NumPy

Perché è utile usare NumPy

Le liste Python vanno bene per la maggior parte dei casi. Ma quando hai bisogno di fare calcoli matematici su migliaia o milioni di numeri, le liste diventano lente. NumPy risolve questo problema: fa le stesse operazioni ma in modo molto più veloce.

NumPy è alla base di quasi tutto l’ecosistema scientifico di Python: pandas, matplotlib, scikit-learn usano tutti NumPy internamente.

---

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,) — 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 le liste Python, per moltiplicare ogni elemento per 2 dovresti scrivere un ciclo. Con NumPy, le operazioni si applicano 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 è detto vettorializzazione: invece di fare le operazioni una alla volta con un ciclo, NumPy le fa tutte insieme in modo ottimizzato.

---

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")

NumPy è tipicamente 10-100 volte più veloce delle liste Python per operazioni numeriche. 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)