NumPy-arrays og dtypes
Opret ndarrays, forstå dtypes, og udforsk array-egenskaber.
NumPy-arrays og dtypes er en gratis Python 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 Python Academy, og dine fremskridt synkroniseres på tværs af nettet og CoddyKit-appen. Python Academy-kurset indeholder 4 lektioner i alt.
Hvad er NumPy?
NumPy leverer ndarray — et array med fast type og sammenhængende hukommelse, som understøtter vektoriserede operationer, der er mange størrelsesordener hurtigere end Python-lister.
import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr) # [1 2 3 4 5]
print(arr * 2) # [ 2 4 6 8 10] (no Python loop)Oprettelse af arrays
Almindelige funktioner til oprettelse er: np.array(), np.zeros(), np.ones(), np.arange(), np.linspace().
import numpy as np
print(np.zeros((2, 3))) # 2x3 array of 0.0
print(np.ones(5)) # [1. 1. 1. 1. 1.]
print(np.arange(0, 10, 2)) # [0 2 4 6 8]
print(np.linspace(0, 1, 5)) # [0. 0.25 0.5 0.75 1. ]dtypes
Hvert NumPy-array har én enkelt dtype. Almindelige dtypes er: int32, int64, float32, float64, bool, complex128.
import numpy as np
a = np.array([1, 2, 3]) # int64 by default
b = np.array([1.0, 2.0]) # float64
c = np.array([1, 2], dtype=np.float32)
print(a.dtype) # int64
print(c.dtype) # float32Arrayets shape og ndim
shape er en tupel med dimensionernes størrelser. ndim er antallet af dimensioner. size er det samlede antal elementer.
import numpy as np
m = np.ones((3, 4))
print(m.shape) # (3, 4)
print(m.ndim) # 2
print(m.size) # 12
print(m.dtype) # float64Ændring af arrayets form
reshape() returnerer et view med en ny form (de samme data). flatten() returnerer en kopi som et 1D-array.
import numpy as np
arr = np.arange(12)
mat = arr.reshape(3, 4)
print(mat)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
print(mat.flatten()) # [ 0 1 2 3 ...]Typekonvertering
Brug arr.astype(dtype) til at konvertere et array til en anden type. Dette returnerer altid en kopi.
import numpy as np
arr = np.array([1, 2, 3])
float_arr = arr.astype(np.float64)
print(float_arr) # [1. 2. 3.]
print(float_arr.dtype) # float64Tilfældige arrays
Generér tilfældige arrays med np.random: uniformt fordelte tal, normalfordelte tal og heltal.
import numpy as np
rng = np.random.default_rng(seed=42) # reproducible
print(rng.random(5)) # 5 uniform [0,1)
print(rng.standard_normal(3)) # 3 normal(0,1)
print(rng.integers(1, 10, 4)) # 4 ints [1,10)Undersøgelse af arrayets hukommelse
itemsize angiver antal bytes pr. element; nbytes angiver det samlede antal bytes.
import numpy as np
arr = np.zeros(1_000_000, dtype=np.float64)
print(arr.itemsize) # 8
print(arr.nbytes) # 8_000_000 (8 MB)
small = arr.astype(np.float32)
print(small.nbytes) # 4_000_000 (4 MB)np.empty og np.full
np.empty allokerer uden at initialisere (hurtigt). np.full udfylder med en konstant værdi.
import numpy as np
e = np.empty((2,3)) # uninitialised — random garbage values
f = np.full((2,3), fill_value=7)
print(f)
# [[7 7 7]
# [7 7 7]]View kontra kopi
Udsnitsudtagning af et NumPy-array returnerer et view (ingen kopi). Hvis du ændrer viewet, ændres originalen også. Brug .copy() til at oprette et uafhængigt array.
import numpy as np
arr = np.array([1, 2, 3, 4])
view = arr[1:3]
view[0] = 99
print(arr) # [ 1 99 3 4] — original changed!
copy = arr[1:3].copy()
copy[0] = 0
print(arr) # unchangedStrukturerede arrays
Strukturerede arrays gemmer heterogene data (som en C-struct) i ét ndarray med navngivne felter.
import numpy as np
dt = np.dtype([('name', 'U10'), ('age', np.int32), ('score', np.float64)])
people = np.array([
('Alice', 30, 95.5),
('Bob', 25, 87.3),
], dtype=dt)
print(people['name']) # ['Alice' 'Bob']Hurtigt tjek
Hvad returnerer arr.reshape(3, 4)?
Opsamling
NumPys ndarray er et array med fast type og sammenhængende hukommelse. Vigtige attributter er: shape, dtype, ndim, nbytes. Udsnitsudtagning returnerer views; brug .copy() for uafhængighed. Vælg den mindste tilstrækkelige dtype for at spare hukommelse.
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
- 76
- Lektioner
- 320
Ofte stillede spørgsmål
Er lektionen “NumPy-arrays og dtypes” gratis?
Ja — hele teksten til “NumPy-arrays og dtypes” 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 Python Academy-kurset, skal du opgradere til CoddyKit PRO. Python Academy-kurset indeholder 4 lektioner i alt.
Hvad lærer jeg i “NumPy-arrays og dtypes”?
Opret ndarrays, forstå dtypes, og udforsk array-egenskaber. Du øver dig i Python 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 Python Academy?
Der kræves ingen tidligere erfaring. Python 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 “NumPy-arrays og dtypes”?
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 Python Academy-lektion?
Ja. Alle Python 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
- NumPy-arrays og dtypes
- Array-operationer og broadcasting
- Indeksering, udskæring og avanceret indeksering
- Lineær algebra med NumPy