Summary  
This chapter introduces NumPy’s array structures and vectorized operations for high-performance numerical computing, demonstrating how to create arrays, apply element-wise arithmetic, and use built-in statistical functions in code.

General domain of usage  
Scientific computing

Om vol vertrouwen en succesvol deze cursus te doorlopen, raden wij sterk aan om **de volgende cursussen** vooraf te voltooien (klik erop om te starten):

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.

In een wereld vol data is werken met matrices en arrays van groot belang. Daar komt **NumPy** goed van pas. Dankzij de hoge snelheid en het relatief gebruiksvriendelijke karakter is het de **meest gebruikte** Python-bibliotheek voor het werken met arrays.

Laten we nu de snelheid van NumPy bespreken en waar deze vandaan komt. Hoewel het een Python-bibliotheek is, is het grotendeels geschreven in **C**, een low-level programmeertaal die snelle berekeningen mogelijk maakt.

Een andere factor die bijdraagt aan de snelheid van NumPy is **vectorisatie**. Vectorisatie houdt in dat een algoritme wordt omgezet van het verwerken van één waarde tegelijk naar het verwerken van een **set waarden** (vector) tegelijk, wat op CPU-niveau achter de schermen gebeurt.

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

Ontgrendel het volledige potentieel van Python's meest essentiële bibliotheek voor numerieke berekeningen, NumPy. Deze uitgebreide cursus is ontworpen om je van een basiskennis naar een gevorderd niveau van vaardigheid in NumPy te brengen. Of je nu data scientist, ingenieur, onderzoeker of ontwikkelaar bent, het beheersen van NumPy is essentieel voor efficiënte datamanipulatie, wetenschappelijk rekenen en machine learning.

Ontdek de toepassingen van NumPy en begrijp waarom het een van de populairste bibliotheken is voor numerieke berekeningen. Leer de verschillende manieren om arrays te maken en te initialiseren om efficiënt aan diverse databehoeften te voldoen.

Ontdek hoe u specifieke elementen en deelverzamelingen in NumPy-arrays kunt benaderen met behulp van indexnotatie. Leer om conditionele indexering toe te passen om gegevens te filteren en ontbrekende waarden efficiënt te beheren.

NumPy biedt veel ingebouwde functies voor het uitvoeren van veelvoorkomende arraybewerkingen. Leer hoe u deze tools kunt toepassen om gegevens efficiënt te transformeren, aggregeren en analyseren zonder repetitieve code te schrijven.

Leer hoe u wiskundige bewerkingen efficiënt uitvoert op NumPy-arrays. Pas deze bewerkingen toe om realistische problemen op te lossen en krijg een dieper inzicht in hoe gevectoriseerde berekeningen numerieke analyses versnellen.

Introduction to NumPy

Oplossing