Summary  
This chapter introduces efficient array and matrix operations using NumPy’s C-based implementation and demonstrates how vectorization enables high-performance computations by applying operations to whole data sets at once.

General domain of usage  
Numerical computing

Um dieses Kursangebot erfolgreich und mit Selbstvertrauen absolvieren zu können, empfehlen wir Ihnen nachdrücklich, **zuvor die folgenden Kurse abzuschließen** (klicken Sie einfach darauf, um zu starten):

In einer Welt voller Daten ist die Arbeit mit Matrizen und Arrays von entscheidender Bedeutung. Genau hier kommt **NumPy** ins Spiel. Mit seiner hohen Geschwindigkeit und der relativ benutzerfreundlichen Oberfläche ist es die **am häufigsten verwendete** Python-Bibliothek für die Arbeit mit Arrays.

Betrachten wir nun die Geschwindigkeit von NumPy und deren Ursprung. Obwohl es sich um eine Python-Bibliothek handelt, ist sie größtenteils in **C** geschrieben, einer Low-Level-Sprache, die schnelle Berechnungen ermöglicht.

Ein weiterer Faktor, der zur Geschwindigkeit von NumPy beiträgt, ist die **Vektorisierung**. Im Wesentlichen bedeutet Vektorisierung, dass ein Algorithmus so umgewandelt wird, dass er nicht mehr auf einzelne Werte, sondern auf **Wertemengen** (Vektoren) gleichzeitig angewendet wird, was auf CPU-Ebene im Hintergrund erfolgt.

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

Entfesseln Sie das volle Potenzial von Pythons wichtigster Bibliothek für numerisches Rechnen, NumPy. Dieser umfassende Kurs führt Sie von grundlegenden Kenntnissen bis hin zu fortgeschrittenen Fähigkeiten im Umgang mit NumPy. Ob Data Scientist, Ingenieur, Forscher oder Entwickler – die Beherrschung von NumPy ist unerlässlich für effiziente Datenverarbeitung, wissenschaftliches Rechnen und maschinelles Lernen.

Erkunden Sie die Anwendungen von NumPy und erfahren Sie, warum es eine der beliebtesten Bibliotheken für numerische Berechnungen ist. Lernen Sie die verschiedenen Methoden zur Erstellung und Initialisierung von Arrays kennen, um unterschiedliche Datenanforderungen effizient zu bewältigen.

Erfahren Sie, wie Sie mit Indexnotation auf bestimmte Elemente und Teilmengen in NumPy-Arrays zugreifen. Lernen Sie, bedingte Indizierung zur Filterung von Daten und zum effizienten Umgang mit fehlenden Werten anzuwenden.

NumPy stellt viele integrierte Funktionen für gängige Array-Operationen bereit. Lernen Sie, wie Sie diese Werkzeuge anwenden, um Daten effizient zu transformieren, zu aggregieren und zu analysieren, ohne wiederholten Code zu schreiben.

Erfahren Sie, wie mathematische Operationen effizient auf NumPy-Arrays durchgeführt werden. Wenden Sie diese Operationen an, um reale Probleme zu lösen, und gewinnen Sie ein tieferes Verständnis dafür, wie vektorisierte Berechnungen die numerische Analyse beschleunigen.

Einführung in NumPy

Lösung

Awesome!

Einführung in NumPy

Lösung