Numpy für Data Science

Installation und Import von NumPy

Um NumPy zu verwenden, musst Du es zunächst installieren. Das kannst Du mit dem folgenden Befehl tun:

“`

pip install numpy

“`

Nach der Installation kannst Du NumPy in Deinem Python-Code importieren:

import numpy as np

Erstellen von NumPy Arrays

NumPy Arrays sind mächtige Datenstrukturen, die effiziente Berechnungen auf großen Datenmengen ermöglichen. Hier einige Beispiele, wie Du NumPy Arrays erstellen kannst:

# 1D Array
a = np.array([1, 2, 3])
# 2D Array
b = np.array([[1, 2, 3], [4, 5, 6]])
# Array mit gleichen Werten
c = np.ones((3, 3))
# Array mit Zufallswerten
d = np.random.rand(3, 3)

Operationen mit NumPy Arrays

NumPy bietet viele nützliche Funktionen zur Arbeit mit Arrays, wie z. B. elementweise Operationen, Skalarprodukte und Matrixmultiplikationen:

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# Elementweise Addition
c = a + b
# Elementweise Multiplikation
d = a * b
# Skalarprodukt
e = np.dot(a, b)
# Matrixmultiplikation
f = np.array([[1, 2], [3, 4]])
g = np.array([[5, 6], [7, 8]])
h = np.matmul(f, g)

Slicing und Indexing von NumPy Arrays

Du kannst auf Elemente und Teile von NumPy Arrays zugreifen, indem Du Slicing und Indexing verwendest:

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
# Einzelnes Element
b = a[0, 1]
# Teilarray
c = a[1:, :2]

Statistische Funktionen

NumPy bietet auch viele statistische Funktionen, die Dir helfen, die Daten in Deinen Arrays besser zu verstehen:

a = np.array([1, 2, 3, 4, 5])
# Mittelwert
mean = np.mean(a)
# Standardabweichung
std_dev = np.std(a)
# Minimum und Maximum
min_value = np.min(a)
max_value = np.max(a)

Lineare Algebra

NumPy enthält auch Funktionen zur Lösung linearer Gleichungssysteme und zur Berechnung von Eigenwerten und Eigenvektoren:

A = np.array([[1, 2], [3, 4]])
b = np.array([5, 6])
# Lösen des linearen Gleichungssystems Ax = b
x = np.linalg.solve(A, b)
# Eigenwerte und Eigenvektoren
eigenvalues, eigenvectors = np.linalg.eig(A)

Fazit

NumPy ist eine leistungsstarke Bibliothek, die Dir hilft, effizient mit großen Datenmengen in Python zu arbeiten. Es bietet zahlreiche Funktionen zur Erstellung und Bearbeitung von Arrays, zur Durchführung von Berechnungen und zur Analyse von Daten. Die Beispiele in diesem Kapitel haben Dir einen Einblick in die Möglichkeiten von NumPy gegeben, aber es gibt noch viel mehr zu entdecken. Experimentiere mit den verschiedenen Funktionen und nutze NumPy, um Deine eigenen Data-Science-Projekte in Python zu realisieren.

Weiterführende Ressourcen

Wenn Du mehr über NumPy und die verschiedenen Funktionen erfahren möchtest, sind hier einige Ressourcen, die Dir helfen können, Dein Wissen zu vertiefen:

– Offizielle NumPy-Dokumentation: https://numpy.org/doc/stable/

– NumPy-Tutorial von W3Schools: https://www.w3schools.com/python/numpy_intro.asp

– Einführung in NumPy von DataCamp: https://www.datacamp.com/community/tutorials/python-numpy-tutorial

Viel Spaß beim Erkunden und Anwenden von NumPy in Deinen Python-Projekten!