{"id":29176,"date":"2023-03-09T15:31:00","date_gmt":"2023-03-09T14:31:00","guid":{"rendered":"https:\/\/nearshore-it.eu\/artykuly\/numpy-wstep-do-biblioteki-python\/"},"modified":"2024-10-29T15:42:36","modified_gmt":"2024-10-29T14:42:36","slug":"numpy-wstep-do-biblioteki-python","status":"publish","type":"post","link":"https:\/\/nearshore-it.eu\/pl\/artykuly\/numpy-wstep-do-biblioteki-python\/","title":{"rendered":"NumPy \u2013 wst\u0119p do biblioteki w j\u0119zyku Python"},"content":{"rendered":"\n
\n

<\/p>\n

    \n
  1. 1. Czym w\u0142a\u015bciwie jest biblioteka Python?<\/a><\/li>\n
  2. 2. Do czego s\u0142u\u017cy pakiet NumPy?<\/a><\/li>\n
  3. 3. Instalacja NumPy<\/a><\/li>\n
  4. 4. Czym s\u0105 tablice w NumPy?<\/a><\/li>\n
  5. 5. R\u00f3\u017cnica mi\u0119dzy ndarray a array<\/a><\/li>\n
  6. 6. Funkcje wbudowane<\/a><\/li>\n
  7. 7. Por\u00f3wnanie czasu wykonania funkcji w NumPy i bez u\u017cycia tej biblioteki<\/a><\/li>\n
  8. 8. Zalety i wady korzystania z NumPy<\/a><\/li>\n
  9. 9. Podsumowanie – FAQ<\/a><\/li>\n <\/ol>\n<\/div>\n\n\n

    Czym w\u0142a\u015bciwie jest biblioteka Python?<\/h2>\n\n\n\n

    Je\u017celi od pewnego czasu programujesz w j\u0119zyku Python, na pewno korzystasz z r\u00f3\u017cnych bibliotek, kt\u00f3re wspieraj\u0105 implementacj\u0119 rozwi\u0105za\u0144 i zwi\u0119kszaj\u0105 wydajno\u015b\u0107 zar\u00f3wno twoj\u0105, jak i funkcjonalno\u015bci, nad kt\u00f3rymi pracujesz. Najpopularniejsze biblioteki w j\u0119zyku Python to m.in. Pandas, NumPy, TensorFlow czy SciPy.

    Biblioteka w j\u0119zyku Python to w du\u017cym uproszczeniu zbi\u00f3r funkcji i metod, kt\u00f3re stworzono w celu u\u0142atwienia implementacji rozwi\u0105za\u0144. Funkcje te mo\u017cna w \u0142atwy spos\u00f3b wykorzysta\u0107 w programie, nie trac\u0105c czasu na tworzenie wszystkiego od zera. To pewnego rodzaju modu\u0142y, kt\u00f3re zosta\u0142y stworzone w celu u\u0142atwienia pracy z problemami konkretnych obszar\u00f3w nauki czy biznesu.<\/p>\n\n\n\n

    Wiele bibliotek Python u\u017cywanych jest np. na potrzeby medycyny (MedPy<\/strong>), przemys\u0142u ci\u0119\u017ckiego, lotnictwa, bankowo\u015bci czy telekomunikacji i wojskowo\u015bci. Biblioteki mog\u0105 tak\u017ce wspiera\u0107 w\u0105skie specjalizacje obszaru IT, takie jak przetwarzanie i wizualizacja zbior\u00f3w danych (Pandas<\/strong>,<\/a> Matplotlib<\/a><\/strong>), sieci neuronowe (TensorFlow<\/strong>, PyTorch<\/strong>), a tak\u017ce obliczenia naukowe (SciPy<\/strong>).<\/p>\n\n\n\n

    Ka\u017cda biblioteka posiada dokumentacj\u0119, kt\u00f3ra obja\u015bnia mo\u017cliwo\u015bci wykorzystania zawartych w niej funkcji i metod. Dokumentacja zazwyczaj zawiera te\u017c fragmenty kodu, kt\u00f3re po niewielkim dostosowaniu mo\u017cna z powodzeniem u\u017cy\u0107 we w\u0142asnym projekcie.<\/p>\n\n\n\n

    Do czego s\u0142u\u017cy pakiet NumPy?<\/h2>\n\n\n\n

    Jak zapewne wiesz, analiza danych (ang. Data Science<\/strong>) staje si\u0119 z roku na rok coraz popularniejsza, a w momencie pisania tego artyku\u0142u jej wykorzystanie sta\u0142o si\u0119 w zasadzie powszechne w wielu obszarach biznesu. Obok r\u00f3\u017cnych proces\u00f3w dotycz\u0105cych przygotowania danych czy wizualizacji efekt\u00f3w stoj\u0105 metody obliczeniowe, kt\u00f3re wspomagaj\u0105 uzyskanie realnej warto\u015bci z zebranych danych. W tym artykule skupiam si\u0119 na danych numerycznych.<\/p>\n\n\n\n

