Datenverarbeitung mit NumPy#

Nach diesem Kurs können Analysten, Wissenschaftler und Ingenieure, die Berechnungen mit numerischen Daten durchführen möchten, eigene Programme zur Datenverarbeitung mit Numpy schreiben und optimieren.

NumPy-Logo
Heatmap
Nistogramm

Voraussetzungen#

Grundkenntnisse in Python

Zielgruppe#

Analysten, Wissenschaftler und Ingenieure, die Berechnungen mit numerischen Daten durchführen möchten.

Kursbeschreibung#

NumPy ist die beliebteste Python-Bibliothek zur Verarbeitung numerischer Daten. Sie kombiniert die Benutzerfreundlichkeit von Python mit der Geschwindigkeit einer reinen C-Implementierung. Mit NumPy lassen sich Berechnungen mit großen Datenreihen und Matrizen in wenigen Zeilen Code implementieren. NumPy eignet sich daher hervorragend zur Laufzeitoptimierung von Python-Programmen. Der Kurs gibt eine anschauliche Einführung in die wesentlichen Features von NumPy mit vielen praktischen Beispielen. Als logische Fortsetzung der Grundfunktionalität werden die Möglichkeiten des Pakets Scipy vorgestellt, das zahlreiche mathematische Verfahren zur Anwendung auf NumPy-Datenstrukturen enthält.

Kursdauer#

2 Tage

Agenda#

Tag 1

Tag 2

Einführung in NumPy

Broadcasting

Funktionen / ufuncs

Optimierung mit NumPy

Indizierung

Die Bibliothek Scipy

Typische Anwendungen

weitere Bibliotheken

Einführung in NumPy#

  • Überblick über den Funktionsumfang von NumPy

  • arrays

  • dtypes

  • reshape

  • Erstellen von arrays

  • Laden/Speichern von Daten

Indizierung#

  • Indizierung von arrays

  • Views

  • fancy indexing

  • Sortieren

  • Mengenlogik

Funktionen#

  • Eingebaute Funktionen

  • ufuncs

  • Matrizenoperationen

  • Rotation von Koordinaten

Optimierung#

  • Eliminieren von Python-Schleifen mit NumPy

  • Spärlich besetzte Matrizen

  • Engpässe mit cProfile finden

Typische Anwendungen#

  • Empfehlungssysteme

  • Eigenvektoren

  • Der PageRank Algorithmus

  • ein neuronales Netzwerk in NumPy implementieren

Broadcasting#

  • Broadcasting

  • Stacking

  • Raveling

Die Bibliothek Scipy#

  • Nullstellen von Funktionen finden

  • Anpassen von Polynomialfunktionen

  • Fourier Transformation

  • Datenvisualisierung

Weitere Bibliotheken#

  • pandas

  • Statistiken mit statsmodel

  • maschinelles Lernen mit scikit-learn

  • Lösen linearer Gleichungssysteme mit Pulp und Gurobi

  • Spark

  • Dask