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

Per acquisire sicurezza e completare con successo questo corso, si consiglia vivamente di **completare i seguenti corsi** in anticipo (basta cliccare su di essi per iniziare):

In un mondo ricco di dati, lavorare con matrici e array è estremamente importante. È qui che **NumPy** si rivela utile. Grazie alla sua velocità elevata e all'interfaccia relativamente semplice da utilizzare, è diventata la libreria Python **più utilizzata** per lavorare con gli array.

Analisi della velocità di NumPy e delle sue origini. Pur essendo una libreria Python, è principalmente scritta in **C**, un linguaggio di basso livello che consente calcoli rapidi.

Un altro fattore che contribuisce alla velocità di NumPy è la **vettorizzazione**. In sostanza, la vettorizzazione consiste nel trasformare un algoritmo che opera su un singolo valore alla volta in uno che opera su un **insieme di valori** (vettore) contemporaneamente, processo eseguito a livello di CPU.

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

Sblocca tutto il potenziale della libreria più essenziale di Python per il calcolo numerico, NumPy. Questo corso completo è progettato per portarti da una comprensione da principiante a un livello avanzato di padronanza di NumPy. Che tu sia un data scientist, un ingegnere, un ricercatore o uno sviluppatore, padroneggiare NumPy è fondamentale per una manipolazione efficiente dei dati, il calcolo scientifico e il machine learning.

Esplora le applicazioni di NumPy e comprendi perché è una delle librerie più popolari per il calcolo numerico. Scopri i diversi metodi per creare e inizializzare array per gestire in modo efficiente varie esigenze di dati.

Scopri come accedere a elementi specifici e sottoinsiemi negli array NumPy utilizzando la notazione degli indici. Apprendi l'applicazione dell'indicizzazione condizionale per filtrare i dati e gestire in modo efficiente i valori mancanti.

NumPy offre molte funzioni integrate per eseguire operazioni comuni sugli array. Scopri come applicare questi strumenti per trasformare, aggregare e analizzare i dati in modo efficiente senza scrivere codice ripetitivo.

Scopri come eseguire operazioni matematiche in modo efficiente sugli array NumPy. Applica queste operazioni per risolvere problemi reali e acquisire una comprensione più approfondita di come i calcoli vettorializzati accelerano l'analisi numerica.

Introduzione a NumPy

Soluzione

Awesome!

Introduzione a NumPy

Soluzione