{"id":164347,"date":"2023-10-18T08:28:29","date_gmt":"2023-10-18T07:28:29","guid":{"rendered":"https:\/\/liora.io\/de\/?p=164347"},"modified":"2026-02-25T09:38:53","modified_gmt":"2026-02-25T08:38:53","slug":"numpy","status":"publish","type":"post","link":"https:\/\/liora.io\/de\/numpy","title":{"rendered":"NumPy: die meistgenutzte Python-Bibliothek f\u00fcr Data Science"},"content":{"rendered":"

NumPy ist eine Python-Bibliothek, die h\u00e4ufig f\u00fcr Data Science verwendet wird. Hier finden Sie alles, was Sie wissen m\u00fcssen, um diese Bibliothek zu beherrschen.<\/strong><\/p>\n

Data Science<\/strong><\/a> basiert auf hochkomplexen wissenschaftlichen Berechnungen. Um diese Berechnungen durchzuf\u00fchren, ben\u00f6tigen Data Scientists leistungsf\u00e4hige Werkzeuge<\/strong>. Die NumPy-Bibliothek f\u00fcr Python<\/a><\/strong> ist eines dieser wertvollen Hilfsmittel.<\/p>\n

Was ist NumPy?<\/h3>\n

NumPy ist die Abk\u00fcrzung f\u00fcr „Numerical Python“<\/b>. Es handelt sich um eine Open Source Bibliothek in der Programmiersprache Python. Es wird f\u00fcr die wissenschaftliche Programmierung in Python verwendet, insbesondere f\u00fcr die Programmierung in Data Science, Technik, Mathematik oder Wissenschaft.<\/p>\n

Diese Bibliothek ist sehr n\u00fctzlich, um mathematische <\/b>und statistische Operationen <\/b>in Python durchzuf\u00fchren.<\/b> Sie eignet sich hervorragend f\u00fcr die Multiplikation von Matrizen oder multidimensionalen Arrays. Die Integration mit C\/C++ und Fortran ist sehr einfach.<\/p>\n

?Auch interessant:<\/p>\n\n\n<\/colgroup>\n\n\n\n\n\n\n\n\n\n
Python f\u00fcr Dummies Teil 1<\/a><\/td>\n<\/tr>\n
Python programmieren lernen<\/a><\/td>\n<\/tr>\n
Data Cleaning Python<\/a><\/td>\n<\/tr>\n
PySpark – Alles wissenswerte<\/a><\/td>\n<\/tr>\n
Python – Vermeide diese Fehler<\/a><\/td>\n<\/tr>\n
API mit Python Datenbank verbinden<\/a><\/td>\n<\/tr>\n
Webhooks in Python<\/a><\/td>\n<\/tr>\n
Python f\u00fcr Fortgeschrittene<\/a><\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n

Wie funktioniert NumPy?<\/h3>\n

Diese Plattform umfasst multidimensionale Objekte in Arrays <\/b>und ein Paket mit Integrationswerkzeugen f\u00fcr die Python-Implementierung. Einfach ausgedr\u00fcckt ist NumPy eine Mischung aus C und Python, die als Alternative zur traditionellen MATLAB-Programmierung verwendet wird.<\/p>\n

Die Daten in Form von Zahlen werden als Arrays (Tabellen) f\u00fcr multidimensionale Funktionen <\/b>und Umordnungsoperationen verarbeitet. Dies ist ein h\u00e4ufig verwendetes Werkzeug im Bereich der Data Science.<\/p>\n

Unter den vielen Bibliotheken in Python ist Numpy eine der am h\u00e4ufigsten verwendeten. Viele Techniken der Data Science erfordern gro\u00dfe Tabellen und Matrizen <\/b>sowie komplexe Berechnungen, um wertvolle Informationen aus den Daten zu extrahieren. NumPy vereinfacht diesen Prozess durch eine Vielzahl von mathematischen Funktionen.<\/p>\n

Obwohl es sich um eine grundlegende Bibliothek handelt, <\/b>ist sie eine der wichtigsten Python-Bibliotheken <\/b>f\u00fcr wissenschaftliche Berechnungen. Dar\u00fcber hinaus sind andere Bibliotheken stark von NumPy Arrays abh\u00e4ngig, die sie als Input und Output (Eingabe und Ausgabe von Daten) verwenden. So lernen TensorFlow und Scikit, NumPy-Arrays zur Berechnung von Matrizenmultiplikationen zu verwenden.<\/p>\n

