Guia do Usuário do NumPy

Visão Geral: Esta lição apresenta o NumPy como a biblioteca fundamental para computação científica em Python, explicando suas vantagens de desempenho por meio da vetorização. Os alunos aprenderão a instalar a biblioteca em diversas plataformas (Windows, Raspberry Pi, Conda, PyCharm) e resolver problemas comuns de instalação, como ImportError, gerenciando variáveis de ambiente e dependências do sistema.

Resultados de Aprendizagem:

• Definir o NumPy e identificar seu papel no ecossistema científico do Python.
• Explicar por que o NumPy é significativamente mais rápido que loops padrão do Python usando o conceito de vetorização.
• Executar comandos de instalação para diversos ambientes, incluindo Pip, Conda e Raspberry Pi.

Visão Geral: Esta lição oferece uma introdução abrangente ao objeto ndarray do NumPy, abordando seus atributos principais, métodos de criação e operações matemáticas básicas. Ela se estende para tópicos avançados, incluindo indexação sofisticada (com base booleana e inteira), manipulação de forma e rotinas essenciais de álgebra linear. Ao final deste módulo, os alunos serão capazes de armazenar, transformar e analisar estruturas de dados multidimensionais com eficiência.

Resultados de Aprendizagem:

• Identificar e interpretar atributos principais do ndarray, como ndim, shape e dtype.
• Executar criação e manipulação de arrays usando funções como linspace, reshape, vstack e hstack.
• Aplicar operações elementares, funções universais (ufuncs) e solucionadores de álgebra linear a conjuntos de dados numéricos.

Visão Geral: Esta lição aborda os mecanismos avançados do NumPy, focando na gestão precisa dos tipos de dados, tratamento de estouros e operações de entrada/saída sofisticadas usando genfromtxt. Os alunos dominarão a lógica interna do Broadcasting para operações aritméticas, os detalhes da ordem de bytes em nível de memória e a criação de arrays estruturados/registros para conjuntos de dados heterogêneos. As últimas seções detalham a extensibilidade do NumPy por meio de contêineres de arrays personalizados e os protocolos formais para subclasseamento de ndarray.

Resultados de Aprendizagem:

• Gerenciar precisão de dados e mitigar erros de estouro usando tipos escalares do NumPy e ferramentas de informação (iinfo, finfo).
• Implementar ingestão flexível de dados do disco usando genfromtxt com delimitadores personalizados, cabeçalhos e seleção de colunas.
• Aplicar as Regras Gerais de Broadcasting para prever e controlar interações entre arrays de formas diferentes.

Visão Geral: Esta lição explora os nuances avançados do subclasseamento do NumPy, especificamente em relação à gestão de memória e compatibilidade com versões posteriores. Também examina como o NumPy implementa o padrão IEEE 754 para números de ponto flutuante para lidar com valores especiais e exceções numéricas, concluindo com os mecanismos para interagir com arrays do NumPy em linguagens de baixo nível como C, C++ e Fortran.

Resultados de Aprendizagem:

• Gerenciar referências de memória e evitar "armadilhas" em subclasses personalizadas de ndarray usando o atributo .base.
• Manter compatibilidade com versões posteriores nas subclasses corretamente implementando __array_wrap__ e assinaturas de métodos.
• Identificar e manipular valores especiais do IEEE 754 (NaN, Inf) e configurar comportamentos globais de exceções numéricas.

Visão Geral: Esta lição explora os vários métodos para estender a funcionalidade do NumPy ao interagir com linguagens compiladas como C, C++ e Fortran. Cobrem ferramentas automatizadas como f2py e Cython, envolvimento manual com ctypes, criação de funções universais (ufuncs) de alto desempenho, e técnicas avançadas da C-API para iteração em arrays, tipos de dados personalizados e subtipagem do ndarray.

Resultados de Aprendizagem:

• Comparar e implementar diversos métodos para "conectar" código compilado ao Python (f2py, Cython, ctypes).
• Criar e registrar funções universais (ufuncs) personalizadas do NumPy para tipos simples e múltiplos de dados, incluindo arrays estruturados.
• Utilizar a C-API do NumPy para iterar com eficiência em arrays, lidar com broadcasting e definir tipos de dados ou subtipos de ndarray personalizados.