REFERÊNCIA RÁPIDA DE NUMPY
Criação de arrays, matemática, álgebra linear e mais
Criação de Arrays
A Partir de Listas
import numpy as np
a = np.array([1, 2, 3]) # 1D
b = np.array([[1, 2], [3, 4]]) # 2D
Construtores Integrados
np.zeros((2, 3)) # 2x3 of zeros
np.ones((3, 3)) # 3x3 of ones
np.eye(4) # 4x4 identity matrix
np.arange(0, 10, 2) # [0, 2, 4, 6, 8]
np.linspace(0, 1, 5) # 5 evenly spaced
Propriedades do Array
| a.shape | Dimensões como tupla: (3, 4) |
| a.ndim | Número de dimensões |
| a.size | Total de elementos |
| a.dtype | Tipo de dado: float64, int32, etc. |
Indexação e Fatiamento
Indexação Básica
a = np.array([[1, 2, 3], [4, 5, 6]])
a[0, 1] # 2 (row 0, col 1)
a[1] # [4, 5, 6] (row 1)
a[:, 0] # [1, 4] (all rows, col 0)
Fatiamento
a[0, 1:] # [2, 3] (row 0, col 1 onward)
a[:, :2] # first 2 columns
a[::2] # every other row
Indexação Booleana
a = np.array([10, 20, 30, 40])
a[a > 15] # [20, 30, 40]
a[a % 20 == 0] # [20, 40]
Operações com Arrays
Operações Elemento a Elemento
a = np.array([1, 2, 3])
a + 10 # [11, 12, 13]
a * 2 # [2, 4, 6]
a ** 2 # [1, 4, 9]
a + a # [2, 4, 6]
Comparação
a = np.array([1, 2, 3, 4])
a > 2 # [False, False, True, True]
np.where(a > 2, a, 0) # [0, 0, 3, 4]
Agregação
| a.sum() | Soma de todos os elementos |
| a.mean() | Média aritmética |
| a.std() | Desvio padrão |
| a.min() / a.max() | Valor mínimo / máximo |
| a.argmin() / a.argmax() | Índice do mínimo / máximo |
| a.cumsum() | Soma cumulativa |
Adicione `axis=0` (colunas) ou `axis=1` (linhas) para resultados por eixo
Funções Matemáticas
Funções Comuns
| np.sqrt(a) | Raiz quadrada de cada elemento |
| np.abs(a) | Valor absoluto |
| np.exp(a) | e^x para cada elemento |
| np.log(a) | Logaritmo natural (ln) |
| np.log10(a) | Logaritmo base 10 |
| np.sin(a) / np.cos(a) | Funções trigonométricas (radianos) |
| np.round(a, 2) | Arredondar para 2 casas decimais |
| np.clip(a, lo, hi) | Limitar valores ao intervalo [lo, hi] |
Álgebra Linear
Operações com Matrizes
A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
A @ B # matrix multiply
np.dot(A, B) # same as A @ B
A.T # transpose
Decomposição e Resolução
np.linalg.inv(A) # inverse
np.linalg.det(A) # determinant
np.linalg.eig(A) # eigenvalues/vectors
np.linalg.solve(A, b) # solve Ax = b
Números Aleatórios
Geração de Números Aleatórios
rng = np.random.default_rng(42) # seeded
rng.random((2, 3)) # uniform [0, 1)
rng.integers(1, 10, 5) # 5 ints in [1, 10)
rng.normal(0, 1, 100) # 100 from N(0,1)
rng.choice([1, 2, 3], size=2) # sample
API Legada
np.random.seed(42)
np.random.rand(3, 3) # uniform 3x3
np.random.randn(3, 3) # standard normal
np.random.shuffle(arr) # in-place shuffle
Reformatação
Manipulação de Forma
a = np.arange(12)
a.reshape(3, 4) # 3x4 matrix
a.reshape(3, -1) # infer columns
a.flatten() # back to 1D (copy)
a.ravel() # back to 1D (view)
Empilhamento e Divisão
np.vstack([a, b]) # stack vertically
np.hstack([a, b]) # stack horizontally
np.concatenate([a, b], axis=0)
np.split(a, 3) # split into 3 parts
Broadcasting
Como o Broadcasting Funciona
a = np.array([[1, 2, 3],
[4, 5, 6]]) # shape (2,3)
b = np.array([10, 20, 30]) # shape (3,)
a + b # b broadcasts to (2,3)
Regras
| Regra 1 | Preencher com 1s à esquerda até que os ranks coincidam |
| Regra 2 | Dimensões compatíveis se iguais ou se uma for 1 |
| Regra 3 | Dimensões de tamanho 1 se expandem para coincidir |
E/S de Arquivos
Binário NumPy
np.save("data.npy", arr) # single array
arr = np.load("data.npy")
np.savez("data.npz", a=x, b=y) # multiple
d = np.load("data.npz"); d["a"]
Arquivos de Texto
np.savetxt("data.csv", arr, delimiter=",")
arr = np.loadtxt("data.csv", delimiter=",")
arr = np.genfromtxt("data.csv", delimiter=",",
skip_header=1)
Padrões Comuns
Normalizar para [0, 1]
normalized = (a - a.min()) / (a.max() - a.min())
Distância Euclidiana
dist = np.sqrt(np.sum((a - b) ** 2))
# or: np.linalg.norm(a - b)
Valores Únicos e Contagens
vals, counts = np.unique(a, return_counts=True)
dict(zip(vals, counts))
Ordenação
np.sort(a) # sorted copy
idx = np.argsort(a) # indices that sort
a[idx] # apply sort order