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.

I en verden full av data er det svært viktig å arbeide med matriser og arrayer. Det er her **NumPy** kommer til nytte. Med høy ytelse og et relativt brukervennlig grensesnitt har det blitt det **mest brukte** Python-biblioteket for arbeid med arrayer.

La oss nå se på hastigheten til NumPy og hvor den kommer fra. Selv om det er et Python-bibliotek, er det for det meste skrevet i **C**, et lavnivåspråk som muliggjør raske beregninger.

En annen faktor som bidrar til NumPys hastighet er **vektorisering**. Vektorisering innebærer i hovedsak å endre en algoritme fra å operere på én verdi om gangen til å operere på et **sett med verdier** (vektor) samtidig, noe som utføres i bakgrunnen på CPU-nivå.

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 opp det fulle potensialet til Pythons mest essensielle bibliotek for numerisk databehandling, NumPy. Dette omfattende kurset er utformet for å ta deg fra et nybegynnernivå til avansert ferdighet i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelig databehandling og maskinlæring.

Utforsk bruksområdene til NumPy og forstå hvorfor det er et av de mest populære bibliotekene for numerisk databehandling. Lær de ulike metodene for å opprette og initialisere matriser for å håndtere ulike databehov effektivt.

Utforsk hvordan du får tilgang til spesifikke elementer og delmengder i NumPy-arrays ved hjelp av indeksnotasjon. Lær å bruke betinget indeksering for å filtrere data og håndtere manglende verdier effektivt.

NumPy tilbyr mange innebygde funksjoner for å utføre vanlige array-operasjoner. Lær hvordan du kan bruke disse verktøyene til å transformere, aggregere og analysere data effektivt uten å skrive repeterende kode.

Lær hvordan du utfører matematiske operasjoner effektivt på NumPy-arrays. Bruk disse operasjonene for å løse virkelige problemer og få en dypere forståelse av hvordan vektoriserte beregninger akselererer numerisk analyse.

Introduksjon til NumPy

Løsning