NumPy Grundlagen: Arrays, Matrizen und mathematische Operationen

Einführung in die NumPy Bibliothek

Die NumPy Bibliothek ist das fundamentale Werkzeug für wissenschaftliches Rechnen in Python. Mit NumPy können Entwickler effizient mit mehrdimensionalen Arrays, Matrizen arbeiten und leistungsstarke mathematische Operationen durchführen.

NumPy ist ein unverzichtbarer Bestandteil des Ökosystems für Datenanalyse, maschinelles Lernen und technische Berechnungen. Diese Bibliothek wird von beliebten Frameworks wie Pandas, Scikit-learn, TensorFlow und vielen anderen Werkzeugen des wissenschaftlichen Programmierens aktiv genutzt.

Dieses Material bietet eine umfassende Anleitung zu NumPy Arrays, die Ihnen hilft, die Arbeit mit Arrays und Matrizen zu meistern. Sie lernen, arithmetische und logische Operationen durchzuführen sowie Datenstrukturen effizient zu kombinieren und zu verändern.

Installation und erste Einrichtung der Bibliothek

Installationsprozess von NumPy

Zur Installation der NumPy Bibliothek verwenden Sie den Paketmanager pip:

pip install numpy

Überprüfung der korrekten Installation

Nach der Installation empfiehlt es sich, die Version der Bibliothek zu überprüfen:

import numpy as np
print(np.__version__)

Dieser Befehl gibt die aktuelle Version der installierten Bibliothek aus und bestätigt damit eine erfolgreiche Installation.

Grundlegende NumPy Objekte: Arbeiten mit Arrays

Was ist ndarray

Das Hauptobjekt der Bibliothek ist das Array (ndarray). Es handelt sich um eine verbesserte Version der standardmäßigen Python-Listen, die speziell für schnelle mathematische Operationen optimiert ist. NumPy Arrays werden im Speicher kompakter abgelegt und deutlich schneller verarbeitet als normale Listen.

Erstellung eindimensionaler Arrays

Der einfachste Weg, ein Array zu erstellen:

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr)  # [1 2 3 4 5]

Arbeiten mit mehrdimensionalen Arrays

Zur Erstellung eines zweidimensionalen Arrays (Matrix):

matrix = np.array([[1, 2], [3, 4]])
print(matrix)

Ergebnis:

[[1 2]
 [3 4]]

Wichtige Eigenschaften von NumPy Arrays

Schlüsselattribute von Arrays

Jedes NumPy Array verfügt über eine Reihe wichtiger Eigenschaften:

• ndim - Anzahl der Dimensionen des Arrays
• shape - Dimension des Arrays als Tupel
• size - Gesamtanzahl der Elemente im Array
• dtype - Datentyp der Array-Elemente

Praktische Anwendung der Eigenschaften

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim)   # 2 (zweidimensionales Array)
print(arr.shape)  # (2, 3) (2 Zeilen, 3 Spalten)
print(arr.size)   # 6 (insgesamt 6 Elemente)
print(arr.dtype)  # int64 (Datentyp)

Das Verständnis dieser Eigenschaften ist entscheidend für die effiziente Arbeit mit NumPy Arrays verschiedener Dimensionen.

Spezielle Funktionen zur Array-Erstellung

Arrays mit vordefinierten Werten

NumPy bietet praktische Funktionen zur Erstellung spezieller Array-Typen:

• np.zeros() - Erstellung eines Arrays aus Nullen
• np.ones() - Erstellung eines Arrays aus Einsen
• np.eye() - Erstellung einer Einheitsmatrix
• np.full() - Erstellung eines Arrays mit einem bestimmten Wert

zeros_array = np.zeros((2, 3))     # 2x3 Array aus Nullen
ones_array = np.ones((3, 3))       # 3x3 Array aus Einsen
identity = np.eye(3)               # 3x3 Einheitsmatrix

Funktionen zur Generierung von Sequenzen

• np.arange() - Erstellung einer arithmetischen Folge
• np.linspace() - Erstellung gleichmäßig verteilter Werte