Esercizi NumPy – Livello Intermedio/Avanzato (2025)

Questa raccolta di esercizi è pensata per chi vuole consolidare l’uso di NumPy in contesti reali: analisi ambientale, simulazioni, normalizzazioni, ottimizzazione e modellazione statistica. Ogni esercizio include codice Python, formule matematiche e osservazioni applicative.
Idealmente prosegue gli esercizi:
Esercizi NumPy: La Guida Pratica dal Livello Base ad Avanzato (2025)

Esercizio 7 – Analisi dei consumi energetici

Obiettivo: Calcolare la deviazione standard dei consumi mensili (in kWh) di 12 clienti.

Formula: [math]\sigma = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (x_i – \mu)^2}[/math]

import numpy as np

consumi = np.array([320, 280, 310, 295, 330, 300, 310, 305, 290, 315, 325, 310])
deviazione_std = np.std(consumi)
print("Deviazione standard:", deviazione_std)

Osservazione: Una deviazione standard bassa indica stabilità nei consumi tra i clienti.

Esercizio 8 – Ottimizzazione di magazzino

Obiettivo: Calcolare la somma e la media degli articoli stoccati in 5 scaffali da 4 reparti ciascuno.

import numpy as np

scaffali = np.array([
    [120, 130, 115, 140],
    [100, 110, 105, 95],
    [150, 160, 155, 145],
    [90, 85, 95, 100],
    [130, 135, 125, 140]
])

somma_per_scaffale = np.sum(scaffali, axis=1)
media_per_scaffale = np.mean(scaffali, axis=1)

print("Somma:", somma_per_scaffale)
print("Media:", media_per_scaffale)

Osservazione: L’analisi per asse consente di ottimizzare la distribuzione degli articoli.

Esercizio 9 – Simulazione di sconti progressivi

Obiettivo: Calcolare il prezzo finale di 10 prodotti dopo sconto del 15% e IVA al 22%.

Formula: [math]P_{\text{finale}} = P \cdot (1 – s) \cdot (1 + \text{IVA})[/math]

import numpy as np

prezzi = np.array([100, 150, 200, 250, 300, 120, 180, 220, 270, 310])
sconto = 0.15
iva = 0.22

prezzi_finali = prezzi * (1 - sconto) * (1 + iva)
print("Prezzi finali:", prezzi_finali)

Osservazione: Il broadcasting consente di applicare operazioni scalari su array interi.

Esercizio 10 – Analisi ambientale con soglie

Obiettivo: Identificare le zone urbane che superano la soglia critica di PM2.5 pari a 35 μg/m³.

import numpy as np

pm25 = np.array([22, 30, 28, 40, 36, 33, 25, 38, 42, 29, 31, 45, 27, 34, 39])
soglia = 35

zone_critiche = pm25 > soglia
print("Zone critiche:", zone_critiche)
print("Valori critici:", pm25[zone_critiche])

Osservazione: Il masking permette di filtrare dati in base a condizioni logiche.

Esercizio 11 – Normalizzazione di dati biometrici

Obiettivo: Normalizzare le frequenze cardiache di 20 pazienti tra 0 e 1.

Formula: [math]x_{\text{norm}} = \frac{x – x_{\min}}{x_{\max} – x_{\min}}[/math]

import numpy as np

frequenze = np.array([72, 85, 90, 78, 88, 95, 80, 76, 92, 84, 89, 77, 81, 86, 93, 79, 83, 87, 91, 82])
min_val = np.min(frequenze)
max_val = np.max(frequenze)

frequenze_norm = (frequenze - min_val) / (max_val - min_val)
print("Frequenze normalizzate:", frequenze_norm)

Osservazione: La normalizzazione è utile per confrontare variabili su scale diverse.

Esercizio 12 – Simulazione di errore sperimentale

Obiettivo: Simulare un esperimento ripetuto 1000 volte con errore casuale e calcolare media e deviazione standard.

import numpy as np

np.random.seed(42)
errori = np.random.normal(loc=0, scale=1.5, size=1000)

media_errore = np.mean(errori)
dev_std_errore = np.std(errori)

print("Media errore:", media_errore)
print("Deviazione standard:", dev_std_errore)

Osservazione: La simulazione con np.random.normal() è utile per modellare errori gaussiani.

Deviazione standard: 14.577379737113251

Somma: [505 410 610 370 530]
Media: [126.25 102.5 152.5 92.5 132.5]

Prezzi finali: [100.1  150.15 200.2  250.25 300.3  120.12 180.18 220.22 270.27 310.31]

Zone critiche: [False False False  True  True False False  True  True False False  True False False  True]
Valori critici: [40 36 38 42 45 39]

Frequenze normalizzate: [0.         0.72222222 0.88888889 0.33333333 0.83333333 1.
0.44444444 0.22222222 0.94444444 0.66666667 0.86111111 0.27777778
0.5        0.75       0.97222222 0.30555556 0.61111111 0.80555556
0.91666667 0.55555556]

Media errore: -0.01621557884779994
Deviazione standard: 1.505885123456234