NumPy: Operações de Shape

Q: P: Qual a diferença entre .T e .transpose()?

R: .T é um atalho para reverter todos os eixos (equivalente a .transpose() com ordem reversa). Para arrays 2D são idênticos. Para 3D+, .T reverte todos os eixos, enquanto .transpose(1,0,2) permite especificar a ordem.

Última atualização: 2026-08-26

Operações de Shape

1. O que Você Aprenderá

❶ reshape não copia dados — apenas altera metadados
❷ -1 infere automaticamente o tamanho da dimensão
❸ flatten vs ravel: cópia vs view
❹ transposição transpose / .T
❺ newaxis para adicionar dimensões, squeeze para removê-las

2. Uma História Real de um Desenvolvedor

(1) O Problema

Bob redimensiona 12 pontos de dados de 3×4 para 4×3, achando que está "reorganizando a memória" — mas cada reshape estava copiando dados, destruindo sua memória e velocidade.

(2) A Solução

Alice mostra a ele um diagrama Mermaid: "reshape apenas muda metadados — nem um único byte de dados se move. Esse é o segredo da velocidade do NumPy." Desde que uma operação retorne uma view, nenhum dado é copiado.

(3) O Resultado

Uma vez que Bob entendeu "view vs copy", seu código de operações de shape usou uma ordem de magnitude a menos de memória e rodou várias vezes mais rápido. Apenas flatten realmente copia; todo o resto — reshape, ravel, transpose, swapaxes — é uma view.

3. Operações de Shape em Detalhes

(1) Como reshape Funciona

reshape muda o shape do array mas não copia dados. Ele apenas modifica os metadados do array (shape e strides); os dados brutos na memória permanecem no lugar.

PYTHON

import numpy as np

a = np.arange(12)
b = a.reshape(3, 4)

print(a.shape)   # (12,)
print(b.shape)   # (3, 4)
print(b.base is a)  # True — b é uma view de 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.

PYTHON

# reshape NÃO copia dados
b[0, 0] = 999
print(a[0])  # 999 — modificar b muda 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.

Diagrama de Memória do reshape

graph LR
    A["Array Original<br/>shape=(12,)"] -->|"reshape(3,4)"| B["View<br/>shape=(3,4)"]
    A -->|"reshape(4,3)"| C["View<br/>shape=(4,3)"]
    A -->|"reshape(2,6)"| D["View<br/>shape=(2,6)"]

    style A fill:#4CAF50,color:#fff
    style B fill:#2196F3,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#9C27B0,color:#fff

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.

Ponto-chave: A, B, C e D todos compartilham a mesma memória — eles apenas a "interpretam" de forma diferente.

(2) Auto-Inferência com -1

Use -1 em reshape para deixar o NumPy computar automaticamente o tamanho daquela dimensão.

PYTHON

a = np.arange(12)

# NumPy infere: 12 / 3 = 4
b = a.reshape(3, -1)     # shape = (3, 4)
c = a.reshape(2, -1)     # shape = (2, 6)
d = a.reshape(-1, 6)     # shape = (2, 6)

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.

(3) flatten vs ravel

Método	Retorna	Copia?	Memória
`ndarray.flatten()`	Array 1D	Sempre copia	Nova memória
`ndarray.ravel()`	Array 1D	View quando possível	Geralmente compartilhada

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

f = a.flatten()  # sempre uma cópia
r = a.ravel()    # geralmente uma view

f[0] = 999
print(a[0, 0])   # 0 — f é uma cópia, a inalterado

r[0] = 999
print(a[0, 0])   # 999 — r é uma view, a alterado

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) transpose e .T

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)
print(a.shape)   # (3, 4)

b = a.T          # transposição — view, sem cópia
print(b.shape)   # (4, 3)

# Para arrays multidimensionais, transpose aceita uma ordem de eixos
c = a.transpose(1, 0)
print(c.shape)   # (4, 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.

(5) newaxis e squeeze

PYTHON

import numpy as np

a = np.array([1, 2, 3])       # shape (3,)

# newaxis adiciona uma dimensão
b = a[np.newaxis, :]           # shape (1, 3)
c = a[:, np.newaxis]           # shape (3, 1)
d = a[np.newaxis, :, np.newaxis]  # shape (1, 3, 1)

# squeeze remove dimensões de tamanho 1
e = np.squeeze(d)              # shape (3,) — de volta ao original

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.

: reshape com auto-inferência -1 (Dificuldade ⭐)

PYTHON

import numpy as np

a = np.arange(24)

# Usar -1 para auto-inferência
b = a.reshape(2, -1)      # 2 x 12
c = a.reshape(3, -1)      # 3 x 8
d = a.reshape(4, -1)      # 4 x 6
e = a.reshape(6, -1)      # 6 x 4

print(f"a.shape={a.shape}")
print(f"b.shape={b.shape}")  # (2, 12)
print(f"c.shape={c.shape}")  # (3, 8)
print(f"d.shape={d.shape}")  # (4, 6)
print(f"e.shape={e.shape}")  # (6, 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.

