Operazioni sugli array e broadcasting
Esegua calcoli aritmetici vettorializzati e comprenda le regole del broadcasting.
Operazioni sugli array e broadcasting è una lezione Python Academy gratuita su CoddyKit. Questa è la lezione 2 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Python Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Python Academy include 4 lezioni in totale.
Aritmetica vettorializzata
NumPy applica l'aritmetica elemento per elemento a interi array senza cicli Python: l'esecuzione avviene in codice C ottimizzato.
import numpy as np
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
print(a + b) # [5 7 9]
print(a * b) # [4 10 18]
print(a ** 2) # [1 4 9]Funzioni universali (ufuncs)
Le ufunc di NumPy applicano funzioni a livello C elemento per elemento: np.sqrt, np.exp, np.log, np.sin e così via.
import numpy as np
x = np.linspace(0, np.pi, 5)
print(np.sin(x)) # [0. 0.707 1. 0.707 0.]
print(np.exp([1.0, 2.0, 3.0])) # [2.718 7.389 20.086]Operazioni di riduzione
Riduca un array a uno scalare (o a un array con meno dimensioni) con np.sum, np.mean, np.max, np.min, np.std.
import numpy as np
m = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(m)) # 21
print(np.sum(m, axis=0)) # [5 7 9] — sum each column
print(np.sum(m, axis=1)) # [6 15] — sum each rowRegole del broadcasting
Il broadcasting estende gli array più piccoli per adattarli a quelli più grandi, senza copiare i dati. Regola: le dimensioni vengono allineate da destra; le dimensioni di grandezza 1 vengono estese.
import numpy as np
a = np.array([[1], [2], [3]]) # shape (3,1)
b = np.array([10, 20, 30]) # shape (3,)
print(a + b)
# [[11 21 31]
# [12 22 32]
# [13 23 33]]Operazioni scalari con broadcasting
Uno scalare viene applicato tramite broadcasting a tutti gli elementi dell'array.
import numpy as np
arr = np.arange(6).reshape(2, 3)
print(arr + 10)
# [[10 11 12]
# [13 14 15]]
print(arr * 0.5)
# [[0. 0.5 1. ]
# [1.5 2. 2.5]]Confronti e operazioni booleane
I confronti producono array booleani. Li combini con &, |, ~ (non con and/or/not di Python).
import numpy as np
arr = np.array([1, 5, 3, 8, 2])
print(arr > 3) # [False True False True False]
print(arr[(arr > 2) & (arr < 7)]) # [5 3]where()
np.where(condition, x, y) restituisce gli elementi di x nei punti in cui il risultato è True e quelli di y nei punti in cui è False.
import numpy as np
arr = np.array([-2, 3, -1, 4, 0])
result = np.where(arr >= 0, arr, 0) # clip negatives to 0
print(result) # [0 3 0 4 0]Aggregazioni lungo gli assi
Specifichi axis= per ridurre lungo una particolare dimensione di un array multidimensionale.
import numpy as np
data = np.arange(12).reshape(3, 4)
print(data.mean(axis=0)) # mean of each column → shape (4,)
print(data.mean(axis=1)) # mean of each row → shape (3,)cumsum e diff
np.cumsum calcola somme cumulative; np.diff calcola le differenze tra elementi consecutivi.
import numpy as np
prices = np.array([100, 110, 105, 115])
print(np.cumsum(prices)) # [100 210 315 430]
print(np.diff(prices)) # [10 -5 10] (daily changes)Operazioni vettorializzate sulle stringhe
np.char fornisce operazioni vettorializzate sulle stringhe per gli array di stringhe.
import numpy as np
words = np.array(["apple", "banana", "cherry"])
print(np.char.upper(words)) # ['APPLE' 'BANANA' 'CHERRY']
print(np.char.startswith(words, "a")) # [True False False]Prestazioni rispetto alle liste Python
Per i calcoli numerici, NumPy è da 10 a 100 volte più veloce dei cicli Python equivalenti perché viene eseguito in C, senza l'overhead dell'interprete Python.
import numpy as np, time
n = 1_000_000
start = time.perf_counter()
python_sum = sum(i**2 for i in range(n))
print(f"Python: {time.perf_counter()-start:.3f}s")
arr = np.arange(n)
start = time.perf_counter()
numpy_sum = (arr**2).sum()
print(f"NumPy: {time.perf_counter()-start:.3f}s")Verifica rapida
Quando si somma un array di forma (3,1) a un array di forma (3,), quale forma ha il risultato?
Riepilogo
Le operazioni NumPy vengono eseguite elemento per elemento in C (senza cicli Python). Il broadcasting estende le forme compatibili senza copiare i dati. Utilizzi axis= per le riduzioni lungo dimensioni specifiche. Le ufunc (np.sin, np.exp e così via) vengono applicate elemento per elemento alla velocità del C.
Domande Frequenti
La lezione «Operazioni sugli array e broadcasting» è gratuita?
Sì — il testo completo di «Operazioni sugli array e broadcasting» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Python Academy, passa a CoddyKit PRO. Il corso Python Academy include 4 lezioni in totale.
Cosa imparerò in «Operazioni sugli array e broadcasting»?
Esegua calcoli aritmetici vettorializzati e comprenda le regole del broadcasting. Eserciti Python Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Python Academy?
Non è richiesta alcuna esperienza precedente. Python Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 2 di 4.
Quanto tempo richiede la lezione «Operazioni sugli array e broadcasting»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Python Academy?
Sì. Ogni lezione Python Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Array NumPy e dtype
- Operazioni sugli array e broadcasting
- Indicizzazione, slicing e indicizzazione avanzata
- Algebra lineare con NumPy