Differences

This shows you the differences between two versions of the page.

--- tanszek:oktatas:muszaki_informatika:numpy_cheatsheet [2026/02/27 07:16] – created szabom
+++ tanszek:oktatas:muszaki_informatika:numpy_cheatsheet [2026/02/27 07:28] (current) – [Gyakorló feladatok] szabom
@@ Line 128: / Line 128: @@
 loadtxt, savetxt
 </code>
+----
+==== Gyakorló feladatok ====
+**I. Tömb létrehozás: Alap generálás**
+  - Hozz létre egy 0–99 közötti egész számokat tartalmazó tömböt np.arange() segítségével.
+  - Hozz létre 50 darab egyenletesen elosztott számot 0 és 1 között np.linspace()-szel.
+  - Készíts egy 4x4-es nullmátrixot.
+  - Készíts egy 3x5-ös, 7-esekkel feltöltött mátrixot.
+<sxh python>
+import numpy as np
+# 1
+a = np.arange(100)
+# 2
+b = np.linspace(0, 1, 50)
+# 3
+c = np.zeros((4, 4))
+# 4
+d = np.full((3, 5), 7)
+print(a, b, c, d)
+</sxh>
+**II. Tömb tulajdonságok és átalakítás: Shape és reshape**
+  - Generálj egy 1D tömböt 0–23-ig.
+  - Alakítsd át 4x6-os mátrixszá.
+  - Transzponáld.
+  - Lapítsd vissza 1D-be flatten() és ravel() segítségével.
+  - Ellenőrizd shape, ndim, size, dtype.
+<sxh python>
+arr = np.arange(24)
+matrix = arr.reshape(4, 6)
+transposed = matrix.T
+flat1 = matrix.flatten()
+flat2 = matrix.ravel()
+print(matrix.shape)
+print(matrix.ndim)
+print(matrix.size)
+print(matrix.dtype)
+</sxh>
+**III. Vektorizált matematikai műveletek: Elemankénti műveletek**
+Hozz létre két 10 elemű tömböt.
+  - Számold ki:
+     - összegüket
+     - különbségüket
+     - szorzatukat
+     - hányadosukat
+  - Emeld az egyik tömb elemeit négyzetre.
+  - Számold ki a négyzetgyöküket.
+  - Alkalmazz logaritmust és exponenciális függvényt.
+<sxh python>
+a = np.arange(1, 11)
+b = np.arange(11, 21)
+osszeg = a + b
+kulonbseg = a - b
+szorzat = a * b
+hanyados = a / b
+negyzet = a ** 2
+gyok = np.sqrt(a)
+log = np.log(a)
+exp = np.exp(a)
+print(osszeg, kulonbseg, szorzat, hanyados)
+</sxh>
+**IV. Aggregáló függvények: Statisztikai elemzés**
+  - Generálj 1000 normál eloszlású számot.
+  - Számold ki:
+     - átlag
+     - medián
+     - szórás
+     - variancia
+     - minimum
+     - maximum
+  - Add meg a legnagyobb elem indexét.
+  - Számold ki az első 100 elem összegét.
+<sxh python>
+data = np.random.randn(1000)
+print("Átlag:", np.mean(data))
+print("Medián:", np.median(data))
+print("Szórás:", np.std(data))
+print("Variancia:", np.var(data))
+print("Min:", np.min(data))
+print("Max:", np.max(data))
+print("Max index:", np.argmax(data))
+print("Első 100 elem összege:", np.sum(data[:100]))
+</sxh>
+**V. Mátrixműveletek: Lineáris algebra**
+  - Generálj két 3x3-as mátrixot.
+  - Szorozd össze őket:
+     - np.dot()
+     - @ operátorral
+  - Számold ki az egyik determinánsát.
+  - Számold ki az inverzét.
+  - Oldj meg egy Ax = b lineáris egyenletrendszert.
+<sxh python>
+A = np.random.randint(1, 10, (3, 3))
+B = np.random.randint(1, 10, (3, 3))
+dot1 = np.dot(A, B)
+dot2 = A @ B
+det = np.linalg.det(A)
+# Inverz csak ha invertálható
+if det != 0:
+    inv = np.linalg.inv(A)
+b = np.array([1, 2, 3])
+if det != 0:
+    x = np.linalg.solve(A, b)
+print(dot1, det)
+</sxh>
+**VI. Boolean indexelés és szűrés: Feltételes műveletek**
+  - Generálj 100 elemből álló véletlen tömböt.
