====== NumPy I – tömbök (array), lista vs. NumPy array, vektorizált műveletek ======

==== Mi az a NumPy? ====

NumPy = numerikus számításokra optimalizált Python könyvtár.

Telepítés: <code>pip install numpy</code>

Importálás: <code>import numpy as np</code>

Miért nem elég a lista?
  * Lassabb nagy adatmennyiségnél
  * Nincs valódi vektorművelet
  * Matematikai műveletek körülményesek

----
==== Lista vs. NumPy array ====

<sxh python>
import numpy as np

#lista
szamok = [1, 2, 3, 4]
print(szamok * 2)
#Ez nem elemenkénti szorzás!

#NumPy array
arr = np.array([1, 2, 3, 4])
print(arr * 2)
#Ez elemenként szoroz.
</sxh>

**Feladat:** 
  * Hozz létre egy listát: [10, 20, 30, 40]
  * Alakítsd NumPy array-jé
  * Szorozd meg 3-mal

<sxh python>
import numpy as np

lista = [10, 20, 30, 40]
arr = np.array(lista)

print(arr * 3)
35–55 perc – Tömb létrehozása különböző módokon
Példák
np.zeros(5) #csak nullák
np.ones(5) #csak egyesek
np.arange(0, 10, 2) #mint range, de array
np.linspace(0, 1, 5) #intervallum felosztása
</sxh>

**Feladat:** Hozz létre egy array-t 0-tól 20-ig 5-ös lépéssel. Hozz létre 6 darab 1-est tartalmazó tömböt.
<sxh python>
import numpy as np

arr1 = np.arange(0, 21, 5)
arr2 = np.ones(6)

print(arr1)
print(arr2)
55–65 perc – Szünet
65–85 perc – Indexelés és szeletelés
Példa
arr = np.array([10, 20, 30, 40, 50])

print(arr[0])
print(arr[1:4])
</sxh>

**Szeletelés: start:end**

**Feladat:** Hozz létre egy 0–9-ig terjedő array-t. Írd ki az első 5 elemet. Írd ki az utolsó 3 elemet

<sxh python>
import numpy as np

arr = np.arange(10)

print(arr[:5])
print(arr[-3:])
</sxh>

----
==== Vektorizált műveletek ====

NumPy műveletek elemenként történnek.
<sxh python>
arr = np.array([1, 2, 3, 4])
print(arr + 5)
print(arr ** 2)
print(arr.mean())
</sxh>

Fontos:
  * Nincs szükség for ciklusra
  * Gyorsabb és tisztább kód

Feladat: Hozz létre egy array-t 1–5-ig. Számold ki a négyzetüket. Számold ki az átlagukat

<sxh python>
import numpy as np

arr = np.arange(1, 6)

negyzet = arr ** 2
atlag = arr.mean()

print("Négyzetek:", negyzet)
print("Átlag:", atlag)
</sxh>

----
==== Összefoglaló feladatok ====

1. Feladat: Az adat.txt fájl számokat tartalmaz. Írj programot, ami:
  * Beolvassa a számokat NumPy array-be
  * Kiszámolja az átlagot és szórást
  * Kiírja az eredményeket

<sxh python>
import numpy as np

adat = np.loadtxt("adat.txt")

print("Átlag:", np.mean(adat))
print("Szórás:", np.std(adat))
</sxh>

2. Feladat – Lista vs NumPy teljesítmény és műveletek

Hozz létre 1 millió elemű számlistát:
  * sima Python listával
  * NumPy tömbbel
  * Szorozd meg minden elemét 2-vel:
  * listán ciklussal
  * NumPy array-n vektorizáltan
  * Mérd az időt.
  * Hasonlítsd össze az eredményeket.

<sxh python>
import numpy as np
import time

# Lista
lista = list(range(1_000_000))

start = time.time()
uj_lista = []
for x in lista:
    uj_lista.append(x * 2)
print("Lista idő:", time.time() - start)

# NumPy
array = np.arange(1_000_000)

start = time.time()
uj_array = array * 2
print("NumPy idő:", time.time() - start)
</sxh>

3. Feladat – Fájlbeolvasás és statisztikai elemzés

Adott egy adatok.txt fájl, amely soronként számokat tartalmaz.

