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

<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) </sxh>

Tömb létrehozása különböző módokon <sxh python> 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) </sxh>

Szeletelés: start:end

<sxh python> arr = np.array([10, 20, 30, 40, 50]) print(arr[0]) print(arr[1:4]) </sxh>

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>

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>

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 5×5-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>