Summary  
This chapter introduces NumPy’s array structures and vectorized operations for high-performance numerical computing, demonstrating how to create arrays, apply element-wise arithmetic, and use built-in statistical functions in code.

General domain of usage  
Scientific computing

For at føle dig sikker og gennemføre dette kursus med succes anbefaler vi stærkt, at du **gennemfører følgende kurser** på forhånd (klik blot på dem for at starte):

Get a visual introduction to NumPy, the essential Python library for working with arrays and matrices. Discover why NumPy is so fast, how it uses C under the hood, and how vectorization lets you process data efficiently. See practical examples of NumPy in action and learn how to get started by importing the library in your Python projects.

I en verden fuld af data er det yderst vigtigt at arbejde med matricer og arrays. Det er her, **NumPy** er nyttig. Med sin lynhurtige hastighed og relativt brugervenlige grænseflade er det blevet det **mest anvendte** Python-bibliotek til arbejde med arrays.

Lad os nu diskutere hastigheden af NumPy og dens oprindelse. Selvom det er et Python-bibliotek, er det for det meste skrevet i **C**, et lavniveau-sprog, der muliggør hurtige beregninger.

En anden medvirkende faktor til NumPys hastighed er **vektorisering**. Vektorisering indebærer grundlæggende, at en algoritme ændres fra at operere på én værdi ad gangen til at operere på et **sæt af værdier** (vektor) på én gang, hvilket udføres i baggrunden på CPU-niveau.

import unittest
import importlib.util
import re

def _dynamic_test(test_case, condition, success_message, failure_message):
    if condition:
        test_case._testMethodName = success_message
        test_case.assertTrue(True, success_message)
    else:
        test_case._testMethodName = failure_message
        test_case.fail(failure_message)

class TestUserCode(unittest.TestCase):
    @classmethod
    def setUpClass(cls):
        # Завантажуємо код користувача
        spec = importlib.util.spec_from_file_location("user_code", "user_code.py")
        cls.m = importlib.util.module_from_spec(spec)
        spec.loader.exec_module(cls.m)

        # Зчитуємо сирцевий код
        with open("user_code.py", "r", encoding="utf-8") as f:
            cls.src = f.read()

    def test_numpy_import(self):
        # Перевірка, що numpy імпортовано з псевдонімом np
        has_np = "np" in dir(self.m)
        pat_alias = re.search(r"import\s+numpy\s+as\s+np", self.src)
        _dynamic_test(
            self,
            has_np and pat_alias,
            "NumPy imported correctly as np",
            "NumPy import alias incorrect or missing"
        )

if __name__ == "__main__":
    unittest.main()


test_code.py

Lås op for det fulde potentiale af Pythons mest essentielle bibliotek til numerisk beregning, NumPy. Dette omfattende kursus er designet til at tage dig fra et begynderforståelse til et avanceret niveau af færdigheder i NumPy. Uanset om du er data scientist, ingeniør, forsker eller udvikler, er det afgørende at mestre NumPy for effektiv datamanipulation, videnskabelig beregning og maskinlæring.

Udforsk anvendelserne af NumPy og forstå, hvorfor det er et af de mest populære biblioteker til numerisk databehandling. Lær de forskellige måder at oprette og initialisere arrays på for effektivt at håndtere forskellige databehov.

Opdag, hvordan man får adgang til specifikke elementer og delmængder i NumPy-arrays ved hjælp af indeksnotation. Lær at anvende betinget indeksering til at filtrere data og håndtere manglende værdier effektivt.

NumPy tilbyder mange indbyggede funktioner til at udføre almindelige array-operationer. Lær, hvordan disse værktøjer kan anvendes til effektivt at transformere, aggregere og analysere data uden at skrive gentagen kode.

Lær at udføre matematiske operationer effektivt på NumPy-arrays. Anvend disse operationer til at løse virkelige problemer og opnå en dybere forståelse af, hvordan vektoriserede beregninger accelererer numerisk analyse.

Introduktion til NumPy

Løsning