numpy bietet den array als zentrale Datenstruktur. Mit ihm lassen sich numerische Daten effizient im Arbeitsspeicher (RAM) erstellen, ein- und auslesen, bearbeiten und aggregieren.
Numpy bietet neben dem array viele Funktionen an, mit denen sich effizient Berechnungen auf diesen durchführen lassen können. Außerdem wird die klassische Matrizenrechnung unterstützt (s. nachfolgendes Beispiel).
# import the library and give it a shorter name 'np'
import numpy as np
# create 100 randomly distributed numbers
X = np.random.normal(size=100)
# transform X into a 2-dimensional array of size 20x5
X.reshape((20, 5))
# calculate the matrix dot product: X*X', where X' is the transpose of X
X.dot(X.T)
Wenn Dir die Matrizenrechnung nicht geläufig ist, probiere aus das obere Beispiel nachzuvollziehen, indem Du mit ganz einfachen 2x2-dimensionale Matrizen rechnest, denen Du vorab einfache feste Werte vorgibst.
Mit numpy kann beispielsweise ein Bild als dreidimensionales numpy array dargestellt werden: Die ersten zwei Dimensionen beschreiben die Farbintensität der Pixel auf einer zweidimensionalen Fläche. Die dritte Dimension speichert die jeweiligen Pixelwerte für die Farbkanäle rot, grün und blau.