Hier is een uitleg van de gevraagde NumPy-functies met praktische voorbeelden: 1. numpy.arange Uitleg: De functie numpy.arange genereert een array met getallen binnen een bepaald bereik. Het lijkt op de ingebouwde Python functie range, maar retourneert een NumPy-array. Je kunt de startwaarde, eindwaarde en de stapgrootte specificeren. Voorbeeld: ```python import numpy as np # Maak een array van 0 tot 9 a = np.arange(10) print(a) # Output: [0 1 2 3 4 5 6 7 8 9] # Maak een array van 1 tot 10 met stappen van 2 b = np.arange(1, 11, 2) print(b) # Output: [1 3 5 7 9] ``` 2. numpy.reshape Uitleg: De functie numpy.reshape verandert de vorm (dimensie) van een array zonder de data te wijzigen. Je specificeert de nieuwe vorm als een tuple. Het aantal elementen moet overeenkomen. Voorbeeld: ```python import numpy as np # Maak een array met 12 elementen a = np.arange(12) # Reshape naar een 3x4 matrix b = a.reshape((3, 4)) print(b) # Output: # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] # Reshape naar een 2x6 matrix c = a.reshape((2, 6)) print(c) # Output: # [[ 0 1 2 3 4 5] # [ 6 7 8 9 10 11]] ``` 3. numpy.dot Uitleg: De functie numpy.dot voert een matrixvermenigvuldiging uit (ook bekend als de inproduct- of scalar product). Voor 2D-arrays is het een matrixvermenigvuldiging; voor 1D-arrays wordt een scalar of dot-product berekend. Voorbeeld: ```python import numpy as np # Twee vectoren a = np.array([1, 2]) b = np.array([3, 4]) dot_product = np.dot(a, b) print(dot_product) # Output: 11 (1*3 + 2*4) # Matrixvermenigvuldiging A = np.array([[1, 2], [3, 4]]) B = np.array([[5, 6], [7, 8]]) resultaat = np.dot(A, B) print(resultaat) # Output: # [[19 22] # [43 50]] ``` Samengevat: - **np.arange**: maakt een array met een reeks getallen binnen een bepaald bereik. - **np.reshape**: verandert de vorm van een array zonder data te wijzigen. - **np.dot**: voert matrix- of inproduct-vermenigvuldiging uit. Heeft u nog verdere vragen of voorbeelden?

Zeker, hier zijn de uitleg en voorbeelden voor de gevraagde NumPy-functies: ### 1. numpy.arange **Uitleg:** Creëert een array met gelijkmatig verdeelde waarden binnen een opgegeven bereik. Werkt vergelijkbaar met de built-in `range()` functie maar retourneert een NumPy array. **Voorbeeld:** ```python import numpy as np # Array van 0 tot 9 arr1 = np.arange(10) print(arr1) # Output: [0 1 2 3 4 5 6 7 8 9] # Array van 5 tot 14 arr2 = np.arange(5, 15) print(arr2) # Output: [ 5 6 7 8 9 10 11 12 13 14] # Array van 0 tot 20 in stappen van 3 arr3 = np.arange(0, 20, 3) print(arr3) # Output: [ 0 3 6 9 12 15 18] ``` ### 2. numpy.reshape **Uitleg:** Verandert de vorm (dimensies) van een array zonder de data te wijzigen. Het totale aantal elementen moet gelijk blijven. **Voorbeeld:** ```python import numpy as np # 1D array van 12 elementen arr = np.arange(12) print("Origineel:", arr) # Output: [ 0 1 2 3 4 5 6 7 8 9 10 11] # Omvormen naar 3x4 matrix reshaped = arr.reshape(3, 4) print("3x4 matrix:") print(reshaped) # Output: # [[ 0 1 2 3] # [ 4 5 6 7] # [ 8 9 10 11]] # Omvormen naar 2x3x2 3D array reshaped_3d = arr.reshape(2, 3, 2) print("2x3x2 array:") print(reshaped_3d) # Output: # [[[ 0 1] # [ 2 3] # [ 4 5]] # [[ 6 7] # [ 8 9] # [10 11]]] ``` ### 3. numpy.dot **Uitleg:** Voert matrixvermenigvuldiging uit of het dot product van twee arrays. Voor 2D arrays is dit echte matrixvermenigvuldiging. **Voorbeeld:** ```python import numpy as np # Twee 1D arrays (dot product) a = np.array([1, 2, 3]) b = np.array([4, 5, 6]) dot_1d = np.dot(a, b) print("Dot product 1D:", dot_1d) # Output: 32 (1*4 + 2*5 + 3*6 = 32) # Twee 2D arrays (matrixvermenigvuldiging) matrix1 = np.array([[1, 2], [3, 4]]) matrix2 = np.array([[5, 6], [7, 8]]) dot_2d = np.dot(matrix1, matrix2) print("Matrix vermenigvuldiging:") print(dot_2d) # Output: # [[19 22] # [43 50]] # Berekeningswijze: # [1*5 + 2*7, 1*6 + 2*8] = [19, 22] # [3*5 + 4*7, 3*6 + 4*8] = [43, 50] # Dot product tussen 2D en 1D array matrix = np.array([[1, 2], [3, 4]]) vector = np.array([5, 6]) result = np.dot(matrix, vector) print("Matrix-vector product:", result) # Output: [17 39] ``` Deze functies zijn essentieel voor numerieke berekeningen en data-manipulatie in Python.