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.

У світі, наповненому даними, робота з матрицями та масивами має надзвичайно важливе значення. Саме тут стає у пригоді **NumPy**. Завдяки високій швидкості та відносно простому інтерфейсу, ця бібліотека стала **найпопулярнішою** бібліотекою Python для роботи з масивами.

Тепер розглянемо швидкість NumPy та її джерела. Незважаючи на те, що це бібліотека Python, вона переважно написана мовою **C** — низькорівневою мовою, яка забезпечує швидкі обчислення.

Ще одним фактором, що впливає на швидкість NumPy, є **векторизація**. По суті, векторизація полягає у перетворенні алгоритму з обробки одного значення за раз на обробку **набору значень** (вектора) одночасно, що виконується на рівні процесора.

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

Відкрийте повний потенціал найважливішої бібліотеки Python для чисельних обчислень — NumPy. Цей комплексний курс розроблений для того, щоб провести вас від початкового рівня до поглибленого володіння NumPy. Незалежно від того, чи ви дата-сайентіст, інженер, дослідник або розробник, опанування NumPy є необхідним для ефективної обробки даних, наукових обчислень і машинного навчання.

Дослідження застосувань NumPy та розуміння причин його популярності серед бібліотек для чисельних обчислень. Вивчення різних способів створення та ініціалізації масивів для ефективної обробки різноманітних даних.

Дізнайтеся, як отримувати доступ до окремих елементів і підмножин у масивах NumPy за допомогою індексної нотації. Вивчення застосування умовної індексації для фільтрації даних і ефективного керування відсутніми значеннями.

NumPy надає багато вбудованих функцій для виконання поширених операцій з масивами. Дізнайтеся, як застосовувати ці інструменти для ефективного перетворення, агрегування та аналізу даних без написання повторюваного коду.

Дізнайтеся, як ефективно виконувати математичні операції над масивами NumPy. Застосовуйте ці операції для розв'язання реальних задач і отримайте глибше розуміння того, як векторизовані обчислення прискорюють числовий аналіз.

Introduction to NumPy

Рішення