Dar\u00fcber hinaus bietet NumPy auch Funktionen, die es Entwicklern erm\u00f6glichen, grundlegende oder fortgeschrittene mathematische und statistische Funktionen <\/b>auf Arrays und multidimensionalen Matrizen mit wenigen Zeilen Code auszuf\u00fchren.<\/p>\n

Die Datenstruktur „ndarray“ <\/b>oder „n-dimensional array“ ist die Hauptfunktionalit\u00e4t von NumPy. Diese Arrays sind homogen und alle Elemente m\u00fcssen den gleichen Typ haben.<\/p>\n

Im Allgemeinen sind NumPy-Arrays schneller als Python-Listen<\/b>. Da jedoch in jeder Spalte nur Daten des gleichen Typs gespeichert werden k\u00f6nnen, sind die Python-Listen flexibler.<\/p>\n

Um NumPy zu verwenden, m\u00fcssen Sie zun\u00e4chst die Bibliothek importieren, die meist <\/b>unter dem Alias „np“ <\/b>verwendet wird, was die Verwendung erleichtert.<\/p>\n


\nMit NumPy beginnen
\n<\/a><\/p>\n

Hier siehst du ein Beispiel f\u00fcr eine Tabelle (arrays). Die eckigen Klammern dienen dazu, die Listen der Elemente in der Tabelle zu begrenzen, wie Sie hier sehen k\u00f6nnen, wo wir zuerst [0,1,2,3] haben, was unsere erste Dimension darstellt.<\/p>\n

Du kannst auch ein eigenes Array erstellen, indem du die Funktion np.array() <\/b>von Numpy verwendest.<\/p>\n

Ausgehend von der Liste L, <\/b>die wir erstellt haben, k\u00f6nnen wir sie in ein Numpy-Array <\/b>umwandeln. Denke daran, dass NumPy Arrays nur einen Datentyp gleichzeitig aufnehmen k\u00f6nnen, im Gegensatz zu Listen, die numerische Werte und Zeichen kombinieren k\u00f6nnen.<\/p>\n

Dieses Mal ist unser Array multidimensional<\/b>, d.h. es besteht aus mehreren kommagetrennten Listen. Wenn du das Attribut shape unserer Tabelle verwendest, sehen wir, dass wir eine 4\u00d74 Tabelle haben. Arrays sind vergleichbar mit Matrizen (2d), und ein eindimensionales Array ist vergleichbar mit einem Vektor (1d). Es ist auch m\u00f6glich, Listen von Matrizen (3d) zu erstellen, dieses Format wird insbesondere f\u00fcr die Bildverarbeitung verwendet, wobei die dritte Dimension die Farbe ist (RGB f\u00fcr Red, Green, Blue).<\/p>\n

Du kannst das Dot-Attribut von Numpy-Arrays verwenden, um eine Matrix-Multiplikation durchzuf\u00fchren. Der @-Operator ist jedoch der von Numpy empfohlene Weg, um eine Matrix-Multiplikation durchzuf\u00fchren, obwohl das Dot-Attribut das gleiche Ergebnis liefert.<\/p>\n

Im Allgemeinen sind NumPy-Arrays schneller als Python-Listen. Da jedoch in jeder Spalte nur Daten des gleichen Typs gespeichert werden k\u00f6nnen, sind die Python-Listen flexibler.<\/p>\n

Hier k\u00f6nnen wir sehen, dass numpy im Durchschnitt etwa 35 mal schneller ist als Python-Listen f\u00fcr Summenoperationen.<\/p>\n

Wozu dient Numpy?<\/h3>\n

Um NumPy zusammenzufassen, sind hier seine Hauptmerkmale aufgef\u00fchrt. Es handelt sich um eine Kombination aus C und Python, die auf homogenen, mehrdimensionalen Datentabellen beruht: Ndarrays (<\/b>ndimensional arrays).<\/p>\n

Wie bei MATLAB <\/b>ist der Basistyp ein mehrdimensionales Array, was die Rechengeschwindigkeit bei Matrizen beschleunigt. Obwohl es Unterschiede in der Syntax gibt, ist das Verhalten zwischen NumPy <\/b>und MATLAB <\/b>\u00e4hnlich. Mit Hilfe der anderen Python-Bibliotheken, einschlie\u00dflich Numpy, kann Numpy auch die anderen Python-Bibliotheken nutzen. Scikit-Learn<\/b><\/a> Numpy erm\u00f6glicht es Python, die bevorzugte Sprache f\u00fcr Data Science zu werden.<\/p>\n

