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

För att känna dig säker och framgångsrikt slutföra denna kurs rekommenderar vi starkt att du **genomför följande kurser** i förväg (klicka bara på dem för att starta):

I en värld fylld av data är arbete med matriser och arrayer av största vikt. Det är här **NumPy** blir användbart. Med sin höga hastighet och relativt lättanvända gränssnitt har det blivit det **mest använda** Python-biblioteket för arbete 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 bearbeta ett värde åt gången till att bearbeta 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 hela potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad skicklighet i NumPy. Oavsett om du är datavetare, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskaplig beräkning och maskininlärning.

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

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

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

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

Introduktion till NumPy

Lösning

Awesome!

Introduktion till NumPy

Lösning