Shape, size og dtype
Læs et arrays anatomi.
Shape, size og dtype er en gratis Data Science Academy-lektion på CoddyKit. Dette er lektion 2 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.
Læs arrayets anatomi
Alle arrays har metadata om sig selv. Tre egenskaber fortæller dig næsten alt: dets shape, dets størrelse og dets dtype. Lad os gennemgå dem én efter én. 🔍
Shape: Rækker og kolonner
Shape er en tupel med dimensionernes længder. Et gitter på 3 gange 4 angiver (3, 4): tre rækker ned og fire kolonner på tværs.
a = np.zeros((3, 4))
a.shape # (3, 4)Shape viser layoutet
Shape er dit første fornuftstjek. Hvis en model forventer (100, 5), og du giver den (5, 100), er uoverensstemmelsen i shape det sted, hvor fejlene gemmer sig.
ndim: Hvor mange dimensioner
Attributten ndim tæller dimensionerne. En flad række er 1, en tabel er 2, og en stak af tabeller er 3. Det er blot længden af shape.
a.ndim # 2Size: Det samlede antal elementer
Size er det samlede antal elementer, altså produktet af alle værdier i shape. Et (3, 4)-array har en size på 12.
a.size # 12dtype: Den fælles type
dtype angiver den ene type, som alle elementer deler, f.eks. int64 eller float64. Den bestemmer både præcisionen og hukommelsesforbruget.
np.array([1, 2, 3]).dtype # int64Vælg din dtype med vilje
Du kan selv angive typen med argumentet dtype. Brug en mindre type som int32 for at spare hukommelse i meget store arrays.
np.array([1, 2, 3], dtype='int32')dtype påvirker præcisionen
float32 gemmer færre decimaler end float64. Små afrundingsforskelle kan samle sig, så vælg den type, dine tal faktisk har brug for.
Konvertér med astype
Har du allerede et array? astype returnerer en kopi i en ny type, hvilket er praktisk, når du vil omdanne kommatal til hele tal.
f = np.array([1.0, 2.0])
f.astype('int64')itemsize: Byte pr. element
itemsize fortæller dig, hvor mange byte hvert element bruger. Gang den med size for at estimere arrayets samlede hukommelsesforbrug.
a.itemsize # 8 for float64Undersøg før du beregner
Hvis du tjekker shape og dtype først, sparer du timevis. De afslører uoverensstemmende data og forkerte typer før en beregning går galt i stilhed. ✅
Hurtigt tjek
Lad os teste, om du kan aflæse et arrays shape.
Opsummering
Du kan nu aflæse et array med et hurtigt blik: shape viser layoutet, ndim og size viser antal, og dtype viser den fælles type. Disse fire kontroller fanger de fleste fejl tidligt. 🎉
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 “Shape, size og dtype” gratis?
Ja — hele teksten til “Shape, size og dtype” 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 “Shape, size og dtype”?
Læs et arrays anatomi. 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 2 af 4.
Hvor lang tid tager lektionen “Shape, size og dtype”?
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