NumPy: Operações Elemento a Elemento

Q: P: Por que usar np.add em vez de + ?

R: São idênticos — + chama np.add por baixo dos panos. Use a forma de função quando precisa de parâmetros extras como dtype, out ou where, ou quando passa uma ufunc como callback.

Q: P: Divisão por zero gera erro?

R: Sem exceção para floats — produz inf ou -inf, e 0/0 produz nan, com um aviso opcional baseado em np.seterr. Divisão inteira por zero gera ZeroDivisionError.

Q: P: O que é uma ufunc?

R: Uma função universal — um wrapper em nível C para operações elemento a elemento. Cada ufunc lida com broadcasting, promoção de tipos e buffering de saída automaticamente. É o motor por trás da vetorização do NumPy.

Última atualização: 2026-08-26

1. O que Você Aprenderá

❶ Aritmética — + - * / // % ** e suas funções correspondentes
❷ Comparação — > < >= <= == != gerando máscaras booleanas
❸ Operações lógicas — & | ^ ~ e np.logical_and etc.
❹ Vetorização vs loops — comparação de desempenho e princípios
❺ Introdução a ufunc — o conceito e propriedades de funções universais

2. História

Bob usa um loop for para elevar ao quadrado 1 milhão de números — leva 0,3 segundos. Alice escreve uma linha a ** 2 — 3 milissegundos.

"A aritmética do NumPy não é um loop Python. É uma operação em lote de ufunc em nível C, 100x mais rápida."

Bob pergunta: "O que é uma ufunc?" Alice abre seu terminal e digita np.add — tudo começa com operações elemento a elemento.

3. Conceitos-Chave

(1) Operadores e Funções Aritméticas

A aritmética do NumPy opera em cada elemento do array, fazendo broadcast automaticamente dos shapes:

PYTHON

import numpy as np

a = np.array([1, 2, 3, 4])
b = np.array([10, 20, 30, 40])

print(a + b)      # [11 22 33 44]
print(a * b)      # [10 40 90 160]
print(a ** 2)     # [ 1  4  9 16]
print(b // a)     # [10 10 10 10]
print(b % a)      # [0 0 0 0]

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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.

Cada operador corresponde a uma função NumPy:

Operador	Função	Descrição
`+`	`np.add`	Adição
`-`	`np.subtract`	Subtração
`*`	`np.multiply`	Multiplicação
`/`	`np.true_divide`	Divisão real
`//`	`np.floor_divide`	Divisão inteira
`%`	`np.mod`	Módulo
`**`	`np.power`	Potência

(2) Operações de Comparação

As comparações são elemento a elemento, retornando arrays booleanos (máscaras):

PYTHON

a = np.array([3, 7, 1, 9, 5])

print(a > 4)           # [False  True False  True  True]
print(a == 7)          # [False  True False False False]
print((a >= 3) & (a <= 7))  # [ True  True False False  True]

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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.

(3) Operações Lógicas

Use operadores bit a bit & | ^ ~ (não and or not) para combinações lógicas elemento a elemento:

PYTHON

a = np.array([True, True, False, False])
b = np.array([True, False, True, False])

print(a & b)                # [ True False False False]
print(a | b)                # [ True  True  True False]
print(~a)                   # [False False  True  True]
print(np.logical_and(a, b)) # [ True False False False]

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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) Conceito de ufunc

ufunc (função universal) é a abstração de baixo nível do NumPy para operações elemento a elemento:

Cada ufunc é um loop em nível C que aplica a mesma operação a cada elemento
Suporta broadcasting, promoção de tipos e buffering de saída
Possui propriedades .types, .nin, .nout

PYTHON

print(np.add.nin)   # 2 (número de entradas)
print(np.add.nout)  # 1 (número de saídas)
print(np.add.types) # lista de assinaturas de tipo suportadas

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: Operações aritméticas (Dificuldade ⭐)

PYTHON

import numpy as np

a = np.array([2, 4, 6, 8])
b = np.array([1, 3, 5, 7])

print("a + b =", a + b)        # [ 3  7 11 15]
print("a - b =", a - b)        # [1 1 1 1]
print("a * b =", a * b)        # [ 2 12 30 56]
print("a / b =", a / b)        # [2.   1.33 1.2  1.14]
print("a // b =", a // b)      # [2 1 1 1]
print("a % b =", a % b)        # [0 1 1 1]
print("a ** 3 =", a ** 3)      # [  8  64 216 512]

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o localmente (`pip install numpy`) e compare. Os valores reais podem variar conforme a versão do NumPy e a semente aleatória.

