Advanced Python Functionalities

Ein Jupyter Notebook ist eine Art Notizbuch, in welchem man Test im Markdown Stil mit Python-Code kombinieren kann. Jupyter Notebooks haben die Extension .ipyn. Standardmässig werden Jupyter-Notebooks direkt im Browser geöffnet, bearbeitet und ausgeführt. Man kann die mittlerweile aber auch direkt im VSCode machen, allerdings ist der Funktionsumfang beschränkt. Beispielsweise funktionieren die meisten Widgets (welche sehr nützlich sind) leider nicht im VSCode (Stand 2023). Es lohnt sich deshalb, beide Arten von Jupyter zu installieren.

Jupyter kann ganz normal via pip installiert werden:

pip install notebook

Nachher kann es in der Konsole geöffnet werden:

jupyter notebook

Achtung: Jupyter wird auf diese Weise für die Standardinstallation von Python installiert. Falls du mehrere Python-Versionen installiert hast, musst du dafür sorgen, dass Jupyter für die richtige Version installiert wird. Empfehlenswert ist die Verwendung eines Tools, welches verschiedene Python-Versionen verwaltet wie pyenv.

Hier findet man detaillierte Infos zu den verschiedenen Installationsmöglichkeiten: https://jupyter.org/install

1. In VSCode installiere „Jupyter“ Extension von Microsoft.
2. Erstelle neues Notebook: Command Palette (nutze Shortcut!) / „Create: Neues Jupyter Notebook“

Ein Jupyter Notebook besteht aus einer Abfolge von Zellen, die entweder Code (z. B. Python-Code) oder Text (im Markdown-Format) enthalten können. Codezellen ermöglichen das Ausführen von Code in Echtzeit und das Anzeigen der Ergebnisse direkt im Notebook. Textzellen dienen zur Dokumentation, Beschreibung des Codes, Anleitungen oder zur Erklärung von Ergebnissen.

Codezelle:

• Schreibe deinen Code ganz normal.
• Ausführen mit Shift + Enter.
• Beachte, dass die letzte Zeile Code automatisch geprintet wird. Im folgenden Codeblock wird also 5 ausgegeben, obwohl der Code kein print-Command beinhaltet:

x = 4
y = 5
x
y

Textzelle:

• Schreibe Text im Markdown-Stile
• Einfache Darstellung mathematischer Ausdrücke mit LaTeX.
• Beispiel

# Überschrift 1. Ordnung
## Überschrift 2. Ordnung
### Überschrift 3. Ordnung
 
Die Funktion $f(x) = x^2$ ist eine quadratische Funktion. Die folgende Funktion ist eine kubische Funktion: $$f(x) = \frac{1}{4} x^3$$

Numpy ist eine leistungsstarke Python-Bibliothek, die für numerische Berechnungen verwendet wird. Sie bietet viele Funktionen und Werkzeuge, um mit grossen Mengen von Daten umzugehen und mathematische Operationen durchzuführen. In diesem Tutorial werden wir uns auf die Grundlagen von Numpy konzentrieren und dir zeigen, wie du sie verwenden kannst.

Zuerst muss Numpy installiert werden, verwende dazu pip: pip install numpy. Danach kannst du Numpy in deinem Projekt importieren:

import numpy as np

Hier haben wir Numpy mit dem Namen np importiert, um unseren Code etwas kürzer zu machen. Nun können wir mit np.<numpy function> auf alle Numpy-Funktionen zugreifen.

Der grundlegende Datenbehälter in Numpy ist das Numpy-Array. Dieses hat Ähnlichkeiten mit einer Liste, kann aber viel mehr. Du kannst ein Numpy-Array erstellen, indem du die Funktion np.array() verwendest. Hier ist ein Beispiel:

import numpy as np
 
# Erstellen eines Numpy-Arrays aus einer Python-Liste
my_list = [1, 2, 3, 4, 5] # normale Python-Liste
my_array = np.array(my_list) # numpy-array
print(my_array)

Die Ausgabe wird sein:

[1 2 3 4 5]

Du kannst auch mehrdimensionale Arrays erstellen, indem du geschachtelte Listen verwendest. Hier ist ein Beispiel:

import numpy as np
 
# Erstellen eines zweidimensionalen Numpy-Arrays
my_list = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
my_array = np.array(my_list)
print(my_array)
print(my_array.shape) # Output: (3,3) weil ist 3x3-Matrix

Die Ausgabe wird sein:

[[1 2 3]
 [4 5 6]
 [7 8 9]]

In der Mathematik versteht man unter einer Matrix eine rechteckige Anordnung von Zahlen, z.B. $$ \begin{pmatrix} 2 & 4 & 1 & 7 & 3 \\ 9 & 5 & 6 & 8 & 2 \\ 0 & 3 & 2 & 1 & 5 \\ 6 & 4 & 7 & 3 & 9 \\ \end{pmatrix} $$ Genau, von da hat der fantastische Film seinen Namen! Aber es ist eigentlich auch klar, dass ein Film, der nach einem wichtigen mathematischen Objekt benannt wird, toll sein muss! Aber wir schweifen ab … Mehrdimensionale Arrays eignen sich super, um Vektoren abzubilden.

