E aí pessoal, tudo certo por aí?
Vou comentar e mostrar a poderosa biblioteca NumPy que é usada principalmente para realizar cálculos em Arrays Multidimensionais. Em Machine Learning seus algoritmos irão provavelmente realizar cálculos numéricos onde NumPy vai cair como uma luva.
O NumPy fornece uma excelente biblioteca para cálculos fáceis e rápidos. Os Arrays são usados para armazenar os dados de treinamento, bem como os parâmetros dos modelos de Machine Learning.
As matrizes Numpy tem um tamanho fixo na criação, ao contrário das listas Python (que podem crescer dinamicamente). Alterar o tamanho de um ndarray criará uma nova matriz e excluirá o original.
As matrizes NumPy facilitam operações matemáticas avançadas e outros tipos de operações em um grande número de dados. Normalmente, essas operações são executadas de forma mais eficiente e com menos código do que é possível usando as sequências internas do Python.
Bom vamos parar de "blá, blá, blá" e vamos ao que interessa!
Para instalar o Numpy basta digitar o comando no seu terminal:
Agora vamos criar algumas estruturas NumPy.
Criando um array Unidimensional:
saída:
Criando um array Bi-Dimensional:
saída:
Vamos verificar o "shape" ou formato do array1:
Veja 1 linha com 4 elementos.
E qual o shape e a dimensão do array2 ?
Olha lá shape com 2 linhas e 3 colunas, e com 2 dimensões.
Agora vamos ver os tipos de dados no NumPy.
Um array de inteiros:
saída:
Podemos também transformar um array de inteiro para float explicitamente usando o "dtype":
Observe agora como os números são de ponto flutuante.
Tipos de arrays Booleanos:
Vamos criar um array com a função "arange" bem parecida com o "range" do Python.
Multiplicando um array por um número:
Somando o array com um número:
Veja ele soma cada elemento do array com o número 3.
Vamos somar 2 arrays:
Bom daria para mostrar muitas outras funções e métodos, mas podemos deixar para outro post já deu para ter uma noção de como o NumPy é poderoso e fácil.
Mas antes de estudar NumPy o interessante é ter uma noção básica do Python.
Valeu pessoal, até mais!
Comments