Summary  
This chapter demonstrates how to create and initialize NumPy arrays from Python lists or tuples and how to explicitly specify their element data types using the `dtype` parameter.

General domain of usage  
Numerical computing

Ein **NumPy-Array** ist ein effizientes, multidimensionales Containerobjekt zur Speicherung und Verarbeitung großer Datensätze desselben Datentyps. Obwohl sie Python-Listen ähneln, sind sie **speichereffizienter** und ermöglichen leistungsstarke **mathematische** und **numerische** Operationen.

Nun ist es an der Zeit, die ersten **NumPy**-Arrays zu erstellen. Der **einfachste** Weg hierfür ist die Verwendung der Funktion `array()`, der entweder eine `list` oder ein `tuple` als Argument übergeben wird – und nur diese.

In allen Aufgaben dieses Kurses sollten **NumPy**-Arrays ausschließlich aus **Listen** erstellt werden.

Hinweis

import numpy as np
# Creating an array from list
array_from_list = np.array([1, 2, 3, 2, 6, 1])
# Creating an array from tuple
array_from_tuple = np.array((1, 2, 3, 2, 6, 1))
print(f'Array from list: {array_from_list}')
print(f'Array from tuple: {array_from_tuple}')

## Datentyp angeben

Der Datentyp der Array-Elemente wird **implizit** festgelegt; er kann jedoch explizit mit dem Parameter `dtype` angegeben werden:

import numpy as np
# Creating an integer array without specifying dtype
array_1 = np.array([1, 2, 3])
# Creating an integer array with setting dtype to 1-byte integer
array_2 = np.array([1, 2, 3], dtype=np.int8)
print(f'First array dtype: {array_1.dtype}')
print(f'Second array dtype: {array_2.dtype}')

Das erste Integer-Array verwendet den Standard-Datentyp `int64`, einen **8-Byte-Integer**. Das zweite Array verwendet `int8`, einen **1-Byte-Integer**.

Zu den gebräuchlichsten NumPy-Datentypen gehören `numpy.float16`, `numpy.float32` und `numpy.float64`, die 2-Byte-, 4-Byte- bzw. 8-Byte-**Gleitkommazahlen** speichern.

Welcher Parameter in der Funktion `np.array()` ermöglicht es, den Datentyp der Array-Elemente explizit festzulegen?

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 in NumPy. Ob Datenwissenschaftler, Ingenieur, Forscher oder Entwickler – die Beherrschung von NumPy ist unerlässlich für effiziente Datenmanipulation, 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.

Grundlegende Array-Erstellung

Datentyp angeben