NumPy: Criando Arrays

Q: P: Qual é a forma moderna de gerar números aleatórios?

R: Use np.random.default_rng(seed) para criar um objeto Generator, depois chame .random(), .normal(), .integers(), etc. O antigo np.random.seed() ainda funciona mas é considerado legado.

Q: P: Posso criar um array a partir de uma expressão geradora?

R: np.array(x for x in range(10)) não funciona — cria um array 0D contendo o objeto gerador. Use np.fromiter((x for x in range(10)), dtype=int) em vez disso.

Q: P: Como lidar com dados ausentes ao carregar CSV?

R: Use np.genfromtxt('file.csv', delimiter=',', filling_values=0) para substituir valores ausentes por um padrão, ou np.nan.

Última atualização: 2026-08-26

Criando Arrays

1. O que Você Aprenderá

❶ Criando a partir de objetos Python
❷ Sequências numéricas (arange / linspace / logspace)
❸ Arrays pré-preenchidos (zeros / ones / eye / full)
❹ Geração de números aleatórios
❺ Leitura de arquivos

2. História

Charlie precisa de 100 ângulos igualmente espaçados de 0 a 2π. Loop Python: 5 linhas. np.linspace: 1 linha.

linspace(0, 2*pi, 100) significa "pegar 100 pontos igualmente espaçados de 0 a 2π" — o código é a documentação.

3. Conceitos-Chave

(1) Criando a Partir de Objetos Python

A abordagem mais básica — converter listas Python (ou listas aninhadas) para arrays NumPy:

PYTHON

import numpy as np

a = np.array([1, 2, 3])           # 1D a partir de lista
b = np.array([[1, 2], [3, 4]])    # 2D a partir de lista aninhada
c = np.array([1, 2, 3], dtype=float)  # especificar dtype

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

Comparação de Métodos de Criação

Método	Sintaxe	Fonte de Entrada	Uso Típico
`np.array`	`np.array(obj)`	Lista/tupla Python	Converter dados existentes
`np.arange`	`np.arange(start, stop, step)`	Intervalo numérico	Sequências de inteiros/floats
`np.linspace`	`np.linspace(a, b, n)`	Início, fim, contagem	Contagem precisa de elementos
`np.zeros`	`np.zeros(shape)`	Shape	Inicializar com zeros
`np.ones`	`np.ones(shape)`	Shape	Inicializar com uns
`np.full`	`np.full(shape, val)`	Shape + valor de preenchimento	Inicializar com qualquer valor
`np.random.rand`	`np.random.rand(n)`	Contagem de elementos	Inicialização aleatória
`np.fromfunction`	`np.fromfunction(fn, shape)`	Função + shape	Gerar por fórmula

(2) Sequências Numéricas

arange

PYTHON

np.arange(5)            # [0 1 2 3 4]
np.arange(1, 10, 2)     # [1 3 5 7 9]
np.arange(0, 1, 0.3)    # [0.  0.3 0.6 0.9]

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

linspace

PYTHON

np.linspace(0, 1, 5)    # [0.   0.25 0.5  0.75 1.  ]
np.linspace(0, 2*np.pi, 100)  # 100 pontos de 0 a 2pi

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

logspace

PYTHON

np.logspace(1, 3, 3)    # [  10.  100. 1000.]  -- 10^1, 10^2, 10^3
np.logspace(0, 2, 5)    # 5 pontos de 10^0 a 10^2

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

arange vs linspace vs logspace

Característica	`arange`	`linspace`	`logspace`
Controle	início, fim, passo	início, fim, número	exp_início, exp_fim, número
Inclui o fim	Não	Sim	Sim
Espaçamento	Linear	Linear	Logarítmico
Precisão de float	Pode ter erros	Exata	Exata
Uso típico	Índices inteiros	Amostras para gráficos	Escalas de frequência/log

(3) Arrays Pré-Preenchidos

PYTHON

np.zeros(3)             # [0. 0. 0.]
np.zeros((2, 3))        # matriz 2x3 de zeros
np.ones((2, 2))         # 2x2 de uns
np.eye(3)               # identidade 3x3
np.full((2, 3), 7)      # 2x3 preenchido com 7
np.empty((2, 2))        # 2x2 não inicializado (NÃO são zeros!)

