NumPy

NumPy (tsz. NumPies)

1. (informatika) NumPy (Numerical Python) egy nyílt forráskódú Python könyvtár, amely az alapvető numerikus számításokhoz és az adatok kezeléséhez készült. A NumPy-t széles körben használják a tudományos számítások, az adatfeldolgozás, a gépi tanulás és a statisztikai elemzések során. A könyvtár legfontosabb jellemzője a n-dimensional array (n-dimenziós tömb) támogatása, amely lehetővé teszi a nagy mennyiségű adat hatékony kezelését és feldolgozását.

1. N-dimenziós Tömbök:
   • A NumPy tömbök (ndarray) alapvető adatszerkezetei lehetővé teszik a többdimenziós adatok tárolását és manipulálását. A NumPy tömbök sokkal hatékonyabbak, mint a Python beépített listái, különösen a számítások végrehajtásában.
2. Gyors Számítások:
   • A NumPy lehetővé teszi a matematikai műveletek gyors végrehajtását a tömbökön, köszönhetően az alacsony szintű C és Fortran kódokkal végzett optimalizálásnak.
3. Széleskörű Matematikai Funkciók:
   • A NumPy széles körű matematikai és statisztikai funkciókat kínál, beleértve a lineáris algebra, statisztika, Fourier-transzformáció és random számok generálásának eszközeit.
4. Integráció más Könyvtárakkal:
   • A NumPy szorosan integrálódik más Python könyvtárakkal, mint például a SciPy, Pandas, Matplotlib és scikit-learn, lehetővé téve a felhasználók számára, hogy komplex adatfeldolgozási és tudományos számítási feladatokat végezzenek.

1. Adatfeldolgozás:
   • A NumPy elengedhetetlen az adatok előkészítése és feldolgozása során, lehetővé téve a tömbök és mátrixok hatékony manipulálását.
2. Tudományos Számítások:
   • A tudósok és mérnökök a NumPy-t használják komplex matematikai számítások elvégzésére, például modellek és szimulációk futtatására.
3. Gépi Tanulás:
   • A NumPy fontos szerepet játszik a gépi tanulás modellek fejlesztésében, mivel gyors és hatékony számításokat tesz lehetővé a bemeneti adatokkal.
4. Kép- és Jelkezelés:
   • A NumPy tömböket használják a képek és jelek feldolgozására, lehetővé téve a pixeladatok manipulálását és a képek elemzését.

• Tömbök Létrehozása: python import numpy as np array = np.array(, ])
• Alapvető Matematikai Műveletek: python # Elemi műveletek a tömbökön sum_array = np.sum(array) mean_array = np.mean(array)
• Lineáris Algebra: python # Mátrix szorzás A = np.array(, ]) B = np.array(, ]) C = np.dot(A, B)

A NumPy egy alapvető könyvtár a Python programozási nyelvhez, amely a numerikus számítások és adatok kezelésének hatékonyságát segíti. A tömbök és mátrixok támogatása, a gyors számítási képességek, valamint a széleskörű matematikai funkciók révén a NumPy elengedhetetlen eszköz a tudományos számításokban, az adatfeldolgozásban és a gépi tanulásban.

Az alábbiakban néhány gyakran használt NumPy funkciót és példát mutatok be, amelyek jól demonstrálják a könyvtár erejét és egyszerűségét.

import numpy as np

# 1D tömb
array_1d = np.array()

# 2D tömb
array_2d = np.array(, ])

# Nullákkal feltöltött tömb
zeros_array = np.zeros((3, 3))

# Egységekkel feltöltött tömb
ones_array = np.ones((2, 4))

# Véletlen számokból álló tömb
random_array = np.random.rand(3, 3)

print("1D tömb:", array_1d)
print("2D tömb:\n", array_2d)
print("Nullákkal feltöltött tömb:\n", zeros_array)
print("Egységekkel feltöltött tömb:\n", ones_array)
print("Véletlen tömb:\n", random_array)

a = np.array()
b = np.array()

# Összeadás, kivonás, szorzás, osztás
print("Összeadás:", a + b)
print("Kivonás:", a - b)
print("Elemenkénti szorzás:", a * b)
print("Elemenkénti osztás:", a / b)

# Skálázás
print("Skálázás (szorzás 2-vel):", a * 2)

# Négyzetre emelés
print("Elemek négyzete:", a ** 2)

A = np.array(, ])
B = np.array(, ])

# Mátrix szorzás
matrix_product = np.dot(A, B)  # vagy A @ B
print("Mátrix szorzat:\n", matrix_product)

# Transzponálás
print("Mátrix transzponáltja:\n", A.T)

# Determináns
determinant = np.linalg.det(A)
print("Mátrix determinánsa:", determinant)

# Inverz mátrix
inverse = np.linalg.inv(A)
print("Inverz mátrix:\n", inverse)

array = np.array()

# Indexelés
print("Első elem:", array)
print("Utolsó elem:", array)

# Tömb módosítása
array = 99
print("Módosított tömb:", array)

array = np.array()

# Szeletelés (2. és 4. elem)
print("Szelet:", array)

# Többdimenziós szeletelés
matrix = np.array(, , ])
print("Első két sor:\n", matrix)
print("Első oszlop:\n", matrix)

data = np.array()

# Alapvető statisztikai számítások
print("Összeg:", np.sum(data))
print("Átlag:", np.mean(data))
print("Medián:", np.median(data))
print("Minimum:", np.min(data))
print("Maximum:", np.max(data))
print("Szórás:", np.std(data))

a = np.array(, ])
b = np.array(, ])

# Sorok mentén összefűzés
concat_rows = np.vstack((a, b))
print("Sorok mentén:\n", concat_rows)

# Oszlopok mentén összefűzés
concat_cols = np.hstack((a, b))
print("Oszlopok mentén:\n", concat_cols)

array = np.array(, ])

# Sorok szerinti bontás
split_rows = np.vsplit(array, 2)
print("Sorok bontása:", split_rows)

# Oszlopok szerinti bontás
split_cols = np.hsplit(array, 3)
print("Oszlopok bontása:", split_cols)

# Egyenletes eloszlású véletlenszámok
random_uniform = np.random.rand(3, 3)

# Normális eloszlású véletlenszámok
random_normal = np.random.randn(3, 3)

# Egész számok véletlenszerű generálása
random_integers = np.random.randint(0, 10, (3, 3))

print("Egyenletes eloszlású:\n", random_uniform)
print("Normális eloszlású:\n", random_normal)
print("Véletlen egész számok:\n", random_integers)

• NumPy - Szótár.net (en-hu)
• NumPy - Sztaki (en-hu)
• NumPy - Merriam–Webster
• NumPy - Cambridge
• NumPy - WordNet
• NumPy - Яндекс (en-ru)
• NumPy - Google (en-hu)
• NumPy - Wikidata
• NumPy - Wikipédia (angol)