askformore@bittnet.ro
Clase Programate

Invatare rapida NumPy pentru incepatori prin proiecte practice

NumPy este biblioteca fundamentala pentru calculul numeric in limbajul Python si reprezinta baza majoritatii instrumentelor si cadrelor folosite pentru analiza de date si inteligenta artificiala. Cu o multime de functii puternice pentru procesarea, manipularea si analizarea datelor sub forma de matrice si vectori, NumPy este o alegere naturala pentru orice proiect care implica prelucrarea numerica. Totusi, pentru incepatori, NumPy poate parea coplesitoare la inceput. In acest articol, vei invata pas cu pas cum poti folosi NumPy pentru incepatori rapid printr-o abordare practica, bazata pe proiecte reale de analiza a datelor.

De ce sa alegi NumPy?

NumPy (Numerical Python) este diferit fata de listele native din Python prin faptul ca:

  • Ofera viteza ridicata in procesarea datelor multumita structurilor interne optimizate.
  • Permite operatii avansate pe matrici si vectori (calcul element-wise, algebra liniara, statistici etc.).
  • Are un consum redus de memorie datorita implementarii eficiente.

Cum instalezi si incepi cu NumPy

Instalare

Deschide terminalul si tasteaza urmatoarea comanda pentru a instala NumPy:

pip install numpy

Importa biblioteca in scriptul tau Python:

import numpy as np

Fundamentele NumPy: Array-urile

Array-urile sunt structuri de date principala in NumPy, asemanatoare listelor din Python, dar cu functionalitati avansate.

Crearea unui array

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

Tipuri de array-uri in NumPy

  • Array unidimensional: vector (np.array([1,2,3]))
  • Array bidimensional: matrice (np.array([[1,2], [3,4]]))
  • Array multidimensional: tensori, utili in proiecte AI

Proprietatile unui array

print("Forma:", arr.shape)
print("Tip date:", arr.dtype)
print("Numar de elemente:", arr.size)

Practica: Prelucrarea de date cu NumPy

Proiect 1: Statistici rapide pe un set de date

Imagineaza-ti ca ai o lista cu rezultatele testelor unor elevi:

note = np.array([7, 8.5, 6, 9, 7.5, 10, 5, 8])

Calculeaza rapid media, maximul si minimul:

media = np.mean(note)
maxim = np.max(note)
minim = np.min(note)
print("Media:", media)
print("Maxim:", maxim)
print("Minim:", minim)

Avantaj: Nu mai ai nevoie de bucle for sau de functii suplimentare!

Proiect 2: Normalizarea datelor

Pentru a compara in mod corect scorurile, se foloseste frecvent normalizarea datelor (scalarea valorilor intr-un interval [0,1]).

note_normalizate = (note - np.min(note)) / (np.max(note) - np.min(note))
print(note_normalizate)

Tip: Normalizarea este esentiala in machine learning pentru rezultate de calitate.

Proiect 3: Manipularea matricelor

Sa presupunem ca avem o matrice cu notele a trei elevi la patru materii:

note_matrici = np.array([
    [7, 8.5, 6, 9],
    [8, 7.5, 10, 5],
    [6.5, 9, 8, 7]
])
    • Media pe fiecare elev:
media_elevi = np.mean(note_matrici, axis=1)
print(media_elevi)
    • Media pe fiecare materie:
media_materii = np.mean(note_matrici, axis=0)
print(media_materii)

Operatiuni avansate cu NumPy

Filtrarea datelor cu mask-uri

Obtinerea rapida a valorilor peste 8:

note_bune = note[note > 8]
print(note_bune)

Broadcasting si performanta

NumPy permite operatii intre array-uri de dimensiuni diferite fara bucle explicite (broadcasting). Exemplu:

vector = np.array([1, 2, 3])
rezultat = vector + 10  # fiecare element creste cu 10
print(rezultat)

Functii utile in Data Analysis

  • np.sum(array): Suma elementelor
  • np.std(array): Deviația standard
  • np.argmax(array): Pozitia celui mai mare element
  • np.sort(array): Sorteaza elementele

Proiect complex: Analiza de date reale cu NumPy

Importarea si analiza unui fisier CSV (fara librarii externe)

Desi pandas este standardul pentru date tabelare, poti folosi NumPy pentru fisiere CSV numerice.

date = np.genfromtxt('date_elevi.csv', delimiter=',', skip_header=1)
print(date.shape)

Aplica statistici rapide:

  • Media la toate campurile: np.mean(date, axis=0)
  • Note peste 7: date[date > 7]
  • Numar elevi cu media peste 8: np.sum(np.mean(date, axis=1) > 8)

Vizualizari simple cu matplotlib (optional)

Pentru a-ti reprezenta datele grafic, poti folosi si matplotlib:

import matplotlib.pyplot as plt
plt.hist(note)
plt.title('Distributia notelor')
plt.xlabel('Nota')
plt.ylabel('Frecventa')
plt.show()

Bonus: Scurtaturi si “best practices” in NumPy

  • Evita buclele “for”: Operatiile vectorizate sunt mult mai rapide.
  • Foloseste functiile built-in pentru procesare: np.mean(), np.min(), np.max(), np.percentile() etc.
  • Pentru fisiere mai mari, investigheaza functii ca np.memmap pentru procesare out-of-core.

Concluzie

NumPy ramane nucleul infrastructurii de analiza de date in Python. Fiecare dintre exemplele de mai sus reprezinta o situatie reala de proiect. Prin practica constanta, vei putea analiza volume mari de informatii, construi vizualizari sofisticate si pregati date pentru modele de machine learning.

Sfat final: Exploreaza documentatia oficiala NumPy si exerseaza cu seturi de date reale. Investitia de timp in stapanirea acestor concepte se va reflecta direct in eficienta ta ca data analyst.

Cu siguranta ai inteles care sunt noutatile din 2025 legate de data analysis, daca esti interesat sa aprofundezi cunostintele in domeniu, te invitam sa explorezi gama noastra de cursuri dedicate analizelor de date din categoria Data Analytics. Indiferent daca esti la inceput de drum sau doresti sa iti perfectionezi abilitatile, avem un curs potrivit pentru tine.