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

zeros vs empty vs full

Função	Valor Inicial	Velocidade	Segurança	Caso de Uso
`zeros`	Todos zeros	Média	Seguro	Precisa de um valor inicial conhecido
`empty`	Indefinido	Rápida	Inseguro	Sobrescrever todos os elementos imediatamente
`full`	Valor personalizado	Média	Seguro	Precisa de um valor inicial diferente de zero

(4) Criação de Números Aleatórios

PYTHON

np.random.rand(3)           # 3 uniformes [0, 1)
np.random.rand(2, 3)        # 2x3 uniformes
np.random.randn(3)          # 3 normais padrão
np.random.randint(0, 10, 5) # 5 inteiros em [0, 10)
np.random.seed(42)          # definir semente para reprodutibilidade

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

Referência Rápida de Funções Aleatórias

Função	Distribuição	Intervalo	Tipo de Retorno
`rand(d0, d1, ...)`	Uniforme	[0, 1)	float
`randn(d0, d1, ...)`	Normal padrão	(-∞, +∞)	float
`randint(low, high, size)`	Inteiro uniforme	[low, high)	int
`uniform(low, high, size)`	Uniforme	[low, high)	float
`normal(loc, scale, size)`	Normal	(-∞, +∞)	float
`choice(a, size)`	Uniforme discreta	Elementos de a	depende

(5) Leitura de Arquivos

PYTHON

data = np.loadtxt('data.txt')                    # texto simples
data = np.loadtxt('data.csv', delimiter=',')     # CSV
data = np.genfromtxt('data.csv', delimiter=',',  # lidar com ausentes
                     filling_values=0)

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

fromfunction — gerar arrays por função de coordenadas:

PYTHON

np.fromfunction(lambda i, j: i + j, (3, 3))
# [[0. 1. 2.]
#  [1. 2. 3.]
#  [2. 3. 4.]]

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: arange vs linspace vs logspace (Dificuldade ⭐)

PYTHON

import numpy as np

# arange: baseado em passo
a = np.arange(0, 10, 2)       # [0 2 4 6 8]
print("arange:", a)

# linspace: baseado em número
b = np.linspace(0, 10, 6)     # 6 pontos: 0, 2, 4, 6, 8, 10
print("linspace:", b)

# logspace: logarítmico
c = np.logspace(1, 4, 4)      # [10, 100, 1000, 10000]
print("logspace:", c)

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

⚠️ Nota: O código abaixo precisa ser executado em um ambiente Python local.

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: zeros / ones / eye / full (Dificuldade ⭐)

PYTHON

import numpy as np

z = np.zeros((2, 3))
print("zeros:\n", z)

o = np.ones((3, 2))
print("ones:\n", o)

e = np.eye(4)
print("eye:\n", e)

f = np.full((2, 3), 9.0)
print("full:\n", f)

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

⚠️ Nota: O código abaixo precisa ser executado em um ambiente Python local.

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: Lista aninhada para array 2D (Dificuldade ⭐)

PYTHON

import numpy as np

data = [[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]

a = np.array(data)
print("shape:", a.shape)    # (3, 3)
print("dtype:", a.dtype)    # int64
print("ndim:", a.ndim)      # 2
print("array:\n", a)

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

⚠️ Nota: O código abaixo precisa ser executado em um ambiente Python local.

▶ Exemplo

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: Geração de array aleatório (Dificuldade ⭐)

PYTHON

import numpy as np

np.random.seed(42)

print("rand(3):", np.random.rand(3))
print("randn(3):", np.random.randn(3))
print("randint(0,10,5):", np.random.randint(0, 10, 5))
print("uniform(0,1,3):", np.random.uniform(0, 1, 3))
print("normal(0,1,3):", np.random.normal(0, 1, 3))

TEXT 📖 Somente leitura

> **Saída:** Execute NumPy 2.x no seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem NumPy pré-instalado — instale localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

⚠️ Nota: O código abaixo precisa ser executado em um ambiente Python local.