NumPy ist eines der am h\u00e4ufigsten verwendeten Pakete f\u00fcr das wissenschaftliche Rechnen in Python. Es bietet ein mehrdimensionales Array-Objekt und Variationen wie Masken und Matrizen, die f\u00fcr verschiedene mathematische Operationen verwendet werden k\u00f6nnen.<\/p>\n

Dieses Werkzeug ist mit vielen anderen popul\u00e4ren Python-Paketen kompatibel, einschlie\u00dflich Pandas und Matplotlib. Seine Beliebtheit beruht auf der Tatsache, dass es dank des vorkompilierten und optimierten C-Codes schneller als herk\u00f6mmliche Python-Arrays ist.<\/p>\n

Au\u00dferdem sind Arrays und Operationen vektorisiert, was bedeutet, dass es kein explizites Looping oder Indexing im Code gibt. Dadurch ist der Code besser lesbar und \u00e4hnelt der mathematischen Standardnotation.<\/p>\n

Du kannst NumPy verwenden, um eine Identit\u00e4tsmatrix mit <\/b>Hilfe der Funktion NumPy Identity zu <\/b>erstellen. Mit diesem Werkzeug k\u00f6nnen Sie Arrays mit beliebigen Dimensionen erstellen.<\/p>\n

In einem NumPy Array ist die erste Achse die Achse 0. Es ist m\u00f6glich, Elemente in Arrays hinzuzuf\u00fcgen, um Vektoren und Matrizen zusammenzusetzen.<\/p>\n

Eine Vielzahl von Datentypen wird von den NumPy-Tabellen unterst\u00fctzt und alle Arten von numerischen Berechnungen k\u00f6nnen durchgef\u00fchrt werden.<\/p>\n

Au\u00dferdem ist es m\u00f6glich, ein NumPy-Array in eine Stringliste, eine Tupelliste oder eine Listenliste umzuwandeln. Umgekehrt k\u00f6nnen Listen in Array, Matrix, Ndarray, String oder CSV umgewandelt werden.<\/p>\n

Im Allgemeinen erm\u00f6glicht NumPy die einfache Durchf\u00fchrung vieler mathematischer Operationen, die im wissenschaftlichen Rechnen h\u00e4ufig verwendet werden, wie z.B. Vektor-Vektor-Multiplikation, Matrix-Matrix oder Matrix-Vektor-Multiplikation.<\/p>\n

Dieses Paket erm\u00f6glicht auch Operationen mit Vektoren und Matrizen wie Addition, Subtraktion, Multiplikation oder Division durch eine Zahl. Es k\u00f6nnen auch Vergleiche durchgef\u00fchrt werden, Funktionen auf Vektoren und Matrizen angewendet werden, sowie Reduktions- und Statistikoperationen.<\/p>\n

Was sind die Vorteile von NumPy?<\/h3>\n

NumPy ist sehr n\u00fctzlich, um logische und mathematische Berechnungen mit <\/b>Tabellen und Matrizen durchzuf\u00fchren.<\/b> Dieses Werkzeug f\u00fchrt diese Operationen viel schneller und effizienter durch als Python-Listen.<\/p>\n

NumPy Arrays haben einige Vorteile gegen\u00fcber herk\u00f6mmlichen Python-Listen. Zun\u00e4chst einmal ben\u00f6tigen <\/b>sie weniger Speicher <\/b>und weniger Speicherplatz, was der Hauptvorteil ist.<\/p>\n

Dar\u00fcber hinaus bietet NumPy eine bessere Leistung in Bezug auf die <\/b>Ausf\u00fchrungsgeschwindigkeit. Seine Verwendung ist jedoch einfacher und bequemer.<\/p>\n

Es handelt sich um ein Open-Source-Tool, das v\u00f6llig kostenlos genutzt <\/b>werden kann. Es basiert auf Python, einer \u00e4u\u00dferst popul\u00e4ren Programmiersprache mit vielen hochwertigen Bibliotheken f\u00fcr jede Aufgabe. Au\u00dferdem ist es sehr einfach, bestehenden C-Code mit dem Python-Interpreter zu verbinden.<\/p>\n

Welche Schulung f\u00fcr die Nutzung von Numpy?<\/h3>\n