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 värld full av data är arbete med matriser och arrayer oerhört viktigt. Det är här **NumPy** kommer till användning. Med sin höga hastighet och relativt lättanvända gränssnitt har det blivit det **mest använda** Python-biblioteket för att arbeta med arrayer.

Låt oss nu diskutera hastigheten hos NumPy och var den kommer ifrån. Trots att det är ett Python-bibliotek är det till största delen skrivet i **C**, ett lågnivåspråk som möjliggör snabba beräkningar.

En annan bidragande faktor till NumPys hastighet är **vektorisering**. I grunden innebär vektorisering att en algoritm omvandlas från att arbeta med ett värde i taget till att arbeta med en **uppsättning värden** (vektor) samtidigt, vilket sker i bakgrunden 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 upp den fulla potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad kompetens i NumPy. Oavsett om du är data scientist, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskapliga beräkningar och maskininlärning.

Utforska användningsområdena för NumPy och förstå varför det är ett av de mest populära biblioteken för numerisk beräkning. Lär dig de olika sätten att skapa och initiera arrayer för att effektivt hantera olika databehov.

Upptäck hur du får åtkomst till specifika element och delmängder i NumPy-arrayer med hjälp av indexnotation. Lär dig att använda villkorsbaserad indexering för att filtrera data och hantera saknade värden effektivt.

NumPy tillhandahåller många inbyggda funktioner för att utföra vanliga arrayoperationer. Lär dig hur du använder dessa verktyg för att effektivt transformera, aggregera och analysera data utan att skriva repetitiv kod.

Lär dig hur du utför matematiska operationer effektivt på NumPy-arrayer. Använd dessa operationer för att lösa verkliga problem och få en djupare förståelse för hur vektoriserade beräkningar påskyndar numerisk analys.

Introduction to NumPy

Lösning