⚠️ 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.

: flatten vs ravel — cópia vs view (Dificuldade ⭐⭐)

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

# flatten sempre copia
flat = a.flatten()
flat[0] = 999
print("After flat[0]=999, a[0,0]=", a[0,0])  # 0 (inalterado)

# ravel geralmente retorna uma view
rav = a.ravel()
rav[0] = 999
print("After rav[0]=999, a[0,0]=", a[0,0])  # 999 (alterado!)

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.

: transpose e newaxis (Dificuldade ⭐⭐)

PYTHON

import numpy as np

a = np.arange(12).reshape(3, 4)

# Transposição
print("Original shape:", a.shape)     # (3, 4)
print("Transposed shape:", a.T.shape)  # (4, 3)

# newaxis: adicionar dimensões
row = np.array([1, 2, 3])
print("row shape:", row.shape)                # (3,)
print("row[np.newaxis,:] shape:", row[np.newaxis, :].shape)  # (1, 3)
print("row[:,np.newaxis] shape:", row[:, np.newaxis].shape)  # (3, 1)

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) Resumo de Operações de Shape

Operação	Retorna	Copia Dados?	Caso de Uso
`reshape`	View	Não	Mudar shape
`flatten`	Cópia	Sim	Conversão 1D segura
`ravel`	View (geralmente)	Raramente	1D rápida
`T` / `transpose`	View	Não	Reordenar eixos
`newaxis`	View	Não	Adicionar dimensão
`squeeze`	View	Não	Remover dims de tamanho 1
`swapaxes`	View	Não	Trocar dois eixos

(2) View vs Cópia

Característica	View	Cópia
Memória	Compartilhada	Nova alocação
Modificação	Afeta o original	Independente
Velocidade	O(1)	O(n)
Atributo `base`	Aponta para o original	None
Quando usar	Somente leitura ou compartilhamento intencional	Modificação segura

5. Diagrama de Princípios

graph TB
    A["Original (12,)"] -->|reshape/flatten/ravel| B["Novo shape"]
    A --> C["buffer de dados: [0 1 2 ... 11]"]
    B --> C
    B -->|flatten| D["cópia do buffer de dados"]
    B -->|ravel| C
    B -->|transpose| C
    B -->|newaxis| C
    
    style A fill:#4CAF50,color:#fff
    style C fill:#FF9800,color:#fff
    style D fill:#E91E63,color:#fff

❓ Perguntas Frequentes

P: reshape sempre retorna uma view? R: Quase sempre — desde que o array seja contíguo na memória. Se o array não for contíguo (ex.: após uma transposição), reshape pode precisar copiar. Use np.ascontiguousarray() antes se necessário.

P: Qual a diferença entre .T e .transpose()? R: .T é um atalho para reverter todos os eixos (equivalente a .transpose() com ordem reversa). Para arrays 2D são idênticos. Para 3D+, .T reverte todos os eixos, enquanto .transpose(1,0,2) permite especificar a ordem.

P: Quando devo usar flatten vs ravel? R: Se vai modificar o resultado 1D e não quer afetar o original, use flatten (cópia segura). Se está apenas lendo ou quer que as mudanças se propaguem, use ravel (mais rápido, geralmente uma view).

P: O que significa -1 em reshape? R: Diz ao NumPy para "descobrir esta dimensão automaticamente". Apenas um -1 é permitido. NumPy calcula como total_size / produto_das_outras_dims.

📖 Resumo

reshape apenas muda metadados de shape/strides — sem cópia de dados, operação O(1)
-1 infere automaticamente o tamanho da dimensão a partir da contagem total de elementos
flatten sempre copia; ravel geralmente retorna uma view (verifique .base)
transpose/T/swapaxes retornam views com strides modificados, sem movimento de dados
newaxis adiciona uma dimensão de tamanho 1; squeeze remove dimensões de tamanho 1
Entender view vs copy é chave para escrever código NumPy eficiente em memória

📝 Exercícios

Básico (Dificuldade ⭐): Crie um array de 20 elementos, redimensione para (4,5), (5,4), (2,10) e (10,2) usando -1. Verifique se todos os shapes estão corretos.
Intermediário (Dificuldade ⭐⭐): Crie um array 3x4, transponha-o, depois tente fazer reshape do resultado transposto. O reshape ainda evita copiar? Verifique com .base.
Desafio (Dificuldade ⭐⭐⭐): Crie um array 3D com shape (2,3,4). Use transpose(2,0,1) para reordenar os eixos. Explique o que cada dimensão representa no resultado. Depois use swapaxes para obter o mesmo resultado.

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