NumPy — Arrays aanmaken en inspecteren - Machine Learning Cursussen

NumPy (Numerical Python) is de hoeksteen van het Python data-ecosysteem. Het biedt een efficiënte, multidimensionale array-structuur (ndarray) en een uitgebreide bibliotheek van wiskundige functies.

Waarom NumPy in plaats van gewone Python-lijsten?

	Python-lijst	NumPy-array
Snelheid	Traag voor wiskunde	Tot 100× sneller
Geheugen	Meer overhead	Compacter
Types	Gemengd	Homogeen
Wiskunde	Geen vectoroperaties	Ingebouwd

Pandas, Matplotlib en vrijwel elke ML-bibliotheek zijn intern gebouwd op NumPy.

import numpy as np

print(np.__version__)

2.2.6

Arrays aanmaken vanuit lijsten¶

# 1-dimensional array
v = np.array([1, 2, 3, 4, 5])
print(v)
print(type(v))  # <class 'numpy.ndarray'>

[1 2 3 4 5]
<class 'numpy.ndarray'>

# 2-dimensional array (matrix): list of lists
M = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(M)

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

Arrays inspecteren¶

Drie attributen die je altijd als eerste controleert bij een onbekende array:

print("shape:", M.shape)  # (3, 3) — rows × columns
print("ndim: ", M.ndim)  # 2 — number of dimensions
print("size: ", M.size)  # 9 — total number of elements
print("dtype:", M.dtype)  # int64 — element data type

shape: (3, 3)
ndim:  2
size:  9
dtype: int64

Datatypes (`dtype`)¶

NumPy-arrays zijn homogeen: alle elementen hebben hetzelfde type. Het type wordt automatisch bepaald, maar je kunt het ook expliciet opgeven.

a_int = np.array([1, 2, 3])  # int64 (default)
a_float = np.array([1.0, 2.0, 3.0])  # float64
a_bool = np.array([True, False, True])  # bool
a_explicit = np.array([1, 2, 3], dtype=np.float32)  # explicit float32

print(a_int.dtype, a_float.dtype, a_bool.dtype, a_explicit.dtype)

# Convert type
a_converted = a_int.astype(float)
print(a_converted.dtype)

int64 float64 bool float32
float64

Aanmaakfuncties¶

Je hoeft niet altijd vanuit een bestaande lijst te vertrekken — NumPy heeft handige functies om veelgebruikte arrays direct te genereren.

print(np.zeros((3, 4)))  # 3×4 matrix of zeros (float64)
print()
print(np.ones((2, 3)))  # 2×3 matrix of ones
print()
print(np.full((2, 2), 7))  # 2×2 matrix filled with 7
print()
print(np.eye(4))  # 4×4 identity matrix

[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

[[1. 1. 1.]
 [1. 1. 1.]]

[[7 7]
 [7 7]]

[[1. 0. 0. 0.]
 [0. 1. 0. 0.]
 [0. 0. 1. 0.]
 [0. 0. 0. 1.]]

# arange: evenly spaced integers (like range, but as an array)
print(np.arange(0, 10, 2))  # [0 2 4 6 8]

# linspace: n evenly spaced points between start and stop (inclusive)
print(np.linspace(0, 1, 6))  # [0.  0.2 0.4 0.6 0.8 1.]

[0 2 4 6 8]
[0.  0.2 0.4 0.6 0.8 1. ]

Willekeurige getallen met `np.random.default_rng()`¶

De moderne manier om willekeurige getallen te genereren in NumPy is via een Generator-object. Door een seed te geven zorg je voor reproduceerbaarheid — dezelfde seed geeft altijd dezelfde reeks getallen.

rng = np.random.default_rng(seed=42)  # reproducible

# Random floats in [0, 1)
print(rng.random((3, 4)))

[[0.77395605 0.43887844 0.85859792 0.69736803]
 [0.09417735 0.97562235 0.7611397  0.78606431]
 [0.12811363 0.45038594 0.37079802 0.92676499]]

rng = np.random.default_rng(seed=42)

# Random integers in [low, high)
print(rng.integers(0, 100, size=(2, 5)))

[[ 8 77 65 43 43]
 [85  8 69 20  9]]

rng = np.random.default_rng(seed=42)

# Normal distribution: mean=0, standard deviation=1
sample = rng.normal(loc=0.0, scale=1.0, size=1000)
print(f"mean: {sample.mean():.3f}, std: {sample.std():.3f}")

mean: -0.029, std: 0.989

Basisstatistieken¶

NumPy biedt ingebouwde functies voor veelgebruikte statistieken.

data = np.array([4, 7, 13, 2, 1, 9, 15, 6, 8, 3])

print(f"sum:    {np.sum(data)}")
print(f"mean:   {np.mean(data):.2f}")
print(f"std:    {np.std(data):.2f}")
print(f"min:    {np.min(data)}")
print(f"max:    {np.max(data)}")
print(f"median: {np.median(data):.1f}")

sum:    68
mean:   6.80
std:    4.38
min:    1
max:    15
median: 6.5

Oefeningen¶

Oefening 1 — Maak de volgende arrays aan en druk telkens shape, ndim en dtype af:

Een 1D-array met de getallen 1 t/m 10
Een 4×4-matrix van nullen met dtype float32
Een 3×3-eenheidsmatrix

import numpy as np
# your solution here

Oefening 2 — Gebruik np.linspace om een array te maken met 9 gelijkmatig verdeelde punten tussen 0 en 2π. Druk vervolgens de cosinus van elk punt af. Gebruik np.cos() en np.pi.

# your solution here

Oefening 3 — Maak een Generator met seed 123 en genereer:

Een 5×5-matrix met willekeurige integers tussen 1 en 10 (inclusief 1, exclusief 10)
1000 steekproeven uit een normaalverdeling met gemiddelde 5 en standaardafwijking 2. Druk het empirisch gemiddelde en de empirische standaardafwijking af.

# your solution here

Oefening 4 — Gegeven scores = np.array([78, 92, 65, 88, 74, 95, 60, 83]). Bereken het gemiddelde, de mediaan, de standaardafwijking, het minimum en het maximum. Formatteer de output mooi met f-strings (2 decimalen).

scores = np.array([78, 92, 65, 88, 74, 95, 60, 83])
# your solution here

Oefening 5 — Vergelijk de twee aanmaakfuncties: maak een array met np.arange(0, 1, 0.1) en een met np.linspace(0, 1, 10). Zijn ze identiek? Onderzoek eventuele drijvendekommaproblemen door de twee arrays van elkaar af te trekken.

# your solution here

NumPy — Arrays aanmaken en inspecteren