**Wprowadzenie do Biblioteki NumPy

NumPy (Numerical Python) to biblioteka Pythona służąca do efektywnej pracy z danymi numerycznymi. Oferuje ona potężne tablice wielowymiarowe (ndarrays) oraz bogaty zestaw funkcji do wykonywania operacji matematycznych. Jest ona podstawą dla wielu innych bibliotek, takich jak Pandas, SciPy czy scikit-learn, dlatego zrozumienie NumPy jest kluczowe dla każdego, kto zajmuje się analizą danych.

Instalacja NumPy:
Przed rozpoczęciem upewnij się, że masz zainstalowany NumPy. Możesz to zrobić, uruchamiając w terminalu:

pip install numpy

Importowanie NumPy:
Po zainstalowaniu, zaimportuj NumPy do swojego skryptu Python:

import numpy as np

Używamy np jako aliasu, co jest standardową konwencją i ułatwia pisanie kodu.

Podstawowym obiektem w NumPy jest tablica ndarray. Możemy ją stworzyć na wiele sposobów, na przykład z list Pythona:

import numpy as np

# Z listy
lista = [1, 2, 3, 4, 5]
tablica = np.array(lista)
print(tablica)
print(type(tablica))

# Zagnieżdżona lista (macierz)
macierz = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(macierz)
print(macierz.shape) # Wyświetla kształt macierzy (wiersze, kolumny)

NumPy automatycznie przetwarza dane tak, aby były tego samego typu (np. int lub float). Jeśli podasz mieszane typy, NumPy spróbuje przekonwertować je na wspólny typ.

Inne sposoby tworzenia tablic:

• np.zeros(kształt): tworzy tablicę wypełnioną zerami.
• np.ones(kształt): tworzy tablicę wypełnioną jedynkami.
• np.arange(początek, koniec, krok): tworzy tablicę z sekwencją liczb.
• np.linspace(początek, koniec, liczba_elementów): tworzy tablicę z równomiernie rozmieszczonymi liczbami.

Przykład:

import numpy as np

zerowa = np.zeros((2, 3)) # tablica 2x3 wypełniona zerami
jedynkowa = np.ones((1, 4))
zakres = np.arange(0, 10, 2) # od 0 do 10 (bez 10) z krokiem 2

print(zerowa)
print(jedynkowa)
print(zakres)

NumPy pozwala na wykonywanie operacji arytmetycznych na całych tablicach jednocześnie, co jest znacznie szybsze niż iterowanie po elementach listy w Pythonie.

import numpy as np

tablica1 = np.array([1, 2, 3, 4])
tablica2 = np.array([5, 6, 7, 8])

# Dodawanie, odejmowanie, mnożenie, dzielenie
suma = tablica1 + tablica2
roznica = tablica1 - tablica2
mnozenie = tablica1 * tablica2
dzielenie = tablica1 / tablica2

print(suma)
print(roznica)
print(mnozenie)
print(dzielenie)

# Mnożenie tablicy przez skalar
mnozenie_przez_2 = tablica1 * 2
print(mnozenie_przez_2)

# Funkcje agregujące
print(np.sum(tablica1))  # Suma wszystkich elementów
print(np.mean(tablica1)) # Średnia
print(np.std(tablica1))  # Odchylenie standardowe
print(np.max(tablica1))  # Maksimum
print(np.min(tablica1))  # Minimum

Indeksowanie i Slicing:
Indeksowanie i slicing w NumPy są podobne do tych w listach Pythona, ale działają na wielu wymiarach.

import numpy as np

macierz = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# Dostęp do pojedynczego elementu
element = macierz[0, 1] # element w pierwszym wierszu i drugiej kolumnie (wynik: 2)
print(element)

# Slicing
wiersz_1_i_2 = macierz[0:2, :] # pierwszy i drugi wiersz
kolumny_1_i_2 = macierz[:, 0:2] # pierwsze i drugie kolumny

print(wiersz_1_i_2)
print(kolumny_1_i_2)

Listy Pythona są bardziej uniwersalne, ale NumPy jest zoptymalizowane do operacji numerycznych. Oto kilka kluczowych różnic:

• Efektywność: NumPy jest znacznie szybsze dla obliczeń numerycznych ze względu na optymalizację i wykorzystanie wektoryzacji (wykonywanie operacji na całych tablicach jednocześnie).
• Typy danych: Tablice NumPy przechowują dane tego samego typu, podczas gdy listy mogą przechowywać dane różnych typów. Ograniczenie typów danych w NumPy pozwala na efektywniejsze przechowywanie i przetwarzanie.
• Funkcjonalność: NumPy oferuje bogaty zestaw funkcji do operacji matematycznych, statystycznych, algebry liniowej i transformacji danych, czego brakuje w standardowych listach Pythona.

Przykład demonstracji różnicy w prędkości:

import numpy as np
import time

rozmiar = 1000000
lista1 = list(range(rozmiar))
lista2 = list(range(rozmiar))
tablica1 = np.arange(rozmiar)
tablica2 = np.arange(rozmiar)

# Czas dla listy
start_czas = time.time()
wynik_lista = [x + y for x, y in zip(lista1, lista2)]
czas_lista = time.time() - start_czas
print(f"Czas dla listy: {czas_lista:.4f} sekund")

# Czas dla NumPy
start_czas = time.time()
wynik_numpy = tablica1 + tablica2
czas_numpy = time.time() - start_czas
print(f"Czas dla NumPy: {czas_numpy:.4f} sekund")