Mit einem einzelnen Befehl kann man spezielle Arrays/Matrizen erzeugen:

ones = np.ones((2,3)) # lauter Einsen
zeros = np.zeros((2,3)) # lauter Nullen
t = np.linspace(3,5,10) # 1D-Array von 3 bis und mit 5 mit 10 Elementen, alle gleicher Abstand

Numpy ermöglicht es uns, viele mathematische Operationen auf Arrays durchzuführen. Hier sind einige grundlegende Operationen, die du ausprobieren kannst:

Elementweise Addition, Subtraktion, Multiplikation und Division:

import numpy as np
 
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
 
print(a + b)  # Elementweise Addition
print(a - b)  # Elementweise Subtraktion
print(a * b)  # Elementweise Multiplikation
print(a / b)  # Elementweise Division

Skalaroperationen:

import numpy as np
 
a = np.array([1, 2, 3])
 
print(a + 2)  # Skalaraddition
print(a - 2)  # Skalarsubtraktion
print(a * 2)  # Skalarmultiplikation
print(a / 2)  # Skalardivision

Matrixoperationen:

import numpy as np
 
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
 
# Matrixmultiplikation
print(np.dot(a, b))  # Ausgabe: [[19 22]
                     #          [43 50]]
 
# Transponierte einer Matrix
print(a.T)  # Ausgabe: [[1 3]
            #          [2 4]]
 
# Inverse einer Matrix
c = np.array([[1, 2], [3, 4]])
c_inv = np.linalg.inv(c)
print(c_inv)  # Ausgabe: [[-2.   1. ]
              #          [ 1.5 -0.5]]

Numpy bietet auch leistungsstarke Möglichkeiten, um auf bestimmte Elemente oder Bereiche von Arrays zuzugreifen. Hier sind einige Beispiele:

import numpy as np
 
a = np.array([1, 2, 3, 4, 5])
 
# Einzelne Elemente auslesen
print(a[0])  # Ausgabe: 1
print(a[-1])  # Ausgabe: 5
 
# Teilarray ausgeben
print(a[1:4])  # Ausgabe: [2 3 4]
print(a[:3])  # Ausgabe: [1 2 3]
print(a[2:])  # Ausgabe: [3 4 5]

Dies geht auch für mehrdimensionale Arrays

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
 
print(a[0, 1])  # Ausgabe: 2
print(a[:, 1])  # Ausgabe: [2 5 8]
print(a[:2, 1:])  # Ausgabe: [[2 3]
                  #          [5 6]]

Um einen Numpy-Array arr in einer Form auszugeben, in der man sie wieder in Code kopieren kann, verwendet man die np.array2string Funktion:

arr_string = np.array2string(arr, separator=',')

Numpy bietet viele eingebaute Funktionen für verschiedene mathematische Operationen. Hier sind einige Beispiele:

Summe, Durchschnitt und Maximum eines Arrays:

import numpy as np
 
a = np.array([1, 2, 3, 4, 5])
 
print(np.sum(a))  # Ausgabe: 15
print(np.mean(a))  # Ausgabe: 3.0
print(np.max(a))  # Ausgabe: 5

Sehr praktisch ist, dass solche Funktionen auf ein ganzes Array angewendet werden können. Damit kann man sehr viele Operationen auf 1x ausführen:

import numpy as np
 
a = np.array([0, np.pi/2, np.pi])
 
print(np.sin(a))  # Ausgabe: [0.         1.         1.2246468e-16]
print(np.cos(a))  # Ausgabe: [ 1.000000e+00  6.123234e-17 -1.000000e+00]

Zufallszahlen:

import numpy as np
 
# Generiere ein Array mit Zufallszahlen zwischen 0 und 1
random_array = np.random.rand(5)
print(random_array)
 
# Generiere ein Array mit ganzen Zufallszahlen zwischen 0 und 9
random_array = np.random.randint(0, 10, size=5)
print(random_array)

Der lambda-Operator in Python ermöglicht die Erstellung anonymer Funktionen, auch als Lambda-Funktionen bekannt. Diese Funktionen werden ohne Namen definiert und werden in der Regel für einfache Ausdrücke verwendet, die nur aus einer Zeile bestehen. Der lambda-Operator wird häufig in Verbindung mit Funktionen höherer Ordnung wie map(), filter() und reduce() (mehr dazu unten) verwendet.

