Arrays de diversas dimensões em NumPy

Fala, meus consagrados! Beleza?

A biblioteca NumPy é uma das principais ferramentas do ecossistema Python para
computação numérica, análise de dados, ciência de dados e aprendizado de máquina. Seu principal objeto é o ndarray, uma estrutura capaz de representar dados em diferentes dimensões: desde um único valor escalar até vetores, matrizes e estruturas tridimensionais.

Neste artigo, vamos estudar os arrays 0D, 1D, 2D e 3D em NumPy, analisando os principais atributos usados para compreender sua estrutura: dtype, size, ndim e shape.

Em NumPy, a dimensão de um array indica a forma como os dados estão organizados.

De forma simplificada:

Ao criar um array NumPy, alguns atributos ajudam a compreender sua estrutura.

Esses atributos são muito importantes em questões de concursos, pois muitas perguntas
exigem a interpretação da saída de códigos NumPy.

Vamos começar por array 0D. Esse tipo de array é um array de dimensão zero. Ele representa um único valor escalar dentro da estrutura ndarray. O documento-base define o array 0D como um array de dimensão zero que representa um valor escalar dentro da estrutura ndarray

Exemplo:

import numpy as np

arrei = np.array(15)

print(arrei)
print(arrei.dtype)
print(arrei.size)
print(arrei.ndim)
print(arrei.shape)

Resultado da execução:

15
int64
1
0
()

Nesse exemplo, o valor 15 foi convertido em um array NumPy. Porém, como ele não está
dentro de uma lista ou tupla, é tratado como um escalar.

Analisando os atributos do array 0D:

O atributo shape retorna uma tupla vazia (), indicando que não há dimensão estruturada como linha, coluna ou bloco. O próprio material explica que, nesse caso, o array é escalar e não possui eixo ou dimensão.

Esse tipo de array pode parecer estranho no início, mas é importante entender que nem todo ndarray precisa representar uma sequência. Ele também pode representar um único valor.

Um array 1D possui uma dimensão e normalmente é interpretado como um vetor. O
documento-base destaca que um array 1D é um array de uma dimensão, normalmente
interpretado como vetor.

Exemplo:

import numpy as np

arrei = np.array([1, 2, 3, 4, 5])

print(arrei)
print(arrei.dtype)
print(arrei.size)
print(arrei.ndim)
print(arrei.shape)

Resultado da execução:

[1 2 3 4 5]
int64
5
1
(5,)

Nesse caso, o array possui uma única dimensão com cinco elementos.

Analisando os atributos do array 1D:

O shape igual a (5,) indica que o array possui uma única dimensão com cinco posições. A
vírgula aparece porque o resultado é uma tupla de apenas um elemento.

Um array 2D possui duas dimensões. Normalmente, é interpretado como uma matriz,
organizada em linhas e colunas. O material-base define o array 2D como uma estrutura com duas dimensões, geralmente interpretada como matriz.

Exemplo:

import numpy as np

arrei = np.array(
    [[1, 2, 3, 4],
     [15, 16, 17, 18]]
)

print(arrei)
print(type(arrei))
print(arrei.dtype)
print(arrei.size)
print(arrei.ndim)
print(arrei.shape)

Resultado da execução:

[[ 1 2 3 4]
 [15 16 17 18]]
<class 'numpy.ndarray'>
int64
8
2
(2, 4)

O array possui duas listas internas:

• [1, 2, 3, 4]
• [15, 16, 17, 18]

Cada lista interna representa uma linha da matriz.

Assim, temos:

• 2 linhas;
• 4 colunas;
• 8 elementos no total.

Analisando os atributos do array 2D:

O shape (2, 4) deve ser interpretado assim:

• 2: número de linhas;
• 4: número de colunas

Portanto, (2, 4) significa 2 linhas e 4 colunas.

Um array 3D possui três dimensões. Ele pode ser entendido como um conjunto de matrizes, camadas ou blocos. O documento-base explica que um array 3D possui três dimensões e pode ser interpretado como conjunto de matrizes, camadas ou blocos.

Exemplo:

import numpy as np

arrei = np.array(
    [
        [[1, 2, 3], [4, 5, 6]],
        [[15, 17, 19], [21, 22, 23]]
    ]
)

print(arrei)
print(type(arrei))
print(arrei.dtype)
print(arrei.size)
print(arrei.ndim)
print(arrei.shape)

Resultado da execução:

[[[ 1 2 3]
  [ 4 5 6]]

 [[15 17 19]
  [21 22 23]]]
<class 'numpy.ndarray'>
int64
12
3
(2, 2, 3)

O shape desse array é (2, 2, 3).

Isso significa:

• 2 blocos ou camadas;
• Cada bloco possui 2 linhas;
• Cada linha possui 3 colunas.

O próprio material explica que o array com shape (2, 2, 3) pode ser interpretado como duas matrizes de tamanho 2 x 3.

Visualmente, temos:

Primeira matriz:

[[1 2 3]
 [4 5 6]]

Segunda matriz:

[[15 17 19]
 [21 22 23]]

Analisando os atributos do array 3D:

Em outras palavras:

• shape = (blocos, linhas, colunas);
• shape = (2, 2, 3).

Arrays NumPy podem representar dados em diversas dimensões. Um array 0D representa um valor escalar; um array 1D representa um vetor; um array 2D representa uma matriz; e um array 3D pode representar blocos, camadas ou um conjunto de matrizes.

A correta interpretação dos atributos dtype, size, ndim e shape é essencial para compreender o comportamento dos arrays e resolver questões de programação, ciência de dados, aprendizado de máquina e concursos de TI.

Dominar esses conceitos é um passo importante para avançar em temas como indexação, fatiamento, filtragem, operações aritméticas, broadcasting, manipulação de matrizes e processamento de dados com Python.

Espero que tenham gostado!

Forte abraço e até a próxima jornada!