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

NumPy = numerikus számításokra optimalizált Python könyvtár.

Telepítés:

pip install numpy

Importálás:

import numpy as np

Miért nem elég a lista?

• Lassabb nagy adatmennyiségnél
• Nincs valódi vektorművelet
• Matematikai műveletek körülményesek

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.

Feladat:

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

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

Feladat: Hozz létre egy array-t 0-tól 20-ig 5-ös lépéssel. Hozz létre 6 darab 1-est tartalmazó tömböt.

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])

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

import numpy as np

arr = np.arange(10)

print(arr[:5])
print(arr[-3:])

NumPy műveletek elemenként történnek.

arr = np.array([1, 2, 3, 4])
print(arr + 5)
print(arr ** 2)
print(arr.mean())

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

import numpy as np

arr = np.arange(1, 6)

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

print("Négyzetek:", negyzet)
print("Átlag:", atlag)

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

import numpy as np

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

print("Átlag:", np.mean(adat))
print("Szórás:", np.std(adat))

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.

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)

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).

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)

4. Feladat – Mátrixműveletek és vektorizált számítás

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

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)

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.

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)

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.

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])