NumPy è una delle librerie fondamentali per il calcolo numerico in Python, utilizzata ampiamente in ambiti come data science, machine learning e sviluppo scientifico. Uno degli elementi centrali di NumPy è l’array, una struttura dati ottimizzata per gestire grandi quantità di numeri in modo efficiente.

Per iniziare a creare array in NumPy, è necessario importare la libreria:

import numpy as np

Il metodo più comune per creare un array è utilizzare la funzione array():

arr = np.array([1, 2, 3, 4])
print(arr)

Questo genera un array monodimensionale. A differenza delle liste Python, gli array NumPy offrono migliori performance e funzionalità avanzate per operazioni matematiche.

È possibile anche creare array a partire da tuple o altre strutture dati:

arr = np.array((5, 6, 7))

Array di 0, 1, 2 e più di 3 Dimensioni

Gli array NumPy possono avere diverse dimensioni (dimensioni o “assi”), e questa caratteristica è essenziale per modellare dati complessi.

Array a 0 dimensioni (Scalari)

Un array a 0 dimensioni rappresenta un singolo valore:

arr = np.array(10)

Array a 1 dimensione

È il tipo più semplice di array, simile a una lista:

arr = np.array([1, 2, 3])

Array a 2 dimensioni

Questi array sono simili a matrici (righe e colonne):

arr = np.array([[1, 2, 3], [4, 5, 6]])

Array a 3 o più dimensioni

Utilizzati per strutture dati più complesse, come tensori:

arr = np.array([
    [[1, 2, 3], [4, 5, 6]],
    [[7, 8, 9], [10, 11, 12]]
])

NumPy consente anche di specificare il numero minimo di dimensioni con il parametro ndmin:

arr = np.array([1, 2, 3], ndmin=5)

Questo è particolarmente utile in contesti avanzati, come il deep learning.

Trovare il numero di dimensioni

Per analizzare la struttura di un array, NumPy mette a disposizione l’attributo ndim, che restituisce il numero di dimensioni:

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.ndim)

Questo output indicherà “2”, poiché l’array è bidimensionale.

Capire il numero di dimensioni è fondamentale quando si lavora con operazioni matematiche avanzate, broadcasting o modelli di machine learning, dove la forma dei dati influisce direttamente sui risultati.

La creazione e gestione degli array in NumPy è una competenza fondamentale per qualsiasi sviluppatore Python che voglia lavorare con dati numerici in modo efficiente. Comprendere le diverse dimensioni e sapere come analizzarle permette di costruire basi solide per applicazioni più avanzate.

Se stai sviluppando progetti legati a data analysis o intelligenza artificiale, padroneggiare questi concetti ti darà un vantaggio competitivo significativo.