freeCodeCamp/curriculum/challenges/portuguese/08-data-analysis-with-python/data-analysis-with-python-course/numpy-algebra-and-size.md

---
id: 5e9a093a74c4063ca6f7c157
title: Utilizar álgebra no NumPy e tamanho
challengeType: 11
videoId: XAT97YLOKD8
bilibiliIds:
  aid: 250621433
  bvid: BV1hv41137uM
  cid: 409013128
dashedName: numpy-algebra-and-size
---

# --description--

*Ao invés de usar notebooks.ai como foi mostrado no vídeo, você pode usar o Google Colab como substituto.*

Mais recursos:

-   [Notebooks no GitHub](https://github.com/ine-rmotr-curriculum/freecodecamp-intro-to-numpy)
-   [Como abrir notebooks do GitHub usando o Google Colab.](https://colab.research.google.com/github/googlecolab/colabtools/blob/master/notebooks/colab-github-demo.ipynb)

# --question--

## --text--

Qual é a relação entre o tamanho dos objetos (como listas e datatypes) na memória na biblioteca padrão do Python e na biblioteca do NumPy? Sabendo isto, quais são as implicações para o desempenho?

## --answers--

Objetos Python padrão ocupam muito mais memória para armazenar que objetos do NumPy. Operações em objetos padrão comparáveis do Python e do NumPy são concluídas aproximadamente ao mesmo tempo.

---

Objetos do NumPy ocupam muito mais memória do que os objetos Python padrão. Operações nos objetos do NumPy são concluídas muito rapidamente em comparação a objetos comparáveis no Python padrão.

---

Objetos do NumPy ocupam muito menos memória do que os objetos Python padrão. Operações nos objetos do Python são concluídas muito rapidamente em comparação a objetos comparáveis no NumPy.

---

Objetos do Python padrão ocupam muito mais memória do que os objetos NumPy. Operações nos objetos do NumPy são concluídas muito rapidamente em comparação a objetos comparáveis no Python padrão.

## --video-solution--

4