Conteúdo do curso Lição 76 de 250 · Fundamentos de Dados: numpy & pandas
Fundamentos de Dados: numpy & pandas

Por que Bibliotecas de Dados: Listas para Arrays

Listas Python puras são flexíveis, mas para números elas são lentas e verbosas. Dobrar cada valor em uma list significa escrever um loop:

prices = [10, 20, 30]
doubled = []
for p in prices:
    doubled.append(p * 2)
print(doubled)   # [20, 40, 60]

numpy (Numerical Python) te dá o ndarray: uma grade de números guardada em um bloco único de memória. Matemática em um array inteiro acontece em C compilado rápido, sem nenhum Python loop. Isso é chamado de vectorization.

import numpy as np
prices = np.array([10, 20, 30])
print(prices * 2)        # [20 40 60]   no loop needed
print(prices.sum())      # 60
print(prices.mean())     # 20.0

Toda a estrutura de dados e machine-learning está sobre o numpy, então este é o primeiro passo natural. Nós o importamos como np por convenção.

Construa um array com np.array(a_list), depois chame métodos como .sum() e .mean() direto nele. Eles retornam números únicos (um escalar Python/numpy), não listas.

Sua vez

Importe numpy como np. Transforme a list [4, 8, 12, 16] em um array numpy chamado arr. Depois calcule total como sua soma e avg como sua média. Imprima avg.

Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição

Este exercício abre em breve

Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.