Die allgemeine Syntax einer Lambda-Funktion sieht wie folgt aus:

lambda argumente: output

Hier repräsentieren argumente die Eingabeparameter der Funktion und output ist die Berechnung, die von der Funktion durchgeführt wird. Die Lambda-Funktion nimmt die Argumente entgegen, wertet den Ausdruck aus und gibt das Ergebnis zurück.

Zum Beispiel möchten wir eine Funktion erstellen, die eine gegebene Zahl quadriert. Standardmässig würden wir dies wie folgt machen:

def square(x):
    return x**2

Alternativ können wir die Funktion mit dem lambda-Operator definieren:

square = lambda x: x**2

In diesem Fall nimmt die Lambda-Funktion ein einzelnes Argument x entgegen und der Ausdruck x**2 quadriert den Wert von x. Wir können diese Lambda-Funktion dann verwenden, um das Quadrat einer Zahl zu berechnen:

result = square(5)
print(result)  # Ausgabe: 25

Lambda-Funktionen können auch mehrere Argumente entgegennehmen. Wenn wir zum Beispiel eine Lambda-Funktion erstellen möchten, die die Summe von zwei Zahlen berechnet, können wir dies wie folgt tun:

add = lambda x, y: x + y

Hier nimmt die Lambda-Funktion addition zwei Argumente x und y entgegen und gibt ihre Summe zurück. Wir können sie folgendermaßen verwenden:

result = add(3, 4)
print(result)  # Ausgabe: 7

Lambda-Funktionen sind besonders nützlich, wenn wir einfache Funktionen benötigen, die „on the fly“ erstellt werden, ohne explizit eine benannte Funktion zu definieren. Sie werden häufig in Situationen verwendet, in denen wir eine Funktion als Argument an eine andere Funktion übergeben möchten oder wenn wir kurzen, prägnanten Code schreiben möchten.

Die Funktionen map(), filter() und reduce() sind nützliche Funktionen in Python, die häufig in Kombination mit Lambda-Funktionen verwendet werden, um Transformationen auf Daten anzuwenden oder Elemente aus einer Sequenz auszuwählen.

Die Funktion map() wendet eine angegebene Funktion auf jedes Element einer Sequenz an und gibt eine neue Sequenz mit den transformierten Werten zurück. Die allgemeine Syntax der map()-Funktion lautet:

map(function, sequence)

Hierbei steht function für die Funktion, die auf jedes Element angewendet werden soll, und sequence repräsentiert die Eingabesequenz.

Beispiel:

numbers = [1, 2, 3, 4, 5]
squared_numbers = list(map(lambda x: x**2, numbers))
print(squared_numbers)  # Ausgabe: [1, 4, 9, 16, 25]

In diesem Beispiel wird die Lambda-Funktion lambda x: x**2 auf jedes Element der Liste numbers angewendet und die transformierten Werte werden in der Liste squared_numbers gespeichert. Beachte, dass map() ein Map-Objekt zurückgibt. Deshalb muss man diese noch in eine Liste umwandeln.

Die Funktion filter() filtert Elemente aus einer Sequenz basierend auf einer angegebenen Funktion und gibt eine neue Sequenz mit den gefilterten Elementen zurück. Die allgemeine Syntax der filter()-Funktion lautet:

filter(function, sequence)

Hierbei steht function für die Funktion, die jedes Element überprüft, und sequence repräsentiert die Eingabesequenz.

Beispiel:

numbers = [1, 2, 3, 4, 5]
even_numbers = list(filter(lambda x: x % 2 == 0, numbers))
print(even_numbers)  # Ausgabe: [2, 4]

In diesem Beispiel wird die Lambda-Funktion lambda x: x % 2 == 0 verwendet, um nur die geraden Zahlen aus der Liste numbers zu filtern und in der Liste even_numbers zu speichern.

Die Funktion reduce() wendet eine angegebene Funktion auf die Elemente einer Sequenz an, um eine einzige Wertreduktion durchzuführen. Die allgemeine Syntax der reduce()-Funktion lautet:

from functools import reduce
reduce(function, sequence)

Hierbei steht function für die Funktion, die die Reduktion durchführt, und sequence repräsentiert die Eingabesequenz.

Beispiel:

from functools import reduce
numbers = [1, 2, 3, 4, 5]
sum_of_numbers = reduce(lambda x, y: x + y, numbers)
print(sum_of_numbers)  # Ausgabe: 15

In diesem Beispiel wird die Lambda-Funktion lambda x, y: x + y verwendet, um die Summe aller Elemente in der Liste numbers zu berechnen.

Diese Funktionen bieten eine kompakte und elegante Möglichkeit, Transformationen auf Daten anzuwenden oder Elemente aus Sequenzen auszuwählen. Sie sind besonders nützlich in Situationen, in denen eine Schleife vermieden oder der Code auf eine Zeile reduziert werden soll.