Ultimamente tenho estudado bastante as bibliotecas para ciência de dados e hoje eu vou falar sobre a bibliote NumPy. Ela é muito importante para trabalhar de forma eficiente com matrizes e vetores.

Array NumPy

Para trabalhar com a biblioteca NumPy primeiramente é preciso importar com:

import numpy as np

Logo todas as vezes que utizarmos a biblioteca, chamaremos os métodos com np.nomeMétodo().

Iniciando um Array

Os arrays podem ser inicializados de diversas formas.

Array 2D vazio:

np.zeros(5)

array([0., 0., 0., 0., 0.])

Array 2D com 1’s:

np.ones(5)

array([1., 1., 1.])

Manualmente utilizando uma lista:

my_list = [1,2,3]
array = np.array(my_list)

array([1, 2, 3])

Gerando números como arange do python:

np.arange(10)

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

Delimitando o inicio, o final e o passo:

np.arange(2,20,2)

array([ 2,  4,  6,  8, 10, 12, 14, 16, 18])

Gerando o a quantidade de valores dentro de um intervalo:

#Gerando 7 valores no intervalo de 1 a 10
np.linspace(1,10,7)

array([ 1. ,  2.5,  4. ,  5.5,  7. ,  8.5, 10. ])

Gerando um array 2d com uma diagonal com 1’s:

#Array de 250 x 250 com uma lina na diagonal
np.eye(250)

array([[1., 0., 0., ..., 0., 0., 0.],
       [0., 1., 0., ..., 0., 0., 0.],
       [0., 0., 1., ..., 0., 0., 0.],
       ...,
       [0., 0., 0., ..., 1., 0., 0.],
       [0., 0., 0., ..., 0., 1., 0.],
       [0., 0., 0., ..., 0., 0., 1.]])

Array (2,2) com números randômicos:

np.random.rand(2,2)

array([[0.90139809, 0.21695395],
       [0.76259878, 0.69440245]])

Randômicos inteiros:

#Dez números de 0 a 50
ranarr = np.random.randint(0,50,10)

array([48, 35, 36, 18, 47,  1, 38, 18, 18, 31])

Reorganizando um vetor para uma matriz:

array = np.rand(15)
#valores: array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14])
array = array.reshape(5,3)

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [12, 13, 14]])

Bom, acredito que foi abordado uma grande forma de inicializar um array 2d e uma matriz. Ainda existem outras formas e algumas das funções podem ter seus parâmetros alterados para gerar outros dados.

Veja mais em: Documentação NumPy