NumPy-1

1. Презентация по Python3 библиотекам и NumPy

УС2-ИС-25-2р
Касьянов Павел

2. Что такое библиотеки в Python3?

В Python библиотека — это набор готового кода (файлов, функций, классов и модулей), который можно
подключить к своей программе, чтобы не писать всё с нуля.
Модуль — в python3 это отдельный файл с кодом написанный на языке python3 другими программистами.
Библиотека — это набор модулей, объединённых для решения задач в какой-то области.
Пакет — это библиотека, которая оформлена в виде папки с __init__.py внутри.
Библиотеки в python3 есть встроенные такие как: math(математические функции), os(работа и
манипулирование операционной системой), random(генерация случайных чисел) и time(получения
текущего времени, работы с временными метками и отладка паузы между работой кода).

3. Сторонние библиотеки

Большинство популярных библиотек делает отдельная команда или компания:
NumPy
pandas → библиотека Python с открытым исходным кодом, предназначенная для обработки и анализа
данных, особенно структурированных табличных данных, таких как данные из файлов CSV или баз данных
PyTorch → Она предоставляет гибкий инструментарий для построения, обучения и использования моделей
глубокого обучения, особенно популярных в задачах компьютерного зрения и обработки естественного
языка.
TensorFlow → бесплатная библиотека машинного обучения с открытым исходным кодом от компании Google,
используемая для создания и обучения нейронных сетей и других моделей искусственного интеллекта
PyGame → библиотека Python, представляющая собой набор модулей и инструментов для разработки 2D-игр и
мультимедиа-приложений

4. С какими библиотеками работает Python3?

• Python сам по себе не конфликтует ни с какими библиотеками — это
просто язык и среда выполнения.
Но на практике конфликты могут возникать между самими библиотеками,
если:
они используют разные версии одних и тех же зависимостей;
одна библиотека требует более старую версию Python, а другая — более
новую;
у библиотек совпадают имена модулей или функций.

5. Что такое Numpy?

NumPy (Numerical Python) — это одна из самых популярных и важных библиотек в Python для работы с числами, массивами
и научными вычислениями.
Что делает NumPy?
•Массивы (ndarray) — главная "фишка" NumPy.
Они похожи на списки (list), но:
•занимают меньше памяти;
•работают быстрее;
•поддерживают векторные операции (можно применять формулы сразу ко всему массиву).
•Математические функции
•тригонометрия (sin, cos, tan),
•логарифмы,
•экспоненты,
•статистика (среднее, дисперсия, медиана).
•Линейная алгебра
•матричные операции,
•умножение матриц,
•собственные числа и векторы.
•Генерация случайных чисел (например, для симуляций или игр).

6. Способы ознакомления с библиотекой и ее функциями:

• Самый простой способ изучения библиотеки NumPy является ознакомление через сайт
разработчика библиотеки(документация на английском языке, но несет в себе много
полезной информации о библиотеке)
• https://numpy.org/doc/stable/
• Через гайды по использованию на Youtube(Удобно для экономии времени и в основном
автор оставляет код программы или делает пример использования программы)
• И сайты с инструкцией и компилятороми(Удобно для обучения и создания/эксперементов с
кодом на самом сайте как например W3Schools)
• https://www.w3schools.com/python/numpy/numpy_intro.asp

7. С какими библиотеками используют эту библиотеку

Игры и графика
•
pygame → обработка координат, коллизий, массивов пикселей.
•
OpenCV (cv2) → компьютерное зрение, работа с изображениями и видео (фильтры, распознавание).
•
moderngl / pyglet → работа с 3D-графикой, где NumPy помогает считать матрицы трансформаций.
Пример: игра с пиксельными эффектами: NumPy хранит массивы цветов, OpenCV или pygame рисуют.
Автоматизация работы ПК
•
pyautogui → автоматизация кликов/движений мыши + обработка скриншотов через NumPy.
•
opencv-python → поиск и распознавание элементов на экране (например, автоматизация рутинных
задач в играх или офисе).
•
pandas + numpy → обработка больших CSV/Excel таблиц для отчётов.
Пример профессии: QA-инженер может использовать NumPy + OpenCV для автоматического сравнения
скриншотов интерфейса в тестах.

8.

Наука и аналитика
pandas → анализ таблиц (финансы, медицина, бизнес).
•
matplotlib / seaborn → графики и визуализация.
•
scikit-learn → машинное обучение (кластеризация, прогнозы).
•
tensorflow / pytorch → нейросети, работа с тензорами (а это по сути «трёхмерные массивы NumPy»).
• Пример профессии: аналитик данных в банке использует NumPy + pandas для расчёта рисков.
________________________________________
Примеры профессий и задач
Геймдев (разработчик игр) — расчёт физики и графики.
•
Data Scientist — работа с данными и машинным обучением.
•
Инженер-автоматизатор — управление процессами и роботами.
•
Исследователь (математика/физика/химия) — моделирование экспериментов.
•
Финансист — оптимизация портфелей, прогнозирование цен.

