Python lernen: NumPy-Arrays (Tableaux)

Python-Listen sind flexibel, aber beim Rechnen langsam — jede Schleife läuft in Python selbst ab. NumPy-Arrays rechnen dagegen in kompiliertem C-Tempo: Eine Operation gilt auf einmal für das ganze Array („Vektorisierung“). Wer später Datenanalyse oder Machine Learning anfasst, kommt an NumPy nicht vorbei — Pandas und scikit-learn bauen direkt darauf auf.

Installieren und erschaffen

# Installation: pip install numpy
import numpy as np

werte = np.array([2, 5, 8])
reihe = np.arange(1, 6)        # [1 2 3 4 5] — wie range
leer = np.zeros(3)             # [0. 0. 0.]
print(werte, reihe, leer)

Rechnen ohne Schleife

werte = np.array([2, 5, 8])

print(werte * 2)                    # [ 4 10 16]
print(werte + np.array([1, 1, 1]))  # [ 3  6  9]
print(werte ** 2)                   # [ 4 25 64]

Der ganze Reichtum liegt darin, was hier nicht passiert: keine Schleife, kein einzelnes Element. Der gleiche Ausdruck funktioniert identisch bei einer Million Werten.

Statistik auf Knopfdruck

werte = np.array([4, 1, 7, 3])

print(werte.mean())   # 3.75  Durchschnitt
print(werte.max())    # 7
print(werte.min())    # 1
print(werte.sum())    # 15
print(werte.std())    # Standardabweichung

Filtern mit Masken

Ein Vergleich auf einem Array liefert ein Wahrheits-Array — und damit kannst du filtern, ohne Schleife:

werte = np.array([2, 9, 4, 11, 6])
maske = werte > 5
print(maske)         # [False  True False  True  True]
print(werte[maske])  # [ 9 11  6]
print(werte[werte > werte.mean()])  # über dem Durchschnitt

Tabellen: 2D-Arrays

Ein „Tableau“ ist im Französischen eine Tabelle — in NumPy einfach ein Array mit zwei Dimensionen:

tabelle = np.arange(1, 13).reshape(3, 4)

print(tabelle)
print(tabelle.shape)      # (3, 4) — 3 Zeilen, 4 Spalten
print(tabelle[:, 0])      # erste Spalte: [ 1  5  9]
print(tabelle.sum(axis=0))  # Spaltensummen: [15 18 21 24]
print(tabelle.sum(axis=1))  # Zeilensummen:  [10 26 42]

So übst du das

• Wochenwetter: Sieben Temperaturen als Array — Durchschnitt, Maximum, Tage über 20 Grad (Maske!).
• Liste gegen NumPy: Quadriere 1 bis 1.000.000 einmal mit Schleife, einmal mit arr ** 2 — und messe die Zeit.
• Notenstatistik: Mittelwert, Bestwert, wie viele Noten besser als der Schnitt.
• Kalender-Tabellchen: 1–12 als 3×4-Tabelle und Zeilen- und Spaltensummen.

Übungen

Übung 1 — Celsius nach Fahrenheit — auf einen Schlag

Rechne das Array [0, 10, 20, 30] Celsius mit c * 9/5 + 32 nach Fahrenheit um.

import numpy as np

c = np.array([0, 10, 20, 30])
print(c * 9 / 5 + 32)   # [32. 50. 68. 88.]

Übung 2 — Die Überdurchschnittlichen

Filtere aus einem Array alle Werte heraus, die über dem Durchschnitt liegen — in zwei Zeilen.

werte = np.array([3, 9, 1, 7, 5])
print(werte[werte > werte.mean()])   # [9 7]

Übung 3 — Kalender-Tabelle

Forme np.arange(1, 13) in eine 3×4-Tabelle und berechne die Summen pro Zeile und pro Spalte.

t = np.arange(1, 13).reshape(3, 4)
print(t.sum(axis=1))   # Zeilensummen: [10 26 42]
print(t.sum(axis=0))   # Spaltensummen: [15 18 21 24]

Übung 4 — Der beste Tag

Finde in einem Array den höchsten Wert und seine Position (np.max, np.argmax).

umsatz = np.array([120, 340, 280, 510])
print(umsatz.max(), np.argmax(umsatz))   # 510 3

Quiz — Teste dich

Erst überlegen, dann aufklappen — so trainiert es am meisten!

1. Was unterscheidet [1, 2, 3] * 2 (Liste) von np.array([1, 2, 3]) * 2?
2. Was liefert np.arange(0, 10, 3)?
3. np.zeros((3, 4)).shape?
4. Was liefert a[a > 5]?
5. Ist a.mean() == a.sum() / len(a) immer wahr?

↩ Vorheriger Teil: Klassen

Weiter geht's mit dem nächsten Teil: Übliche Bibliotheken