Indexação e Remodelagem do NumPy

A indexação seleciona e reorganiza dados de ndarray ao longo de eixos; a remodelação altera a forma sem mudar os valores quando o tamanho total permanece constante.

Receita

Cartão de receita de referência rápida - pronto para copiar e colar.

import numpy as np
 
matrix = np.arange(12).reshape(3, 4)
rows = matrix[1:3, ::2]          # fatia linhas 1-2, cada outra coluna
cols = matrix[:, [0, 3]]         # indexa avançadamente colunas 0 e 3
flat = matrix.reshape(-1)        # view 1-D quando possível

Quando usar isso:

• Extrair submatrizes para processamento em lote
• Reordenar dimensões antes de passar dados para modelos de ML
• Construir máscaras para atualizações condicionais
• Alinhar formas para broadcasting entre eixos

Exemplo de Trabalho

import numpy as np
 
# 4 regiões x 6 meses
sales = np.array(
    [[10, 12, 11, 13, 14, 15],
     [8, 9, 10, 9, 11, 12],
     [20, 18, 19, 21, 22, 23],
     [5, 6, 5, 7, 6, 8]],
    dtype=np.int32,
)
 
# Apenas Q1: meses 0-2, todas as regiões
q1 = sales[:, 0:3]
 
# Duas principais regiões por vendas totais
totals = sales.sum(axis=1)
top_idx = np.argsort(totals)[-2:]
top_regions = sales[top_idx]
 
# Empilha vetores de região como colunas para correlação
wide = sales.T  # shape (6, 4) - meses como linhas
 
# Marca meses em que qualquer região superou 20
hot_months = np.where(sales.max(axis=0) >= 20)[0]
 
print("q1 shape:", q1.shape)
print("top regions:", top_idx)
print("hot months:", hot_months)

O que isso demonstra:

• Fatiamento de colunas com start:stop em axis=1
• Redução ao longo de axis=1 e depois argsort para seleção de linhas
• .T transpose como um atalho de remodelação
• np.where em max(axis=0) para indexar colunas por condição

Mergulho Profundo

Como Funciona

• O fatiamento básico (start:stop:step) usa strides para produzir uma view que compartilha memória.
• A indexação com array de inteiros coleta elementos em ordem arbitrária e geralmente copia.
• Máscaras booleanas devem corresponder à forma broadcastable; arr[mask] retorna uma seleção 1-D.
• reshape retorna uma view quando os strides permitem; caso contrário, ele copia.

Modos de Indexação

Convenções de Eixo

Notas de Python

import numpy as np
 
# Insere eixo para broadcasting
row = np.array([1, 2, 3])
col = row[:, np.newaxis]  # shape (3, 1)
 
# ravel vs flatten: flatten sempre copia
a = np.arange(6).reshape(2, 3)
flat_view = a.ravel()
flat_copy = a.flatten()

Armadilhas

• Atribuição através de índice avançado - a[[0, 1]] = 5 pode não se comportar como atribuição de fatia repetida. Correção: atribua a .copy() ou use np.put.
• Views com strides negativos - inverter com a[::-1] pode fazer com que alguns reshape copiem inesperadamente. Correção: chame .copy() antes de extensões C downstream.
• Forma da máscara booleana - a[mask] em 2-D precisa da forma da máscara (rows, cols) ou broadcastable. Correção: mask = mask & (a > 0) com formas alinhadas.
• Fatias off-by-one - a[1:3] exclui o índice 3; diferente de range. Correção: lembre-se que o stop é exclusivo.
• Incompatibilidade de tamanho de reshape - reshape(3, 5) em 12 elementos gera um erro. Correção: use -1 para uma dimensão inferida: reshape(3, -1).

Alternativas

FAQs

import numpy as np
a = np.arange(10)
every_other = a[::2]

Relacionados

• Arrays NumPy - criação, dtypes, broadcasting
• pandas Series & DataFrames - análogos de .loc / .iloc
• Desempenho e Memória - views vs cópias em escala
• Noções Básicas de Análise de Dados - exemplos introdutórios

Versões do Stack: 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+.