Fra Python-liste til ndarray
Forstå, hvorfor arrays er bedre end lister til tal.
Fra Python-liste til ndarray er en gratis Data Science Academy-lektion på CoddyKit. Dette er lektion 1 af 4. Du kan læse hele lektionen gratis nedenfor — og derefter øve dig praktisk i browseren med en indbygget kodeeditor og en AI-vejleder, der er tilgængelig døgnet rundt. Den er en del af læringsforløbet i Data Science Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Data Science Academy-kurset indeholder 4 lektioner i alt.
Mød ndarray
NumPys vigtigste byggesten er ndarray, et gitter af tal, der alle har samme type. Det er arbejdshesten bag næsten alle de dataværktøjer, du kommer til at bruge. 🚀
Lister er fleksible, men langsomme
En Python-list kan indeholde hvad som helst: tal, strenge og endda andre lister. Den frihed er praktisk, men gør listen langsom, når du skal beregne på tal.
Arrays er hurtige og strikse
Et array bytter fleksibilitet for hastighed. Alle elementer har samme dtype, så NumPy gemmer dem kompakt og beregner på dem ved næsten C-hastighed.
Dit første array
Du opretter et array ved at sende en liste til np.array. NumPy læser værdierne og pakker dem ind i et hurtigt numerisk gitter for dig.
import numpy as np
arr = np.array([1, 2, 3, 4])Én type bestemmer det hele
Blander du et heltal og et kommatal i ét array, konverterer NumPy stille og roligt alt til float, fordi alle elementer skal have én fælles type.
np.array([1, 2, 3.5]) # becomes float64Hvorfor hastigheden følger med
Fordi typen er fast, springer NumPy de kontroller over for hvert element, som en liste har brug for. Denne vektorisering er grunden til, at arrays suser gennem millioner af tal. ⚡
Arrays ligger i én blok
Listeelementer ligger spredt i hukommelsen, men et array ligger i én sammenhængende blok. Det kan din CPU godt lide, fordi den læser værdierne i tætte, forudsigelige portioner.
Opret arrays fra bunden
Du starter ikke altid med en liste. np.zeros og np.ones udfylder et array med en valgt værdi, hvilket er perfekt til pladsholdere, du udfylder senere.
np.zeros(5) # array([0., 0., 0., 0., 0.])Områder på NumPy-måden
Har du brug for en jævn talfølge? np.arange fungerer som Pythons range, men giver dig et array tilbage, der er klar til beregninger.
np.arange(0, 10, 2) # 0 2 4 6 8Samme idé, flere dimensioner
Et array er ikke begrænset til én række. Sender du indlejrede lister, får du et 2D-gitter, den matrix-form, der driver tabeller og billeder.
np.array([[1, 2], [3, 4]])Grundlaget for det hele
pandas, scikit-learn og matplotlib bygger alle oven på ndarray. Når du mestrer denne ene type, åbner hele datastakken sig. 🧱
Hurtigt tjek
Lad os tjekke den vigtigste forskel mellem lister og arrays.
Opsummering
Du har mødt ndarray: et tæt pakket gitter med én type, som er bedre end lister til tal. Opret det med np.array, zeros eller arange, og lad derefter hastigheden arbejde for dig. 🎉
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
- 30
- Lektioner
- 120
Ofte stillede spørgsmål
Er lektionen “Fra Python-liste til ndarray” gratis?
Ja — hele teksten til “Fra Python-liste til ndarray” kan læses gratis her på nettet. Hvis du vil øve dig interaktivt med en indbygget kodeeditor og en AI-vejleder døgnet rundt og få adgang til resten af Data Science Academy-kurset, skal du opgradere til CoddyKit PRO. Data Science Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “Fra Python-liste til ndarray”?
Forstå, hvorfor arrays er bedre end lister til tal. Du øver dig i Data Science Academy 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 Data Science Academy?
Der kræves ingen tidligere erfaring. Data Science Academy 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 “Fra Python-liste til ndarray”?
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 Data Science Academy-lektion?
Ja. Alle Data Science Academy-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
- Fra Python-liste til ndarray
- Shape, size og dtype
- Vektoriseret matematik uden loops
- Indeksering og slicing af arrays