[[Vorlage(Getestet, focal, jammy)]]

{{{#!vorlage Wissen
[:Pakete installieren: Installation von Programmen]
[:Terminal: Ein Terminal öffnen]
[:sudo: Root-Rechte]
}}}
[[Inhaltsverzeichnis(1)]]

[[Bild(numpy_logo.png, 72, align=left)]]
[https://numpy.org/ NumPy] {en} ist ein [:Python:]-Modul, welches in erster Linie für (wissenschaftliche) Berechnungen konzipiert ist. Eine Kernfunktionalität von NumPy ist die Datenstruktur "ndarray", welche (sehr) große Mengen an Daten speichereffizient verwalten kann. Außerdem stellt das Modul diverse Methoden und Klassen für Lineare Algebra, Zufallszahlen und die [wikipedia:Schnelle_Fourier-Transformation:Schnelle Fourier-Transformation] bereit.

Die Berechnungen selbst werden teilweise durch die in C und Fortran geschriebenen, hochgradig optimierten Bibliotheken [wikipedia:LAPACK:] und [wikipedia_en:Basic_Linear_Algebra_Subprograms:BLAS] vorgenommen, wodurch diese sehr schnell sind.

Andere Python-Programme, die größere Mengen an (wissenschaftlichen oder finanztechnischen) Daten nutzen, wie z.B. [http://scipy.org/scipylib/index.html SciPy] {en} oder [http://pandas.pydata.org/ Pandas] {en}, setzen auf NumPy auf.

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

{{{#!vorlage Paketinstallation
python3-numpy
}}}

== Manuell ==
NumPy ist zwar in den offiziellen Paketquellen enthalten, allerdings nicht unbedingt in der aktuellsten Version. Wer diese benötigt, der sollte NumPy manuell via [:pip:] installieren. NumPy unterstützt ab der Version 1.17 ausschließlich Python in der Version >= 3.5.

NumPy via pip installiert werden[2]:

{{{#!vorlage Befehl
pip3 install numpy
}}}

Wer NumPy systemweit installieren möchte, der muss diesen Befehl mit Root-Rechten[3].

=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:

{{{#!code pycon
>>> import numpy as np
}}}

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

{{{#!code pycon
>>> 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:

{{{#!code pycon
>>> 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:

{{{#!code pycon
>>> 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:

{{{#!code pycon
>>> data_2D.reshape([3, 2])
array([[1, 2],
       [3, 4],
       [5, 6]])
>>> data.reshape([3, 1])
array([[1],
       [2],
       [3]])
}}}

Mit den Funktionen [https://docs.scipy.org/doc/numpy/reference/generated/numpy.arange.html arange] {en} und [https://docs.scipy.org/doc/numpy/reference/generated/numpy.linspace.html linspace] {en} erhält man Daten, die zwischen einem Start- und einem Endpunkt gleichmäßig verteilt sind:

{{{#!code pycon
>>> 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:

{{{#!code pycon
>>> data+data2
array([ 2.,  4.,  6.])
>>> data * data_2D
array([[ 1,  4,  9],
       [ 4, 10, 18]])
}}}

[https://docs.scipy.org/doc/numpy/reference/routines.linalg.html numpy.linalg] {en} 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
}}}

{{{#!code pycon
>>> 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
}}}

{{{#!code pycon
>>> 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 =
== fehlende Bibliotheken bei der manuellen Installation ==
Erhält man bei der manuellen Installation via pip eine Fehlermeldung, dass Bibliotheken, Headerdateien oder der Compiler nicht gefunden werden, dann müssen diese nachinstalliert werden, um die in C und Fortran geschriebenen Routinen kompilieren zu können. Dazu müssen die beiden folgenden Pakete installiert sein:

{{{#!vorlage Paketinstallation
build-essential
python3-dev
}}}

=Links=
 * [https://numpy.org/ Projektseite] {en}
  * [https://numpy.org/doc/stable/reference/ Dokumentation] {en} zu NumPy, welche sehr umfangreich und detailliert ist
  * [https://numpy.org/doc/stable/user/ User Guide] {en} für NumPy
 * [github:noisefloor/depytu/blob/main/docs/numpy.md:deutschsprachige Übersetzung] des NumPy Einsteiger Tutorials
 * [wikipedia_en:NumPy:] - Wikipedia
 * [http://dask.pydata.org/en/latest/ Dask] {en} - Python-Modul, welche noch größere Datenmengen als NumPy parallel verarbeiten kann

#tag: Python, Bildung, Wissenschaft