Skip to main content

Arbeiten mit Numpy

Die vielleicht wichtigste Python Bibliothek im wissenschaftlichen Umfeld ist Numpy. Numpy definiert Datentypen die eine einfache Handhabung von mehrdimensionalen Arrays wie zum Beispiel Vektoren und Matrizen erlauben. Grundsätzlich könnten wir solche Objekte mit Listen von Listen (von Listen, ...) implementieren. Der Vorteil von Numpy gegenüber einer Implementation mit Python Listen ist einerseits die Effizienz, andererseits aber auch die Vielzahl von Operationen, die auf diesen Datentypen implementiert sind. Numpy kann vom Funktionsumfang und der Effizienz mit spezialisierter, kommerzieller Software wie Matlab verglichen werden.

Arbeiten mit Numpy​

Um einen Überblick über die Möglichkeiten von Numpy zu bekommen, beginnen Sie am besten mit dem Tutorial. Um von dem Tutorial am meisten zu profitieren, schauen Sie doch die Mini-Übungen unten auf der Seite vorher durch.

welches Teil der offiziellen Dokumentation von Numpy ist.

Sie finden in diesem Tutorial viele Codebeispiele. Statt diese nur zu lesen, empfehlen wir Ihnen diese gleich auszuprobieren. Öffnen Sie dazu am besten ein Jupyter-Notebook oder eine auf ihrem Computer installierte Python Umgebung, und kopieren Sie die Codebeispiele jeweils in Ihre Umgebung.

Mini-Übungen​

Probieren Sie doch, in einer Python-Umgebung Ihrer Wahl, folgendes aus. Wir werden diese Funktionalität dann auch in der kommenden Fallstudie verwenden:

  • Ausgabe der Grösse in jeder Dimension von einem Mehrdimensionalen Arrays.
  • Ändern der Dimensionen und Grössen von einem Mehrdimensionalen Array.
  • Erstellen einer mit 0 gefüllten Quadratischen Matrize.
  • Slicing von Matrizen um Teilbereiche zu extrahieren. Genauer, wir werden eine Scheibe aus einer 3-Dimensionalen Matrix schneiden.
  • Suchen Sie in der Dokumentation noch fill_diagonal und schauen Sie sich an, wie dies verwendet wird.