9. Пример расчета прибыли предприятия используя Numpy и что он делает в ней

• Давай разберёмся: NumPy удобен, когда нужно работать не с одним значением,
а сразу с большим количеством данных (например, прибыль по месяцам,
филиалам или товарам).
• В следующем коде будет рассмотренно использование Numpy для высчитывая
прибыль из банка и используя библиотеку Matplotlib визуализировать выведенные
данные в виде графика

10. 1 Импортирования библиотек в Python3

Начнем скрипт с импортирования библиотек используя команду import и
затем указав библиотеку которую мы хотим импортировать и можем ее
название изменить в коде для экономии времени и места в коде. В нашел
случае это будет:
Import numpy as np
import matplotlib.pyplot as plt

11. 2 Собирание всех данных в свои листы и высчитывание данных

Следующий этап собирание всей информации которую нужно обработать для формирование в группу. Этими группами в
Python3 являются листы. И с использованием библиотеки NumPy группируем данные используя одну переменную.
• revenue = np.array([1200, 1500, 1300, 1600, 1800, 2000, 2200, 2100, 1900, 1700, 1600, 1500]) # выручка
• cost = np.array([800, 900, 850, 1000, 1100, 1200, 1300, 1250, 1150, 1050, 1000, 950])
• expenses = np.array([200, 250, 220, 260, 280, 300, 320, 310, 290, 270, 260, 250])
• taxes = np.array([50, 60, 55, 65, 70, 75, 80, 78, 72, 68, 65, 60])
• # Валовая прибыль: Выручка - Себестоимость
• gross_profit = revenue - cost
• # Чистая прибыль: Выручка - Себестоимость - Расходы - Налоги
• net_profit = revenue - cost - expenses - taxes
• # Рентабельность (%): (Чистая прибыль / Выручка) * 100
• profitability = (net_profit / revenue) * 100
# себестоимость
# расходы
# налоги

12. 3 Вывод общего результата в консоли

Используя комманду print мы можем вывести в консоль любого вида информацию. И используя
эту функцию мы выведем всю нужную информацию которую нам нужно подсчитать:
• # === Вывод числовых результатов ===
• print("Валовая прибыль по месяцам:", gross_profit)
• print("Чистая прибыль по месяцам:", net_profit)
• print("Рентабельность (%):", profitability.round(2))
• print("\nСредняя чистая прибыль за год:", net_profit.mean())
• print("Максимальная чистая прибыль:", net_profit.max())
• print("Минимальная чистая прибыль:", net_profit.min())

13. 4.1 Визуализирование данных

Используя функцию plt.figure(figsize=(10, 6)) открывается новое окно с графиком и задается размер графика в скобках
Используя функцию plt.plot рисуется график с параметрами указанными в нем.
plt.twinx() создаёт вторую ось Y (справа), независимую от первой.Это нужно, потому что рентабельность выражается в
процентах, а не в тысячах рублей
• months = np.arange(1, 13) # Месяцы от 1 до 12
• plt.figure(figsize=(10, 6))
• plt.plot(months, net_profit, marker='o', label='Чистая прибыль (тыс. ₽)', linewidth=2) # 1. Чистая прибыль
• plt.plot(months, gross_profit, marker='s', linestyle='--', label='Валовая прибыль (тыс. ₽)', linewidth=2) # 2. Валовая прибыль
• plt.twinx() # 3. Рентабельность (в отдельной шкале справа) и создаём вторую ось Y
• plt.plot(months, profitability, color='green', marker='^', linestyle='-.', label='Рентабельность (%)', linewidth=2)

14. 4.2 Визуализирование данных оформления

plt.title(...) — заголовок графика
plt.xlabel(...) — подпись оси X (месяцы)
plt.ylabel(...) — подпись оси Y (для прибыли)
plt.grid(True) — сетка для удобства чтения
plt.legend(loc="upper left") — добавляет легенду (подписи к линиям)
plt.show() — показывает финальный график на экране
• # Настройки графика
• plt.title("Анализ прибыли предприятия по месяцам", fontsize=14)
• plt.xlabel("Месяц")
• plt.ylabel("Прибыль, тыс. ₽")
• plt.grid(True)
• plt.legend(loc="upper left")
• plt.show()

15. Что делает NumPy в этом примере?

•Хранит данные как массивы (ndarray), а не как обычные списки.
•Выполняет операции над всеми месяцами сразу (векторизация) — не нужны циклы for.
•Даёт быстрые статистические методы (mean(), max(), min() и др.).