    J\u0119zyki programowania, do kt\u00f3rych nale\u017cy Python, wspomagaj\u0105 naukowc\u00f3w, analityk\u00f3w i programist\u00f3w w implementacji rozwi\u0105za\u0144 i osi\u0105ganiu rezultat\u00f3w, kt\u00f3re z powodzeniem mog\u0105 zosta\u0107 u\u017cyte w procesach decyzyjnych wy\u017cszego szczebla i mie\u0107 realny wp\u0142yw na otaczaj\u0105cy nas \u015bwiat. W przypadku wspomnianych metod obliczeniowych jedn\u0105 z najpopularniejszych bibliotek jest w\u0142a\u015bnie NumPy (Numeric Python<\/strong>). Jak nazwa wskazuje, skupia si\u0119 ona g\u0142\u00f3wnie na wsparciu pracy z danymi numerycznymi i umo\u017cliwia efektywne i wydajne dokonywanie operacji na macierzach, tablicach czy wektorach, kt\u00f3re zawieraj\u0105 elementy tego samego typu. Po wprowadzeniu teoretycznym skupimy si\u0119 bardziej na cz\u0119\u015bci praktycznej i bazuj\u0105c na prostych przyk\u0142adach, zapoznasz si\u0119 z mo\u017cliwo\u015bciami biblioteki NumPy. Zanim to jednak zrobimy, upewnij si\u0119, \u017ce biblioteka NumPy jest u ciebie zainstalowana.<\/p>\n\n\n\n

    Instalacja NumPy<\/h2>\n\n\n\n

    Instalacja NumPy zosta\u0142a szczeg\u00f3\u0142owo wyja\u015bniona w cz\u0119\u015bci FAQ.<\/a> Je\u017celi biblioteka NumPy jest ju\u017c zainstalowana, mo\u017cesz przej\u015b\u0107 do kolejnej cz\u0119\u015bci.<\/p>\n\n\n\n

    Niewa\u017cne, czy korzystasz z linii polece\u0144, IDE (np. PyCharm<\/strong>) czy notebooka (np. Jupyter<\/strong>). Jedyne, co musisz zrobi\u0107, \u017ceby m\u00f3c korzysta\u0107 z NumPy, to napisa\u0107 linijk\u0119 kodu odpowiedzialnego za import biblioteki.<\/p>\n\n\n\n

    import numpy as np<\/pre>\n\n\n\n
    Od teraz mo\u017cesz korzysta\u0107 ze wszystkich mo\u017cliwo\u015bci, jakich dostarcza NumPy. Zach\u0119cam ci\u0119 do samodzielnego uruchomienia fragment\u00f3w kodu, kt\u00f3re zawarte s\u0105 w tym artykule, i modyfikacji wed\u0142ug uznania, \u017ceby lepiej zrozumie\u0107 zasady dzia\u0142ania i mo\u017cliwo\u015bci omawianej biblioteki.<\/p>\n\n\n\n
    Skupmy si\u0119 najpierw na rzeczach prostych, jakimi s\u0105 np. podstawowe operacje arytmetyczno-logiczne. Do tego niezb\u0119dne jest zrozumienie kluczowej struktury, kt\u00f3r\u0105 wprowadzono w NumPy, czyli tablicy<\/strong>.<\/p>\n\n\n\n
    Teraz pewnie zastanawiasz si\u0119, dlaczego w og\u00f3le masz korzysta\u0107 z dodatkowej biblioteki, je\u017celi wszystkie funkcjonalno\u015bci mo\u017cesz napisa\u0107 z u\u017cyciem podstawowych rozwi\u0105za\u0144 w j\u0119zyku Python, jakimi s\u0105 p\u0119tle <\/strong>(ang. loop) czy listy <\/strong>(ang. list). W profesjonalnym podej\u015bciu i pracy na ogromnych zbiorach danych (nie tylko numerycznych) cz\u0119sto wa\u017cnym aspektem jest czas. I w tym tkwi w\u0142a\u015bnie przewaga NumPy, czyli w szybko\u015bci dzia\u0142ania<\/strong>, kt\u00f3ra dodatkowo idzie w parze z niskim progiem <\/strong>wej\u015bcia dla u\u017cytkownika. W dalszej cz\u0119\u015bci artyku\u0142u przedstawi\u0119 kilka przyk\u0142ad\u00f3w, kt\u00f3re wprowadz\u0105 ci\u0119 w podstawy NumPy. Wykorzystane funkcje poprawiaj\u0105 wydajno\u015b\u0107 w obliczeniach. A mo\u017cna to osi\u0105gn\u0105\u0107 mi\u0119dzy innymi poprzez operacje na wspomnianych wcze\u015bniej tablicach.<\/p>\n\n\n\n
    Czym s\u0105 tablice w NumPy?<\/h2>\n\n\n\n
    Tablica <\/strong>(ang. array<\/a>) w NumPy to struktura o jednym wymiarze lub wi\u0119kszej liczbie wymiar\u00f3w pozwalaj\u0105ca na dzia\u0142ania ze zbiorami danych numerycznych, zaczynaj\u0105c od kilkuelementowych po ogromne zbiory przechowywane np. w chmurze. Pami\u0119tajmy, \u017ce nie tylko wymiary charakteryzuj\u0105 tablic\u0119 \u2013 istnieje te\u017c kilka innych, r\u00f3wnie wa\u017cnych cech.<\/p>\n\n\n\n