Coletânea Python do ZERO às Redes Neurais Artificiais
Criando uma array numpy
Estando todas as dependências devidamente instaladas e
carregadas, podemos finalmente dar início ao entendimento das estruturas de dados da biblioteca Numpy. Basicamente, já que estaremos trabalhando com dados por meio de uma biblioteca científica, é necessário contextualizarmos os tipos de dados envolvidos assim como as possíveis aplicações dos mesmos.
Sempre que estamos trabalhando com dados por meio da
biblioteca Numpy, a primeira coisa que devemos ter em mente é que todo e qualquer tipo de dado em sua forma mais básica estará no formato de uma Array Numpy.
Quando estamos falando de arrays de forma geral basicamente estamos falando de dados em formato de vetores / matrizes, representados normalmente com dimensões bem definidas, alocando dados nos moldes de uma tabela com suas respectivas linhas, colunas e camadas.
A partir do momento que estamos falando de uma array “do tipo numpy”, basicamente estamos falando que tais dados estão carregados pela biblioteca Numpy de modo que possuem um sistema de indexação próprio da biblioteca e algumas métricas de mapeamento dos dados para que se possam ser aplicados sobre os mesmos uma série de funções, operações lógicas e aritméticas dependendo a necessidade.
data = np.array([2, 4, 6, 8, 10])
Inicialmente criamos uma variável / objeto de nome data, que
recebe como atributo a função np.array( ) parametrizada com uma simples lista de caracteres. Note que instanciamos a biblioteca numpy por meio de np, em seguida chamando a função np.array( ) que serve para transformar qualquer tipo de dado em array do tipo numpy.
print(data)
print(type(data))
print(data.shape)
Uma vez criada a array data com seus respectivos
dados/valores, podemos realizar algumas verificações simples.
Na primeira linha vemos o retorno da função print( )
simplesmente exibindo o conteúdo de data. Na segunda linha o retorno referente a função print( ) parametrizada para verificação do tipo de dado por meio da função type( ) por sua vez parametrizado com data, note que, como esperado, trata-se de uma ‘numpy.ndarray’.
Por fim, na terceira linha temos o retorno referente ao tamanho da array por meio do método .shape, nesse caso, 5 elementos em uma linha, o espaço vazio após a vírgula indica não haver nenhuma coluna adicional.