Lær AI med Python · Lektion

Oprettelse af arrays og deres egenskaber

np.array(), np.zeros/ones/eye/arange/linspace, shape, dtype, ndim, size.

Lektion 1 af 413 trin

Oprettelse af arrays og deres egenskaber er en gratis Lær AI med Python-lektion på CoddyKit. Dette er lektion 1 af 4. Du kan læse alle 3 lektioner i dette læringsspor gratis i deres fulde længde — derefter låser CoddyKit PRO alle lektioner op samt praktiske øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Den er en del af læringsforløbet i Lær AI med Python, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Lær AI med Python-kurset indeholder 4 lektioner i alt.

ndarray

NumPys centrale objekt er ndarray: et gitter af tal med fast størrelse og ensartet type, gemt i sammenhængende hukommelse. Det er denne opbygning, der gør NumPy hurtigt.

import numpy as np
a = np.array([1, 2, 3, 4])
print(a)   # [1 2 3 4]

Fra indlejrede lister

Giv en liste af lister for at opbygge et 2D-array. NumPy udleder formen ud fra strukturen.

m = np.array([[1, 2, 3], [4, 5, 6]])
print(m)
# [[1 2 3]
#  [4 5 6]]

Nuller og ettaller

np.zeros og np.ones forhåndsallokerer arrays med en given form. Det er standardmetoden til at oprette pladsholdere, før du udfylder dem.

print(np.zeros((2, 3)))   # 2x3 of 0.0
print(np.ones(4))         # [1. 1. 1. 1.]

Identitetsmatrix med eye

np.eye(n) opbygger en n gange n-identitetsmatrix: ettaller på diagonalen og nuller alle andre steder. Den er essentiel i lineær algebra.

print(np.eye(3))
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

Områder med arange

np.arange(start, stop, step) fungerer som Pythons range, men returnerer et array og accepterer float-trin.

print(np.arange(0, 10, 2))   # [0 2 4 6 8]
print(np.arange(0, 1, 0.25))  # [0.   0.25 0.5  0.75]

Jævn afstand med linspace

np.linspace(start, stop, num) returnerer num punkter med jævn afstand, inklusive begge endepunkter. Det er perfekt til diagramakser.

print(np.linspace(0, 1, 5))   # [0.   0.25 0.5  0.75 1.  ]

arange kontra linspace

Brug arange, når du kender trinnet; brug linspace, når du kender antallet af punkter. linspace undgår afvigelser fra float-trin.

# 50 points from 0 to 2*pi for a smooth curve
x = np.linspace(0, 2 * np.pi, 50)

Shape og ndim

.shape er en tuple med størrelserne på dimensionerne, mens .ndim er antallet af dimensioner. Et 2x3-array har shape (2,3) og ndim 2.

m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape)   # (2, 3)
print(m.ndim)    # 2

size og dtype

.size er det samlede antal elementer, mens .dtype er elementernes datatype. NumPy vælger automatisk en effektiv numerisk dtype.

print(m.size)    # 6
print(m.dtype)   # int64

itemsize og hukommelse

.itemsize er størrelsen i byte for ét element. Gang den med .size for at anslå arrayets hukommelsesforbrug.

print(m.itemsize)          # 8 (bytes per int64)
print(m.size * m.itemsize) # 48 bytes total

Valg af dtype

Du kan tvinge en dtype for at spare hukommelse eller sikre præcision. float32 bruger halvt så meget hukommelse som float64.

a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype)      # float32
print(a.itemsize)   # 4

Hurtig kontrol

Test din viden om oprettelse af arrays.

Besvar den i den interaktive lektion

Opsamling

Værktøjer til oprettelse af arrays:

np.array fra lister, np.zeros/np.ones som pladsholdere, np.eye som identitetsmatrix
np.arange (efter trin) kontra np.linspace (efter antal)
Egenskaber: shape, ndim, size, dtype, itemsize

Gratis at komme i gang

Lær Python med en AI-underviser — gratis

Skriv og kør rigtig kode i din browser, få øjeblikkelig hjælp fra en AI-underviser døgnet rundt, og fortsæt, hvor du slap, på web eller i appen.

Kurser: 53
Lektioner: 225

Start gratis Se hele kurset

Ofte stillede spørgsmål

Er lektionen “Oprettelse af arrays og deres egenskaber” gratis?

Ja — alle 3 lektioner i læringssporet Lær AI med Python, inklusive “Oprettelse af arrays og deres egenskaber”, kan læses gratis i deres fulde længde her på webstedet. Derefter låser CoddyKit PRO alle lektioner op samt interaktive øvelser med en indbygget kodeeditor og en AI-underviser døgnet rundt. Lær AI med Python-kurset indeholder 4 lektioner i alt.

Hvad lærer jeg i “Oprettelse af arrays og deres egenskaber”?

np.array(), np.zeros/ones/eye/arange/linspace, shape, dtype, ndim, size. Du øver dig i Lær AI med Python med praktisk kode, som du kører direkte i browseren, og en AI-vejleder døgnet rundt besvarer dine spørgsmål, mens du arbejder dig gennem lektionen.

Skal jeg have erfaring for at begynde på Lær AI med Python?

Der kræves ingen tidligere erfaring. Lær AI med Python på CoddyKit er tilrettelagt for både begyndere og øvede, så du kan starte her eller fra begyndelsen og lære i dit eget tempo. Dette er lektion 1 af 4.

Hvor lang tid tager lektionen “Oprettelse af arrays og deres egenskaber”?

De fleste CoddyKit-lektioner tager cirka 5–10 minutter. Hver lektion er kort og interaktiv, så du gør løbende fremskridt og kan fortsætte, hvor du slap – på både web og app.

Kan jeg skrive og køre kode i denne Lær AI med Python-lektion?

Ja. Alle Lær AI med Python-lektioner har en indbygget kodeeditor, så du kan skrive og køre rigtig kode direkte i din browser og få øjeblikkelig feedback fra AI – uden lokal opsætning.

Alle lektioner i dette kursus

Oprettelse af arrays og deres egenskaber
Indeksering, slicing og fancy indexing
Broadcasting og vektoriserede operationer
Lineær algebra med NumPy

← Tilbage til Lær AI med Python