NumPy

A cosa serve NumPy

Le liste Python sono sufficienti in molti casi. Per calcoli matematici su migliaia o milioni di numeri, però, NumPy esegue le operazioni più rapidamente.

NumPy è usato da molte librerie scientifiche Python, tra cui pandas, matplotlib e scikit-learn.

Installazione e importazione

pip install numpy

Per convenzione, NumPy si importa sempre con il soprannome np:

import numpy as np

Gli array di NumPy

La struttura centrale di NumPy è l’array (ndarray), simile a una lista Python ma pensata per i calcoli numerici.

import numpy as np

# Crea un array da una lista Python
a = np.array([1, 2, 3, 4, 5])
print(a)          # [1 2 3 4 5]
print(type(a))    # <class 'numpy.ndarray'>
print(a.dtype)    # int64: il tipo dei dati (tutti interi a 64 bit)
print(a.shape)    # (5,) è la forma: 5 elementi in una dimensione

# Crea una matrice (array a due dimensioni)
m = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])
print(m)
print(m.shape)    # (3, 3): 3 righe, 3 colonne

Creare array già pronti

import numpy as np

print(np.zeros(5))           # [0. 0. 0. 0. 0.]: cinque zeri
print(np.ones(4))            # [1. 1. 1. 1.]: quattro uni
print(np.zeros((2, 3)))      # matrice 2×3 di zeri
print(np.eye(3))             # matrice identità 3×3 (uno sulla diagonale)
print(np.arange(0, 10, 2))   # [0 2 4 6 8]: come range(), ma per array
print(np.linspace(0, 1, 5))  # [0. 0.25 0.5 0.75 1.]: 5 punti equidistanti tra 0 e 1
print(np.random.rand(3))     # 3 numeri decimali casuali tra 0 e 1

La potenza delle operazioni vettoriali

Con una lista Python dovresti usare un ciclo per moltiplicare ogni elemento per 2. Con NumPy l’operazione si applica all’intero array in una volta sola:

import numpy as np

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

# Operazioni su tutti gli elementi, senza scrivere cicli!
print(a + 10)    # [11 12 13 14 15]
print(a * 2)     # [ 2  4  6  8 10]
print(a ** 2)    # [ 1  4  9 16 25]
print(a > 3)     # [False False False  True  True]

# Operazioni tra due array (elemento per elemento)
b = np.array([10, 20, 30, 40, 50])
print(a + b)     # [11 22 33 44 55]
print(a * b)     # [ 10  40  90 160 250]

Questo approccio si chiama vettorializzazione: NumPy applica l’operazione agli elementi senza un ciclo scritto dall’utente.

Funzioni matematiche integrate

import numpy as np

a = np.array([1, 4, 9, 16, 25])

print(np.sqrt(a))   # [1. 2. 3. 4. 5.]: radice quadrata di ogni elemento
print(np.sum(a))    # 55: somma di tutti gli elementi
print(np.mean(a))   # 11.0: media
print(np.min(a))    # 1: valore minimo
print(np.max(a))    # 25: valore massimo
print(np.std(a))    # deviazione standard

Accedere agli elementi

import numpy as np

m = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

print(m[0])         # [1 2 3]        ← prima riga intera
print(m[1, 2])      # 6              ← riga 1, colonna 2
print(m[:, 0])      # [1 4 7]        ← tutta la colonna 0
print(m[0:2, 1:3])  # [[2 3] [5 6]]  ← un sotto-blocco (righe 0-1, colonne 1-2)

NumPy vs liste Python: la differenza di velocità

import numpy as np
import time

n = 1_000_000   # Un milione di numeri

# Metodo 1: lista Python con ciclo
lista = list(range(n))
inizio = time.time()
risultato = [x * 2 for x in lista]
print(f"Lista Python: {time.time() - inizio:.3f} secondi")

# Metodo 2: array NumPy
array = np.arange(n)
inizio = time.time()
risultato = array * 2
print(f"NumPy:        {time.time() - inizio:.3f} secondi")

Per le operazioni numeriche NumPy è tipicamente 10-100 volte più veloce delle liste Python. Su un milione di elementi la differenza è notevole.

Quando usare NumPy vs liste

Situazione	Usa…
Dati misti (stringhe, numeri, oggetti)	Lista Python
Calcoli matematici su molti numeri	NumPy
Semplice raccolta di elementi	Lista Python
Matrici, algebra lineare, statistiche	NumPy
Qualsiasi libreria scientifica (pandas, matplotlib)	NumPy (lo usano internamente)