  * Olvasd be listába.
  * Alakítsd NumPy tömbbé.
  * Számold ki:
     * átlag
     * szórás
     * minimum
     * maximum
  * Szűrd ki a 10 feletti értékeket (vektorizáltan).

<sxh python>
import numpy as np

def beolvasas(fajlnev):
    lista = []
    try:
        with open(fajlnev, "r") as f:
            for sor in f:
                lista.append(float(sor.strip()))
    except FileNotFoundError:
        print("A fájl nem található!")
    return lista

lista = beolvasas("adatok.txt")
array = np.array(lista)

print("Átlag:", np.mean(array))
print("Szórás:", np.std(array))
print("Minimum:", np.min(array))
print("Maximum:", np.max(array))

szurt = array[array > 10]
print("10 felettiek:", szurt)
</sxh>

4. Feladat – Mátrixműveletek és vektorizált számítás

  * Generálj egy 5x5-ös véletlen mátrixot.
  * Számold ki:
     * soronkénti összeget
     * oszloponkénti átlagot
     * Normalizáld a mátrixot (0–1 közé skálázás).
     * Ne használj ciklust, csak NumPy műveleteket.

<sxh python>
import numpy as np

matrix = np.random.randint(1, 100, (5, 5))

print("Mátrix:\n", matrix)

# Sorösszeg
sor_osszeg = np.sum(matrix, axis=1)
print("Sorösszegek:", sor_osszeg)

# Oszlopátlag
oszlop_atlag = np.mean(matrix, axis=0)
print("Oszlopátlag:", oszlop_atlag)

# Normalizálás
min_val = np.min(matrix)
max_val = np.max(matrix)

normalizalt = (matrix - min_val) / (max_val - min_val)
print("Normalizált mátrix:\n", normalizalt)
</sxh>

5. Feladat – Két dimenziós adatfeldolgozás (vizsgaeredmények)

  * Egy 2D NumPy tömb sorai diákok, oszlopai tantárgyak pontszámai.
  * Számold ki minden diák átlagát.
  * Számold ki a tantárgyankénti átlagot.
  * Szűrd ki azokat a diákokat, akiknek az átlaga 60 alatt van.
  * Hasonlítsd össze listás és NumPy megoldással.

<sxh python>
import numpy as np

pontok = np.array([
    [70, 80, 90],
    [50, 40, 60],
    [90, 95, 100],
    [30, 50, 45]
])

# Diák átlag
diak_atlag = np.mean(pontok, axis=1)
print("Diák átlagok:", diak_atlag)

# Tantárgy átlag
tantargy_atlag = np.mean(pontok, axis=0)
print("Tantárgy átlagok:", tantargy_atlag)

# Bukottak
bukott_index = np.where(diak_atlag < 60)
print("Bukott diák indexek:", bukott_index)
</sxh>

6. Feladat – Idősoros adatelemzés (komplex)

  * Generálj 365 napos hőmérsékleti adatot.
  * Számold ki:
     * éves átlag
     * legmelegebb 10 nap
     * hány nap volt 30°C felett
     * Mozgóátlag (7 napos).
  * Oldd meg ciklus nélkül, vektorizáltan.

<sxh python>
import numpy as np

# Generált adatok
homerseklet = np.random.normal(20, 10, 365)

# Éves átlag
print("Éves átlag:", np.mean(homerseklet))

# Legmelegebb 10 nap
legmelegebb = np.sort(homerseklet)[-10:]
print("Top 10 meleg nap:", legmelegebb)

# 30 fok feletti napok
print("30 fok feletti napok száma:", np.sum(homerseklet > 30))

# 7 napos mozgóátlag
kernel = np.ones(7) / 7
mozgo_atlag = np.convolve(homerseklet, kernel, mode='valid')

print("Mozgóátlag első 10 értéke:", mozgo_atlag[:10])
</sxh>