, um ndarray é retornado.

Returns

A função numpy.dot() Retorna o produto escalar de duas matrizes. x e yRetorna um escalar quando ambos são unidimensionais; caso contrário, retorna uma matriz. Se out Se for fornecido um array, esse array será retornado.

Eleva

O produto escalar em Python levanta um ValueError se a última dimensão de x não corresponde à penúltima dimensão de y.

Exemplo:

## Linear algebra
### Dot product: product of two arrays
f = np.array([1,2])
g = np.array([4,5])
### 1*4+2*5
np.dot(f, g)

Saída:

14

Multiplicação de matrizes em Python

O NumPy matmul() A função retorna o produto matricial de dois arrays. Veja como funciona.

1) Para matrizes 2D, retorna o produto matricial normal.

2) Para dimensões maiores que 2, o produto é tratado como uma pilha de matrizes.

3) Primeiro, um array unidimensional é promovido a uma matriz e, em seguida, o produto é calculado.

O infixo @ operador, disponível desde Python 3.5 é uma abreviação para matmul e é amplamente utilizado em códigos modernos.

Sintaxe:

numpy.matmul(x, y, out=None)

Aqui,

x, y: matrizes de entrada. Valores escalares não são permitidos.

Fora: parâmetro opcional. Normalmente, a saída é armazenada em um ndarray.

Exemplo:

Da mesma forma, você pode calcular a multiplicação de matrizes com np.matmul.

### Matmul: matrix product of two arrays
h = [[1,2],[3,4]]
i = [[5,6],[7,8]]
### 1*5+2*7 = 19
np.matmul(h, i)

Saída:

array([[19, 22],
            [43, 50]])

determinante

Se você precisar calcular o determinante de uma matriz, use np.linalg.det()O NumPy cuida das dimensões para você.

Exemplo:

## Determinant 2*2 matrix
### 5*8-7*6
np.linalg.det(i)

Saída:

-2.000000000000005

Explicação sobre a transmissão em NumPy

A transmissão (broadcasting) é a regra que permite ao NumPy realizar operações aritméticas em arrays de formatos diferentes sem copiar os dados. Quando você adiciona um escalar a um vetor unidimensional, ou um vetor unidimensional a uma matriz bidimensional, o NumPy estica o operando menor ao longo dos eixos ausentes para que os formatos se alinhem. Isso evita a necessidade de operações aritméticas explícitas. Python Os loops são um dos principais motivos pelos quais o código NumPy parece rápido e conciso.

Duas formas são compatíveis para transmissão quando, comparadas da direita para a esquerda, cada par de dimensões é igual ou uma delas é igual a 1. Por exemplo, uma matriz de forma (3, 4) transmissões contra uma fileira de formas (4,) ou uma coluna de formato (3, 1)A mesma lógica que alimenta a normalização em aprendizado de máquina, onde você substituitracum vetor médio por característica de um lote de amostras em uma única linha. O broadcasting também é o modelo conceitual usado por bibliotecas de tensores como Py.Torch, TensorFlow e JAX, portanto, as regras que você aprende aqui se aplicam diretamente ao código da GPU.

Como o NumPy potencializa a IA e o aprendizado de máquina

O NumPy está presente em praticamente todas as aplicações modernas. Python Pilha de IA. PyTorTensores ch, tensores eager do TensorFlow e arrays JAX expõem as mesmas funcionalidades de broadcasting, fatiamento e reshapeamento.ping API que você aprendeu sobre ndarrays do NumPy. Muitos tutoriais ainda alimentam os loops de treinamento de modelos com arrays NumPy pré-processados, e os frameworks os aceitam sem nenhuma conversão.

Três padrões concretos mostram como o NumPy se conecta ao trabalho de IA atualmente. Primeiro, engenheiros de dados transformam recursos brutos em arrays NumPy antes de entregá-los a pipelines do scikit-learn ou a conjuntos de dados do Hugging Face. Segundo, pesquisadores usam o NumPy como base para CPUs e, em seguida, o substituem pelo CuPy, que oferece uma API quase idêntica, mas é executado em GPUs NVIDIA por meio do CUDA. Terceiro, o JAX se baseia na API do NumPy para adicionar diferenciação automática e compilação just-in-time, de modo que o mesmo código executado em um laptop possa ser executado em TPUs na nuvem. A conclusão é que as habilidades com arrays que você desenvolve com o NumPy são úteis em todas as principais ferramentas de aprendizado profundo, o que torna este tutorial um passo valioso na jornada para o desenvolvimento de IA.

Perguntas Frequentes