: Máscaras de comparação (Dificuldade ⭐)

PYTHON

import numpy as np

scores = np.array([55, 82, 91, 47, 73, 100])

pass_mask = scores >= 60
print("Pass mask:", pass_mask)
print("Pass scores:", scores[pass_mask])

excellent = scores >= 90
print("Excellent:", scores[excellent])

mid_range = (scores >= 60) & (scores < 90)
print("Mid-range:", scores[mid_range])

TEXT 📖 Somente leitura

> **Output:** Execute o NumPy 2.x em seu ambiente Python local para ver a saída do ndarray. O servidor Piston não tem o NumPy pré-instalado — instale-o 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: Usando o parâmetro out de ufunc (Dificuldade ⭐⭐)

PYTHON

import numpy as np

a = np.array([10, 20, 30, 40])
b = np.array([3, 4, 5, 6])

# Adição in-place usando parâmetro out
result = np.empty(4)
np.add(a, b, out=result)
print("Result:", result)

# Encadear operações com out
np.multiply(result, 2, out=result)
print("Doubled:", result)

# ufunc de comparação
print("a > 15:", np.greater(a, 15))

Output:
TEXT 📖 Somente leitura
Result: [13 24 35 46]
Doubled: [26 48 70 92]
a > 15: [False  True  True  True]

❓ Perguntas Frequentes

P: Por que usar np.add em vez de +? R: São idênticos — + chama np.add por baixo dos panos. Use a forma de função quando precisa de parâmetros extras como dtype, out ou where, ou quando passa uma ufunc como callback.

P: Divisão por zero gera erro? R: Sem exceção para floats — produz inf ou -inf, e 0/0 produz nan, com um aviso opcional baseado em np.seterr. Divisão inteira por zero gera ZeroDivisionError.

P: Vetorização é sempre mais rápida que loops? R: Para arrays grandes com operações simples, vetorização é tipicamente 50-200x mais rápida. Mas para arrays muito pequenos (<100 elementos), a sobrecarga de chamada da ufunc pode torná-la mais lenta que um loop.

P: O que é uma ufunc? R: Uma função universal — um wrapper em nível C para operações elemento a elemento. Cada ufunc lida com broadcasting, promoção de tipos e buffering de saída automaticamente. É o motor por trás da vetorização do NumPy.

📖 Resumo

Operadores aritméticos + - * / // % ** são elemento a elemento, cada um com uma função np.xxx correspondente
Operadores de comparação geram máscaras booleanas para filtragem condicional
Operações lógicas usam & | ^ ~, não and or not; funções np.logical_* também funcionam
Vetorização é 50-200x mais rápida que loops Python, impulsionada por ufuncs em nível C
ufuncs são o motor elemento a elemento do NumPy, suportando broadcasting e promoção de tipos

📝 Exercícios

Básico (Dificuldade ⭐): Crie x = np.linspace(-5, 5, 100). Compute a função sigmoid 1 / (1 + np.exp(-x)) usando vetorização. Conte quantos resultados são > 0,5.
Intermediário (Dificuldade ⭐⭐): Compute np.sin(x) para 1 milhão de números aleatórios usando tanto um loop for quanto vetorização. Compare o tempo e calcule o fator de aceleração.
Desafio (Dificuldade ⭐⭐⭐): Implemente uma função ReLU vetorizada max(0, x) para x = np.linspace(-3, 3, 20). Implemente usando tanto uma máscara booleana x * (x > 0) quanto np.maximum(0, x).

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