4. Tabelas Comparativas

(1) Método de Criação por Caso de Uso

Necessidade	Método	Por Quê
Converter dados existentes	`np.array(data)`	Conversão direta
Sequência de inteiros	`np.arange(n)`	Leve
Sequência float precisa	`np.linspace(a, b, n)`	Contagem exata
Matriz de valor fixo	`np.full(shape, val)`	Qualquer valor de preenchimento
Matriz identidade	`np.eye(n)`	Álgebra linear
Inicialização aleatória	`np.random.rand(...)`	Pesos de ML
Carregar de arquivo	`np.loadtxt(file)`	Dados externos

(2) arange vs range do Python

Característica	`range`	`np.arange`
Retorna	Iterador lazy	ndarray (materializado)
Memória	O(1)	O(n)
Passo float	Não	Sim
Velocidade (iteração)	Mais lento	Mais rápido (vetorizado)
Caso de uso	Looping	Criação de arrays

5. Diagrama de Princípios

graph TB
    A[Lista Python] -->|np.array| B[ndarray]
    C[arange / linspace] --> B
    D[zeros / ones / eye] --> B
    E[funções aleatórias] --> B
    F[arquivo: loadtxt] --> B
    B --> G[dtype uniforme]
    B --> H[memória contígua]
    B --> I[operações vetorizadas]

❓ Perguntas Frequentes

P: Qual a diferença entre arange e linspace? R: arange recebe um tamanho de passo e não inclui o valor final. linspace recebe uma contagem e inclui ambos os extremos. Use arange para sequências de inteiros, linspace quando precisa de um número específico de pontos.

P: empty() é realmente vazio? R: Não — ela aloca a memória mas não a inicializa. Os "valores" são o que quer que estivesse naquela memória antes. É mais rápida mas perigosa. Só use quando vai preencher todos os elementos em seguida.

P: Qual é a forma moderna de gerar números aleatórios? R: Use np.random.default_rng(seed) para criar um objeto Generator, depois chame .random(), .normal(), .integers(), etc. O antigo np.random.seed() ainda funciona mas é considerado legado.

P: Posso criar um array a partir de uma expressão geradora? R: np.array(x for x in range(10)) não funciona — cria um array 0D contendo o objeto gerador. Use np.fromiter((x for x in range(10)), dtype=int) em vez disso.

P: Como lidar com dados ausentes ao carregar CSV? R: Use np.genfromtxt('file.csv', delimiter=',', filling_values=0) para substituir valores ausentes por um padrão, ou np.nan.

📖 Resumo

np.array() converte listas Python para ndarrays; dtype é inferido automaticamente
arange(start, stop, step) cria sequências igualmente espaçadas; linspace controla a contagem
zeros/ones/eye/full criam arrays pré-preenchidos; empty é mais rápida mas não inicializada
Funções aleatórias: rand (uniforme), randn (normal), randint (inteiro), choice (amostragem)
loadtxt e genfromtxt leem arrays de arquivos texto; fromfunction gera por fórmula

📝 Exercícios

Básico (Dificuldade ⭐): Crie os seguintes arrays: (a) inteiros de 0 a 9, (b) 10 pontos igualmente espaçados de 0 a 1, (c) uma matriz identidade 3x3, (d) um array 2x4 de todos 7s.
Intermediário (Dificuldade ⭐⭐): Use np.loadtxt para ler um arquivo CSV com 3 colunas: nome (string), idade (int), salário (float). Use np.genfromtxt com dtype=None para lidar com os tipos mistos. Imprima o salário médio.
Desafio (Dificuldade ⭐⭐⭐): Compare o desempenho de criar 10 milhões de números aleatórios usando np.random.rand(10_000_000) vs uma list comprehension Python. Registre a diferença de tempo e memória. Depois use np.random.default_rng() e compare a velocidade.

Equipe Técnica Web-Tutorial

Uma plataforma de tutoriais mantida por diversos desenvolvedores. Cada tutorial é escrito e revisado por profissionais da área correspondente. Trabalhamos para manter nosso conteúdo preciso e confiável — se encontrar algum problema, avise-nos.

Sobre Nós