Array-Konstruktion und Array-Eigenschaften

Es gibt verschiedene Arten wie Arrays mit numpy erstellt werden können. An Hand von Beispielen wird dargelegt, welcher Weg für welchen Zweck der geeignetste ist. Die Eigenschaften von Array-Objekten werden behandelt und ihre Bedeutung erläutert.

Datentypen

Im Gegensatz zu Python-Datentypen, die dynamisch zur Laufzeit ermittelt werden, müssen bei numpy_Arrays die Typen vor der Konstruktion eines Arrays festgelegt werden. Dies ist eine Voraussetzung für die gegenüber reinem Python mit numpy erzielbaren Geschwindigkeitszuwächse. Es gibt wesentlich mehr Datentypen als in Python. Die Datentypen und ihre Nutzung werden erläutert. Dabei wird die Korrespondenz mit Datentypen in C behandelt.

Slicing und Broadcasting

Mit Hilfe des so genannten Slicings kann auf beliebige Teilbereiche auch mehrdimensionaler Arrays lesend und schreibend zugegriffen werden. Mit dieser Technik lassen sich oft kurze und elegante Lösungen finden, die ohne Schleifen auskommen. Erfahrungsgemäß sind die ersten Schritte mit Slicing gewöhnungsbedürftig. Deshalb werden im Kurs zahlreiche Übungen durchgeführt, die verschiedenste Möglichkeiten abdecken. Haben Arrays unterschiedliche Formen erfolgt in numpy das so genannte Boradcasting, bei dem die fehlenden Array-Bestandteile sinnvoll ergänzt werden Ein gutes Verständnis dieses wichtigen Mechanismus ist Grundvoraussetzung für ein effektives Arbeiten mit numpy.

Universelle Funktionen

Mit numpy können verschiedenste Operationen auf ganze Arrays unabhängg deren Dimensionen ausgeführt werden. Diese als universelle Funktionen bezeichneten Operationen werden an Beispielen erläutert.

Numerische Algebra

numpy bietet grundlegende Funktionen für die Lösung von Aufgaben der numerischen Algebra. Diese werden an Beispielen erläutert und angewendet.

Textdateien

Die einfachste Art Daten zu speichern sind Textdateien. Es wird gezeigt wie Textdateien effizient gelesen und geschrieben werden können. Techniken für die Umwandlung spaltenbasierter Daten in Python-Datenstrukturen werden behandelt.

Excel-Dateien

Viele Daten werden in Excel-Dateien abgelegt. Python bietet mehrere Möglichkeiten Exceldateien zu lesen und zu schreiben. Zugriffe über die Microsoft COM-Schnittstelle unter Windows werden ebenso angewendet wie der direkte binäre Lese- und Schreibzugriff, der ein vom Betriebssystem unabhängiges Arbeiten ermöglicht.

NetCDF-Dateien

Für die effiziente Speicherung großer arraybasierte Daten bis in den Terabyte-Bereich wird das Datenformat NetCDF eingesetzt. Python bietet eine Schnittstelle für NetCDF. Die Handhabung wird mit Beispielen erarbeitet.

HDF-Dateien

Das HDF-Format wird für sehr ähnliche Zwecke wie das NetCDF-Format eingesetzt. Es ist geplant beide Formate in zukünftigen Versionen zu vereinigen. HDF steht für hierachical data format und bietet somit ein bessere Möglichkeit Daten zur organisieren. Mit pyTables steht eine ausgereifte und sehr komfortable Schnittstelle zu HDF zur Verfügung. Diese wird im Kurs mit Beispielen erläutert.

Datenbanken

Oft liegen Daten in Datenbanken vor. Python bietet eine einheitliche API für den Datenbankzugriff auf alle gängigen Datenbanken.

Die Arbeitsweise der API wird an Beispielen erläutert.

Pickling und Shelving

Python bietet die Möglichkeit mit den eingebauten Modulen pickle und shelve Python-Objekte persistent zu speichern. Damit lassen sich ohne Entwicklung von Dateiformaten schnell auch komplexe Datenstrukturen speichern und zu einem späteren Zeitpunkt wieder laden.

Die Anwendung, Vor- und Nachteile dieser Speichermethoden werden mit Beispielen dargestellt.

matplotlib

Mit matplotlib lassen sich mit nur wenigen Zeilen Quelltext unterschiedlichste Diagramme erstellen. An Beispielen wird die Nutzung der Bibliothek geübt.

MayaVi

Für die dreidimensionale Visualisierung und Animation von Daten eignet sich MayaVi hervorragend. Im Kurs wird sowohl die Nutzung als eigenständige Anwendung als auch die Automatisierung mit Pythonprogrammen behandelt.