Arrays NumPy

Objetos ndarray do NumPy armazenam dados numéricos homogêneos e expõem operações vetorizadas que substituem loops lentos em Python.

Receita

Cartão de referência rápida - pronto para copiar e colar.

import numpy as np
 
# Cria, converte dtype, vetoriza
a = np.array([1, 2, 3], dtype=np.float64)
b = np.arange(3)  # [0, 1, 2]
result = a * 2 + b  # broadcasting + ufunc
print(result.shape, result.dtype)

Quando usar isso:

• Transformações numéricas em milhões de valores (matemática, máscaras, agregações)
• Álgebra linear, estatística e pré-processamento de imagens/tensores
• Interoperabilidade com pandas, SciPy e bibliotecas de ML que esperam entrada ndarray
• Qualquer loop crítico que a análise de desempenho mostre gastando tempo em bytecode Python

Exemplo de Trabalho

import numpy as np
 
# Matriz de receita mensal: linhas = regiões, colunas = meses
revenue = np.array(
    [[120_000, 135_000, 128_000],
     [98_000, 102_000, 110_000],
     [150_000, 148_000, 155_000]],
    dtype=np.int64,
)
 
# Taxa de crescimento por região vs mês anterior (coluna 0 não tem anterior)
growth = np.diff(revenue, axis=1) / revenue[:, :-1]
 
# Normaliza cada região pela sua própria média (broadcasting)
normalized = (revenue - revenue.mean(axis=1, keepdims=True)) / revenue.std(axis=1, keepdims=True)
 
# Mascara células com desempenho inferior
threshold = revenue.mean()
under = np.where(revenue < threshold, revenue, 0)
 
print("growth shape:", growth.shape)
print("normalized mean per row:", normalized.mean(axis=1))
print("underperforming total:", under.sum())

O que isso demonstra:

• Criação 2-D com dtype explícito para matemática inteira estável
• np.diff ao longo de axis=1 para mudança mês a mês coluna a coluna
• Broadcasting com keepdims=True para que estatísticas de linha se alinhem com a forma da matriz
• np.where como um condicional vetorizado sem if Python por célula

Mergulho Profundo

Como Funciona

• Um ndarray é um buffer contíguo mais metadados de forma/passos - todos os elementos compartilham um único dtype.
• Funções universais (ufuncs) aplicam operações elemento a elemento em loops compilados, frequentemente liberando o GIL.
• Broadcasting compara formas da direita: dimensões correspondem quando iguais ou um lado é 1.
• Views compartilham memória com o array pai; cópias são explícitas (arr.copy()) ou de atribuições incompatíveis.

Padrões de Criação

Referência Rápida de dtype

Notas Python

import numpy as np
 
# Prefira dtype explícito na ingestão
ids = np.array(["1", "2", "3"], dtype=np.int64)  # ValueError - converta strings primeiro
 
# Use default_rng, não o legado np.random.seed
rng = np.random.default_rng(42)
samples = rng.normal(0, 1, size=10_000)
 
# np.ndarray não é um substituto para list - .append não existe

Armadilhas

• Tipos mistos em np.array - np.array([1, 2.5, 3]) se torna float64 e pode surpreender código inteiro downstream. Correção: converta explicitamente na criação.
• Divisão inteira - / sempre promove para float; // trunca em direção ao infinito negativo. Correção: use np.floor_divide quando precisar de truncamento consistente.
• Cópias silenciosas vs views - indexação fantasiada (arr[[0, 2]]) retorna uma cópia; fatias frequentemente retornam views. Correção: chame .copy() antes de modificar resultados filtrados.
• Propagação de NaN - np.mean([1, np.nan, 3]) é NaN a menos que você passe nanmean. Correção: use np.nanmean ou mascare primeiro.
• Erros de broadcasting - (3, 4) + (4,) funciona; (3, 4) + (3,) gera erro a menos que você redimensione. Correção: alinhe com arr[:, np.newaxis] ou reshape.

Alternativas

FAQs

import numpy as np
rng = np.random.default_rng(42)
rng.integers(0, 100, size=5)

safe = arr[mask].copy()
safe *= 2  # não toca em arr

Relacionados

• Indexação e Redimensionamento NumPy - fatias, indexação fantasiada, eixos
• Series e DataFrames pandas - tabelas rotuladas construídas sobre NumPy
• Desempenho e Memória - redução de dtype e chunking
• Noções Básicas de Análise de Dados - primeiro tour de análise

Versões da Pilha: Esta página foi escrita para Python 3.14.0 (estável 3.14, manutenção 3.13), FastAPI 0.115+, Django 5.2, Flask 3.1, Pydantic 2, PyTorch 2.6+, pandas 2.2+, Polars 1.x, ruff 0.9+, e uv 0.6+.