Formas de criação de arrays 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 objeto central é o ndarray, uma estrutura eficiente para armazenar e manipular dados em uma ou mais dimensões.

Uma das primeiras habilidades que o estudante precisa dominar ao aprender NumPy é a
criação de arrays. A forma mais básica e comum de criar um array é por meio da função np.array(), que converte estruturas do Python, como listas e tuplas, em objetos do tipo
numpy.ndarray.

A função np.array() cria um objeto do tipo numpy.ndarray. Segundo o material-base, ao
receber uma estrutura Python, essa função analisa os dados e infere automaticamente
informações como número de dimensões, formato do array, tipo dos elementos e quantidade total de elementos. Essas informações podem ser consultadas pelos atributos dtype, size, ndim e shape.

Observe o exemplo:

import numpy as np
arrei = np.array([10, 12, 14])
print(arrei)

Resultado da execução:

[10 12 14]

Nesse caso, uma lista Python foi convertida em um array NumPy.

A lista original era [10, 12, 14] e depois da conversão, o objeto passa a ser um array NumPy, isto é, uma estrutura otimizada para operações numéricas.

Depois de criar um array, é comum analisar suas características principais.

import numpy as np
arrei = np.array([10, 12, 14])
print(arrei)
print(type(arrei))
print(arrei.dtype)
print(arrei.size)
print(arrei.ndim)
print(arrei.shape)

Resultado da execução:

[10 12 14]
<class 'numpy.ndarray'>
int64
3
1
(3,)

O resultado mostra que o objeto criado é do tipo <class ‘numpy.ndarray’>. Isso confirma que a estrutura é um array NumPy.

Os atributos exibidos indicam:

O que são cada um desses atributos:

• O atributo dtype informa o tipo dos elementos do array;
  • Como os valores são inteiros, o NumPy inferiu automaticamente um tipo
    inteiro, como int64, dependendo do ambiente de execução;
• O atributo size informa que o array possui 3 elementos;
• O atributo ndim informa que o array possui uma dimensão;
• O atributo shape retorna (3,), indicando que o array é unidimensional e possui três
  elementos;
  • A vírgula em (3,) aparece porque o resultado de shape é uma tupla. Nesse
    caso, trata-se de uma tupla com apenas um elemento.

Agora vamos entender como criar arrays a partir de listas e tuplas.

A lista é uma das formas mais comuns de criar arrays NumPy. O material exemplifica a
conversão de uma lista de inteiros para um array NumPy e mostra que o objeto criado passa a ser do tipo numpy.ndarray, com atributos como dtype, size, ndim e shape.

Exemplo:

import numpy as np
arrei = np.array([10, 12, 14])
print(arrei)

Resultado da execução:

[10 12 14]

Esse exemplo é simples, mas importante. Em Python puro, a lista é uma estrutura genérica. Já em NumPy, o array é projetado para operações numéricas eficientes.

Com arrays NumPy, é possível realizar operações vetorizadas, cálculos estatísticos,
manipulação matricial e integração com bibliotecas como Pandas, Matplotlib e scikit-learn.

Além de listas, também é possível criar arrays NumPy a partir de tuplas.

Exemplo:

import numpy as np

arrei = np.array(("Python", "Java", "PHP", "C"))

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

Resultado da execução:

['Python' 'Java' 'PHP' 'C']
<class 'numpy.ndarray'>
<U6
4
1
(4,)

Nesse exemplo, a tupla (“Python”, “Java”, “PHP”, “C”) foi convertida em um array NumPy de strings. O material destaca que o dtype retornado é <U6, indicando uma string Unicode com tamanho máximo de 6 caracteres, pois o maior texto do array é “Python”.

Concluindo, meus consagrados, a criação de arrays é o primeiro passo para trabalhar com NumPy. A função np.array() permite converter listas e tuplas Python em objetos do tipo numpy.ndarray, que são estruturas eficientes para manipulação e análise de dados.

Ao criar um array, o NumPy identifica automaticamente informações importantes, como tipo dos elementos, quantidade de itens, número de dimensões e formato da estrutura. Esses dados são acessados por meio dos atributos dtype, size, ndim e shape.

Dominar essas formas básicas de criação de arrays é essencial para avançar em temas como indexação, fatiamento, filtragem, operações aritméticas, broadcasting, funções estatísticas e aprendizado de máquina com Python.

Espero que tenham gostado!

Forte abraço e até a próxima jornada!