Summary
This chapter introduces NumPy’s core array structures and shows how to perform elementwise and statistical operations using vectorization for efficient computation.

General domain of usage
Numerical computing

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.

Datakeskeisessä maailmassa matriisien ja taulukoiden käsittely on erittäin tärkeää. Tässä **NumPy** on hyödyllinen työkalu. Sen erittäin nopean suorituskyvyn ja suhteellisen helppokäyttöisen käyttöliittymän ansiosta siitä on tullut **käytetyin** Python-kirjasto taulukoiden käsittelyyn.

Käsitellään nyt NumPyn nopeutta ja sen alkuperää. Vaikka kyseessä on Python-kirjasto, suurin osa siitä on kirjoitettu **C**-kielellä, joka on matalan tason kieli ja mahdollistaa nopeat laskutoimitukset.

Toinen NumPyn nopeuteen vaikuttava tekijä on **vektorisointi**. Vektorisoinnilla tarkoitetaan algoritmin muuttamista siten, että se käsittelee yksittäisten arvojen sijaan **arvojoukkoa** (vektoria) kerralla, mikä tapahtuu taustalla suoraan suorittimella.

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

Avaa Pythonin tärkeimmän numeerisen laskennan kirjaston, NumPyn, koko potentiaali. Tämä kattava kurssi on suunniteltu viemään sinut aloittelijan tasolta edistyneeksi NumPy-osaajaksi. Olitpa sitten data-analyytikko, insinööri, tutkija tai kehittäjä, NumPyn hallinta on olennaista tehokkaaseen datan käsittelyyn, tieteelliseen laskentaan ja koneoppimiseen.

Tutustu NumPyn käyttökohteisiin ja ymmärrä, miksi se on yksi suosituimmista kirjastoista numeeriseen laskentaan. Opiskele erilaisia tapoja luoda ja alustaa taulukoita erilaisten tietotarpeiden tehokkaaseen käsittelyyn.

Opi, kuinka NumPy-taulukoiden yksittäisiin alkioihin ja osajoukkoihin päästään käsiksi indeksimerkinnän avulla. Tutustu ehdollisen indeksoinnin käyttöön tietojen suodattamisessa ja puuttuvien arvojen hallinnassa tehokkaasti.

NumPy tarjoaa monia sisäänrakennettuja funktioita yleisten taulukko-operaatioiden suorittamiseen. Opi käyttämään näitä työkaluja datan muuntamiseen, aggregointiin ja analysointiin tehokkaasti ilman toistuvaa koodia.

Opi suorittamaan matemaattisia operaatioita tehokkaasti NumPy-taulukoilla. Sovella näitä operaatioita todellisten ongelmien ratkaisemiseen ja syvennä ymmärrystäsi siitä, miten vektorisoidut laskutoimitukset nopeuttavat numeerista analyysiä.

Introduction to NumPy

Ratkaisu