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

I en värld full av data är det extremt viktigt att arbeta med matriser och arrayer. Det är där NumPy kommer till nytta. Med sin blixtsnabba 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 mestadels skrivet i C, ett lågnivåspråk som möjliggör snabba beräkningar.

En annan bidragande faktor till NumPys hastighet är vektorisering. I huvudsak innebär vektorisering att omvandla en algoritm från att arbeta på ett enda värde åt gången till att arbeta på en uppsättning av värden (vektor) samtidigt, vilket utförs under huven på CPU-nivå.