+  - Szűrd ki az 50-nél nagyobb elemeket.
+  - Cseréld az 50 alatti elemeket nullára np.where() segítségével.
+  - Számold meg, hány elem nagyobb 75-nél.
+  - Használd np.clip()-et az értékek 10–90 közé szorítására.
+<sxh python>
+arr = np.random.randint(0, 100, 100)
+nagyobb_50 = arr[arr > 50]
+uj = np.where(arr < 50, 0, arr)
+db_75 = np.sum(arr > 75)
+clipped = np.clip(arr, 10, 90)
+print(nagyobb_50, db_75)
+</sxh>
+**VII. Összefűzés és darabolás: Tömbmanipuláció**
+  - Hozz létre két 2x3-as mátrixot.
+  - Fűzd össze:
+     - függőlegesen (vstack)
+     - vízszintesen (hstack)
+     - Használd concatenate()-et.
+  - Oszd fel a mátrixot 3 részre split() segítségével.
+<sxh python>
+A = np.random.randint(1, 10, (2, 3))
+B = np.random.randint(1, 10, (2, 3))
+v = np.vstack((A, B))
+h = np.hstack((A, B))
+c = np.concatenate((A, B), axis=0)
+split = np.split(v, 2)
+print(v, h)
+</sxh>
+**VIII. Rendezés és keresés: Rendezési feladatok**
+  - Generálj 20 véletlen számot.
+  - Rendezd növekvő sorrendbe.
+  - Add meg a rendezési indexeket (argsort).
+  - Találd meg az egyedi elemeket (unique).
+  - Számold ki a 90. percentilist.
+<sxh python>
+arr = np.random.randint(0, 50, 20)
+sorted_arr = np.sort(arr)
+indices = np.argsort(arr)
+unique_vals = np.unique(arr)
+p90 = np.percentile(arr, 90)
+print(sorted_arr, indices, unique_vals, p90)
+</sxh>
+**IX. Haladó – Idősor feldolgozás:mMozgóátlag és kumuláció**
+  - Generálj 365 napi adatot.
+  - Számold ki:
+     - kumulatív összeget (cumsum)
+     - kumulatív szorzatot (cumprod)
+  - Számolj 7 napos mozgóátlagot np.convolve() segítségével.
+  - Határozd meg azokat a napokat, ahol az érték nagyobb az éves átlagnál.
+<sxh python>
+data = np.random.randn(365)
+cumsum = np.cumsum(data)
+cumprod = np.cumprod(data)
+kernel = np.ones(7) / 7
+moving_avg = np.convolve(data, kernel, mode="valid")
+atlag = np.mean(data)
+nagyobb = data[data > atlag]
+print(cumsum[:5], moving_avg[:5])
+</sxh>
+**X. NumPy fájlkezelés: Fájlműveletek**
+  - Ments el egy tömböt .txt formátumban (savetxt).
+  - Olvasd vissza (loadtxt).
+  - Mentsd el .npy formátumban.
+  - Töltsd vissza.
+  - Ellenőrizd, hogy a két tömb megegyezik-e (np.array_equal).
+<sxh python>
+arr = np.random.randint(1, 100, (5, 5))
+np.savetxt("adat.txt", arr)
+loaded_txt = np.loadtxt("adat.txt")
+np.save("adat.npy", arr)
+loaded_npy = np.load("adat.npy")
+print(np.array_equal(arr, loaded_txt))
+print(np.array_equal(arr, loaded_npy))
+</sxh>
+**XI. Broadcasting gyakorlás: Méretillesztés**
+  - Adj hozzá egy 1D tömböt egy 2D mátrix minden sorához.
+  - Normalizálj soronként.
+  - Vond ki minden oszlopból az oszlopátlagot.
+  - Szorozd meg az egész mátrixot egy skalárral.
+  - Ellenőrizd np.all() és np.any() használatával bizonyos feltételeket.
+<sxh python>
+matrix = np.random.randint(1, 10, (4, 3))
+vector = np.array([1, 2, 3])
+# Soronkénti hozzáadás
+result = matrix + vector
+# Soronkénti normalizálás
+row_mean = np.mean(matrix, axis=1, keepdims=True)
+norm = matrix - row_mean
+# Oszlopátlag kivonása
+col_mean = np.mean(matrix, axis=0)
+centered = matrix - col_mean
+# Skalárszorzás
+scaled = matrix * 10
+print(np.all(matrix > 0))
+print(np.any(matrix > 8))
+</sxh>