Lerne NumPy in acht geführten Labs kennen, die nicht nur die Arbeit mit Arrays erklären, sondern auch zeigen, warum Form, Datentyp und Speicherverhalten wichtig sind. Du schreibst und startest kleine Python-Programme und gelangst von Array-Erstellung und Indizierung zu Dateiimport, Broadcasting, strukturierten Daten und universellen Funktionen.
Der Kurs arbeitet mit konkreten Experimenten statt mit einem großen Projekt. Du lädst eine CSV mit fehlenden Werten, vergleichst Views mit unabhängigen Kopien, testest kompatible und inkompatible Formen und beobachtest elementweise Operationen. So entsteht ein verlässliches Verständnis für spätere numerische und datenbezogene Aufgaben.
Was du lernen wirst
- Mehrdimensionale Arrays aus Python-Sequenzen, NumPy-Konstruktoren und Dateien erstellen
- Inhalte mit Slicing, Integer-Indizierung und booleschen Masken auswählen und ändern
- Tabellendaten mit
genfromtxtsamt Kopfzeilen, Trennzeichen, Spalten und fehlenden Werten importieren - NumPy-Datentypen mit
dtypeundastypeprüfen, festlegen und konvertieren - Broadcasting-Regeln anwenden und inkompatible Formen erkennen
- Views von Kopien unterscheiden und Speicherfreigabe über
baseprüfen - Benannte Felder in strukturierten Arrays und Record Arrays definieren und abrufen
- Universelle Funktionen für elementweise Operationen, Reduktionen, Ausgabetypen und eigenes Verhalten einsetzen
Für wen dieser Kurs geeignet ist
Der Kurs richtet sich an Python-Lernende, die mit NumPy beginnen, und an angehende Datenpraktiker, die Array-Verhalten gründlich verstehen möchten. Er eignet sich besonders, wenn du einfaches Python schreiben kannst, aber vor großen Aufgabensammlungen oder NumPy-basierten Bibliotheken eine geführte Einführung suchst.
Voraussetzungen: Grundkenntnisse in Python, darunter Listen, Variablen, Bedingungen und das Ausführen eines Skripts, werden empfohlen. NumPy-Vorkenntnisse sind nicht nötig.
Lernumgebung: Jedes Lab stellt eine Ubuntu-22.04-WebIDE mit Python-Startdateien, Terminal und benötigten CSV-Daten bereit. Du bearbeitest und startest normale .py-Dateien im Browser; eine lokale Einrichtung ist nicht erforderlich.
Häufig gestellte Fragen
Ist der Kurs geführt oder besteht er hauptsächlich aus Challenges?
Er umfasst acht geführte Labs mit Erklärungen, ausführbaren Beispielen und schrittweisen Programmieraufgaben. Separate Challenge-Labs gibt es nicht.
Warum behandelt der Kurs Kopien und Views?
NumPy-Slices können Speicher mit dem Ursprungsarray teilen, während fortgeschrittene Indizierung meist eine Kopie erzeugt. Dieses Wissen zeigt dir, ob eine Änderung auch die Originaldaten beeinflusst.
Werden Daten aus Dateien geladen?
Ja. Du nutzt loadtxt für eine einfache CSV und genfromtxt, um Kopfzeilen zu überspringen, Spalten auszuwählen, Typen festzulegen und fehlende Werte zu ersetzen.
Lerne ich hier Pandas, Machine Learning oder Visualisierung?
Nein. Im Mittelpunkt stehen NumPy-Arrays und ihr Verhalten. Der Kurs schafft Grundlagen, behandelt aber keine DataFrames, Vorhersagemodelle oder Plotting-Workflows.
