Python-Datentypen für Data Science
int, float, complex, bool, str – wie Präzision und Typauswahl die Datenanalyse beeinflussen.
Python-Datentypen für Data Science ist eine kostenlose Learn AI with Python-Lektion auf CoddyKit. Dies ist Lektion 3 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Learn AI with Python-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Zahlen in Data Science
Python verfügt über zwei grundlegende numerische Typen: int (Ganzzahlen beliebiger Genauigkeit) und float (64-Bit-Dezimalzahlen nach IEEE 754). Die richtige Wahl verhindert subtile Datenfehler.
int ist exakt und unbegrenzt
Python-Ganzzahlen laufen nie über. Sie wachsen so weit, wie es der Speicher erlaubt, was sich hervorragend für exakte Zählungen und große Fakultäten eignet.
big = 2 ** 200
print(big)
print(type(big)) # <class 'int'>Tücken der float-Genauigkeit
Gleitkommazahlen können nicht jede Dezimalzahl exakt darstellen. Die klassische Überraschung: 0.1 + 0.2 ist nicht exakt 0.3.
print(0.1 + 0.2) # 0.30000000000000004
print(0.1 + 0.2 == 0.3) # FalseGleitkommazahlen sicher vergleichen
Vergleichen Sie Gleitkommazahlen niemals mit ==. Verwenden Sie stattdessen math.isclose mit einer Toleranz.
import math
print(math.isclose(0.1 + 0.2, 0.3)) # TrueDecimal für Geldbeträge
Verwenden Sie für Währungsbeträge decimal.Decimal, das exakte Werte zur Basis 10 speichert. Erzeugen Sie Decimal-Werte immer aus Zeichenketten statt aus Gleitkommazahlen, damit keine Gleitkommafehler übernommen werden.
from decimal import Decimal
price = Decimal("0.10") + Decimal("0.20")
print(price) # 0.30bool ist eine Unterklasse von int
In Python ist True gleich 1 und False gleich 0. Dadurch können Sie boolesche Werte summieren, um Treffer zu zählen.
mask = [True, False, True, True]
print(sum(mask)) # 3 matches
print(True + True) # 2Mit booleschen Werten zählen
Dieses Verhalten von bool als int findet sich überall in NumPy und pandas: Durch das Summieren einer booleschen Maske lässt sich zählen, wie viele Zeilen eine Bedingung erfüllen.
ages = [12, 20, 35, 17, 40]
adults = sum(a >= 18 for a in ages)
print(adults) # 3Typ mit type() prüfen
type(x) gibt die exakte Klasse eines Werts zurück. Das ist nützlich, wenn eine Spalte unerwartet Zeichenketten statt Zahlen enthält.
print(type(5)) # <class 'int'>
print(type(5.0)) # <class 'float'>
print(type("5")) # <class 'str'>Typ mit isinstance() prüfen
Bevorzugen Sie isinstance gegenüber type ==, da Vererbung berücksichtigt wird. Beachten Sie, dass ein bool bei einer int-Prüfung erfolgreich ist.
print(isinstance(5, int)) # True
print(isinstance(True, int)) # True (bool subclasses int)
print(isinstance(5.0, (int, float))) # TrueTücken der Typumwandlung
Beim Mischen von Typen erfolgt eine stille Typumwandlung. Eine Ganzzahldivision mit Gleitkommazahlen ergibt Gleitkommazahlen; das Verketten einer Zahl mit einer Zeichenkette löst einen TypeError aus. Bereinigen Sie Ihre Datentypen frühzeitig.
print(5 / 2) # 2.5 (true division always float)
print(5 // 2) # 2 (floor division)
# "id-" + 5 # TypeError
print("id-" + str(5)) # id-5Überraschungen bei der float-Aggregation
Beim Summieren vieler Gleitkommazahlen addieren sich winzige Fehler. Bevorzugen Sie für große Datensätze NumPy, das paarweise summiert, um die Abweichung zu verringern.
vals = [0.1] * 10
print(sum(vals)) # 0.9999999999999999
# NumPy: np.sum(vals) is more numerically stableSchnelltest
Testen Sie Ihr Verständnis der Python-Typen.
Zusammenfassung
Wichtige numerische Fakten für die Datenarbeit:
intist exakt und unbegrenztfloatist ungenau; verwenden Siemath.isclosestatt==Decimal("...")für Geldbeträgeboolist ein int:sum(mask)zählttype()zeigt die Klasse,isinstance()berücksichtigt Vererbung- Achten Sie auf stille Typumwandlungen bei Division und Verkettung
Häufig gestellte Fragen
Ist die Lektion „Python-Datentypen für Data Science“ kostenlos?
Ja — der vollständige Text von „Python-Datentypen für Data Science“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Learn AI with Python-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Learn AI with Python-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „Python-Datentypen für Data Science“?
int, float, complex, bool, str – wie Präzision und Typauswahl die Datenanalyse beeinflussen. Du übst Learn AI with Python mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Learn AI with Python zu starten?
Keine Vorkenntnisse erforderlich. Learn AI with Python auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 3 von 4.
Wie lange dauert die Lektion „Python-Datentypen für Data Science“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Learn AI with Python-Lektion Code schreiben und ausführen?
Ja. Jede Learn AI with Python-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- Virtuelle Umgebungen und pip
- Jupyter Notebooks für Data Science
- Python-Datentypen für Data Science
- Mit der Python-REPL und IPython arbeiten