{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "f020bc3e",
   "metadata": {},
   "source": [
    "# Array-orientierte Programmierung – Vektorisierung\n",
    "\n",
    "Die Verwendung von NumPy-Arrays ermöglicht euch, viele Arten von Datenverarbeitungsaufgaben als prägnante Array-Ausdrücke auszudrücken, die andernfalls das Schreiben von `for`-Schleifen erfordern würden. Diese Praxis, Schleifen durch Array-Ausdrücke zu ersetzen, wird auch _Vektorisierung_ genannt. Im Allgemeinen sind vektorisierte Array-Operationen deutlich schneller als ihre reinen Python-Entsprechungen."
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 1,
   "id": "96d50f7c",
   "metadata": {},
   "outputs": [],
   "source": [
    "import numpy as np"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "fc2b8ae2",
   "metadata": {},
   "source": [
    "Zunächst erstellen wir ein NumPy-Array mit hunderttausend Ganzzahlen:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 2,
   "id": "3189d3db",
   "metadata": {},
   "outputs": [],
   "source": [
    "myarray = np.arange(100000)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "844c0908",
   "metadata": {},
   "source": [
    "Anschließend quadrieren wir alle Elemente in diesem Array mit [numpy.square](https://numpy.org/doc/stable/reference/generated/numpy.square.html):"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 3,
   "id": "942834ca",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "CPU times: user 155 μs, sys: 119 μs, total: 274 μs\n",
      "Wall time: 146 μs\n"
     ]
    },
    {
     "data": {
      "text/plain": [
       "array([         0,          1,          4, ..., 9999400009, 9999600004,\n",
       "       9999800001])"
      ]
     },
     "execution_count": 3,
     "metadata": {},
     "output_type": "execute_result"
    }
   ],
   "source": [
    "%time np.square(myarray)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "67214d2b",
   "metadata": {},
   "source": [
    "Zum Vergleich messen wir nun die Zeit der quadratischen Funktion von Python:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 4,
   "id": "b521de6b",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "CPU times: user 958 μs, sys: 1.09 ms, total: 2.04 ms\n",
      "Wall time: 1.14 ms\n"
     ]
    }
   ],
   "source": [
    "%time for _ in range(10): myarray2 = myarray**2"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "6215ccb8",
   "metadata": {},
   "source": [
    "Und schließlich vergleichen wir die Zeit noch mit der Berechnung der quadratischen Funktion aller Werte einer Python-Liste:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": 5,
   "id": "45b171be",
   "metadata": {},
   "outputs": [
    {
     "name": "stdout",
     "output_type": "stream",
     "text": [
      "CPU times: user 26 ms, sys: 2.81 ms, total: 28.8 ms\n",
      "Wall time: 28.4 ms\n"
     ]
    }
   ],
   "source": [
    "mylist = list(range(100000))\n",
    "%time for _ in range(10): mylist2 = [x**2 for x in mylist]"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3.13 Kernel",
   "language": "python",
   "name": "python313"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.13.0"
  },
  "widgets": {
   "application/vnd.jupyter.widget-state+json": {
    "state": {},
    "version_major": 2,
    "version_minor": 0
   }
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}