NumPy с нуля для аналитика: ndarray, dtype, shape, reshape и axis. Создание массивов через array, arange, zeros, linspace на примерах аналитики.
NumPy — это фундамент, на котором стоит весь анализ данных в Python: pandas, scipy, sklearn внутри хранят числа именно как numpy-массивы. В этой части ты разберёшься с главным объектом библиотеки — ndarray (n-мерный массив), научишься создавать его разными способами и понимать три ключевых свойства любого массива: тип данных (dtype), форму (shape) и направление операций (axis). Это база, без которой следующие части курса будут магией.
Если ты уже прошёл курсы по SQL и pandas — отлично, тут многое ляжет на знакомую почву. Колонка в pandas (Series) под капотом — это numpy-массив. SQL-агрегаты типа SUM по группам — это то же, что суммирование по оси в numpy. Мы идём на уровень ниже pandas: туда, где живёт «голая» скорость и где аналитику важно понимать, что происходит с числами на самом деле.