Criando vetores NumPy
Crie vetores unidimensionais e bidimensionais com np.array, np.zeros, np.ones e np.arange; depois, examine sua forma e seu tipo de dados.
Criando vetores NumPy é uma aula grátis de Pandas & NumPy Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Pandas & NumPy Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Pandas & NumPy Academy inclui 4 aulas no total.
O que é uma matriz NumPy?
NumPy é a biblioteca principal do Python para cálculos numéricos. Seu núcleo é o ndarray — uma grade de valores do mesmo tipo, muito mais rápida e econômica que uma lista.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Criando matrizes a partir de listas
A maneira mais simples de criar uma matriz é passar uma lista para np.array(). O NumPy escolhe o dtype para você, e uma lista de listas se transforma em uma matriz 2D.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros e np.ones
Precisa começar do zero? np.zeros preenche uma matriz com 0.0, e np.ones a preenche com 1.0 — perfeito para preparar uma matriz antes de calcular seus valores reais.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange para sequências de inteiros
np.arange funciona como range do Python, mas retorna uma matriz. Informe um início, um limite final e um passo — o valor final não é incluído.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace para números de ponto flutuante igualmente espaçados
Quer números de ponto flutuante igualmente espaçados? np.linspace fornece uma quantidade definida de valores entre dois extremos, incluindo ambos — sem acúmulo de erros de arredondamento.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full e np.eye
Use np.full para preencher uma matriz com qualquer constante que quiser e np.eye para criar uma matriz identidade — uns na diagonal e zeros em todas as outras posições.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Especificando dtype na criação
Toda matriz tem um único dtype para todos os seus valores. Defina-o você mesmo com dtype= — escolher float32 em vez de float64, por exemplo, pode reduzir a memória pela metade.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Matrizes aleatórias com np.random
Precisa de dados aleatórios? np.random os gera para você. Defina uma semente primeiro para obter os mesmos números em cada execução — algo essencial para experimentos reproduzíveis. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Verificando a forma e as dimensões da matriz
Depois de criar uma matriz, normalmente você verifica sua shape — uma tupla com os tamanhos de cada dimensão. Use .ndim para ver quantas dimensões ela tem.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Convertendo listas e tuplas
np.array() aceita mais do que listas — tuplas, intervalos e até outras matrizes também funcionam. Apenas evite listas internas irregulares, que prejudicam a velocidade do NumPy.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty para matrizes não inicializadas
np.empty reserva memória sem preenchê-la, por isso é um pouco mais rápido que zeros. O problema é que ela contém lixo residual — sempre escreva antes de ler.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Verificação rápida
Teste sua compreensão sobre a criação de matrizes NumPy nesta lição.
Recapitulação da lição
Muito bem! Você pode transformar listas em matrizes com np.array() e criá-las do zero com zeros, ones, arange e linspace. A seguir: atributos de matrizes.
Aprenda Python com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 30
- Aulas
- 120
Perguntas Frequentes
A aula “Criando vetores NumPy” é grátis?
Sim — o texto completo de “Criando vetores NumPy” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Pandas & NumPy Academy, atualize para CoddyKit PRO. O curso de Pandas & NumPy Academy inclui 4 aulas no total.
O que vou aprender em “Criando vetores NumPy”?
Crie vetores unidimensionais e bidimensionais com np.array, np.zeros, np.ones e np.arange; depois, examine sua forma e seu tipo de dados. Você pratica Pandas & NumPy Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Pandas & NumPy Academy?
Nenhuma experiência prévia é necessária. Pandas & NumPy Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “Criando vetores NumPy”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Pandas & NumPy Academy?
Sim. Cada aula de Pandas & NumPy Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- Criando vetores NumPy
- Atributos e inspeção de vetores
- Aritmética elemento a elemento
- Fatiamento e indexação de vetores