Summary  
This chapter introduces efficient array and matrix operations using NumPy’s C-based implementation and demonstrates how vectorization enables high-performance computations by applying operations to whole data sets at once.

General domain of usage  
Numerical computing

Para garantir confiança e concluir este curso com sucesso, recomendamos fortemente que você **conclua os seguintes cursos** previamente (basta clicar para começar):

Em um mundo repleto de dados, trabalhar com matrizes e arrays é extremamente importante. É aí que o **NumPy** se destaca. Com sua velocidade impressionante e interface relativamente fácil de usar, tornou-se a biblioteca Python **mais utilizada** para trabalhar com arrays.

Agora, vamos discutir a velocidade do NumPy e sua origem. Apesar de ser uma biblioteca Python, ela é majoritariamente escrita em **C**, uma linguagem de baixo nível que permite cálculos rápidos.

Outro fator que contribui para a velocidade do NumPy é a **vetorização**. Essencialmente, vetorização envolve transformar um algoritmo que opera em um único valor por vez para operar em um **conjunto de valores** (vetor) simultaneamente, o que é realizado internamente no nível da CPU.

import unittest
import importlib.util
import re

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Завантажуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Зчитуємо сирцевий код
        with open("user_code.py", "r", encoding="utf-8") as f:
            cls.src = f.read()

    def test_numpy_import(self):
        # Перевірка, що numpy імпортовано з псевдонімом np
        has_np = "np" in dir(self.m)
        pat_alias = re.search(r"import\s+numpy\s+as\s+np", self.src)
        _dynamic_test(
            self,
            has_np and pat_alias,
            "NumPy imported correctly as np",
            "NumPy import alias incorrect or missing"
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Desbloqueie todo o potencial da biblioteca mais essencial do Python para computação numérica, o NumPy. Este curso abrangente foi desenvolvido para levar você de um entendimento iniciante a um nível avançado de proficiência em NumPy. Seja você cientista de dados, engenheiro, pesquisador ou desenvolvedor, dominar o NumPy é fundamental para manipulação eficiente de dados, computação científica e aprendizado de máquina.

Explore as aplicações do NumPy e compreenda por que é uma das bibliotecas mais populares para computação numérica. Aprenda as diferentes formas de criar e inicializar arrays para lidar de maneira eficiente com diversas necessidades de dados.

Descubra como acessar elementos específicos e subconjuntos em arrays do NumPy utilizando notação de índice. Aprenda a aplicar indexação condicional para filtrar dados e gerenciar valores ausentes de forma eficiente.

O NumPy oferece diversas funções integradas para realizar operações comuns em arrays. Aprenda a aplicar essas ferramentas para transformar, agregar e analisar dados de forma eficiente, sem a necessidade de escrever código repetitivo.

Aprenda a realizar operações matemáticas de forma eficiente em arrays do NumPy. Aplique essas operações para resolver problemas do mundo real e obtenha uma compreensão mais profunda de como os cálculos vetorizados aceleram a análise numérica.

Introdução ao NumPy

Solução

Awesome!

Introdução ao NumPy

Solução