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

For å føle deg trygg og kunne fullføre dette kurset med suksess, anbefaler vi sterkt at du **fullfører følgende kurs** på forhånd (klikk bare på dem for å starte):

I en verden full av data er det svært viktig å arbeide med matriser og arrays. Det er her **NumPy** kommer til nytte. Med sin lynraske ytelse og relativt brukervennlige grensesnitt har det blitt det **mest brukte** Python-biblioteket for å arbeide med arrays.

La oss nå diskutere hastigheten til NumPy og hvor den kommer fra. Til tross for at 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 transformere 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 numeriske beregninger, NumPy. Dette omfattende kurset er utformet for å ta deg fra nybegynnernivå til avansert ferdighetsnivå i NumPy. Enten du er dataforsker, ingeniør, forsker eller utvikler, er det avgjørende å mestre NumPy for effektiv datamanipulering, vitenskapelige beregninger 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 disse verktøyene kan brukes til å transformere, aggregere og analysere data effektivt uten å skrive gjentakende kode.

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

Introduksjon til NumPy

Løsning

Awesome!

Introduksjon til NumPy

Løsning