Installation¶

Für Python 3 installiert man NumPy über das Paket^[1]:

• python3-numpy

Befehl zum Installieren der Pakete:

sudo apt-get install python3-numpy 

Oder mit apturl installieren, Link: apt://python3-numpy

pip3 install numpy 

Verwendung¶

NumPy kann, wie bei allen Python-Modulen üblich, über import initialisiert werden, wobei es gängige Praxis ist, NumPy an den Namen np zu binden:

1

>>> import numpy as np

Wie in der Einleitung erwähnt, ist eine Kernfunktion von NumPy die Datenstruktur ndarray, welche n-dimensionale Arrays bereit stellt:

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16

>>> data = np.array([1, 2, 3])
>>> data
array([1, 2, 3])
>>> data_2D = np.array([[1, 2, 3],
...                     [4, 5, 6]])
>>> data_2D
array([[1, 2, 3],
       [4, 5, 6]])
>>> data_text = np.array(['foo', 'bar'])
>>> data_many_types = np.array([1, 2.0, 'spamegg'])
>>> data_many_types
array(['1', '2.0', 'spamegg'], 
      dtype='<U32')
>>> data_text
array(['foo', 'bar'], 
      dtype='<U3')

Alle Daten haben einen Typ, der in NumPy als dtype bezeichnet wird. Diesen kann man auch explizit abfragen, beim Anlegen eines Arrays festlegen und nachträglich umwandeln:

1
2
3
4
5
6
7
8

>>> data.dtype
dtype('int64')
>>> data2 = np.array([1, 2, 3], dtype=float)
>>> data2
array([ 1.,  2.,  3.])
>>> data_as_float = data.astype(float)
>>> data_as_float
array([ 1.,  2.,  3.])

Arrays in NumPy unterstützen wie in Python gewohnt den Zugriff auf Elemente über den Index als auch Slicing:

1
2
3
4
5
6
7
8

>>> data[2]
3
>>> data_2D[0]
array([1, 2, 3])
>>> data_2D[0][1]
2
>>> data_2D[1:]
array([[4, 5, 6]])

Mehrdimensionale Arrays können auch umstrukturiert werden:

1
2
3
4
5
6
7
8

>>> data_2D.reshape([3, 2])
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> data.reshape([3, 1])
array([[1],
       [2],
       [3]])

Mit den Funktionen arange 🇬🇧 und linspace 🇬🇧 erhält man Daten, die zwischen einem Start- und einem Endpunkt gleichmäßig verteilt sind:

1
2
3
4
5
6
7

>>> line = np.arange(1, 10, 1)
>>> line
array([1, 2, 3, 4, 5, 6, 7, 8, 9])
>>> another_line = np.linspace(1, 10, 19)
>>> another_line
array([  1. ,   1.5,   2. ,   2.5,   3. ,   3.5,   4. ,   4.5,   5. ,
         5.5,   6. ,   6.5,   7. ,   7.5,   8. ,   8.5,   9. ,   9.5,  10. ])

Mit Arrays kann man normal Rechnen:

1
2
3
4
5

>>> data+data2
array([ 2.,  4.,  6.])
>>> data * data_2D
array([[ 1,  4,  9],
       [ 4, 10, 18]])

numpy.linalg 🇬🇧 stellt dabei noch eine Vielzahl von weiteren Rechenoperationen, auch für die Vektorrechnung, bereit.

In den letzten beiden Beispielen wird mit Hilfe von NumPy ein lineares Gleichungssystem gelöst:

3 * x0 + x1 = 9
x0 + 2 * x1 = 8

1
2
3
4

>>> a = np.array([[3, 1], [1, 2]])
>>> b = np.array([9, 8])
>>> np.linalg.solve(a, b)
array([ 2.,  3.])

Die Lösungen sind also 2 und 3.

4*x + 2*y + 2*z = 8
3*x - 4*y + 3*z = -2
1*x + 3*y + 2*z = 4

1
2
3
4

>>> a = np.array([[4, 2, 2], [3, -4, 3], [1, 3, 2]])
>>> b = np.array([8, -2, 4])
>>> np.linalg.solve(a, b)
array([ 1.75,  1.25, -0.75]

Hier sind die Lösungen 1,75, 1,25 und -0,75.

Problem und Lösung¶

sudo apt-get install build-essential python3-dev 

Links¶

• Projektseite 🇬🇧

  • Dokumentation 🇬🇧 zu NumPy, welche sehr umfangreich und detailliert ist

  • User Guide 🇬🇧 für NumPy

• deutschsprachige Übersetzung des NumPy Einsteiger Tutorials

• NumPy - Wikipedia

• Dask 🇬🇧 - Python-Modul, welche noch größere Datenmengen als NumPy parallel verarbeiten kann