NumPy-Arrays erstellen
Erstellen Sie 1D- und 2D-Arrays mit np.array, np.zeros, np.ones und np.arange und untersuchen Sie anschließend deren shape und dtype.
NumPy-Arrays erstellen ist eine kostenlose Pandas & NumPy Academy-Lektion auf CoddyKit. Dies ist Lektion 1 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 Pandas & NumPy Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Pandas & NumPy Academy-Kurs umfasst insgesamt 4 Lektionen.
Was ist ein NumPy-Array?
NumPy ist die Standardbibliothek von Python für numerische Berechnungen. Ihr Kern ist das ndarray – ein Raster gleichartiger Werte, das deutlich schneller und speichereffizienter als eine Liste ist.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Arrays aus Listen erstellen
Die einfachste Möglichkeit, ein Array zu erstellen: Übergeben Sie eine Liste an np.array(). NumPy wählt den dtype automatisch aus, und aus einer Liste von Listen wird eine 2-D-Matrix.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros und np.ones
Benötigen Sie eine leere Ausgangsbasis? np.zeros füllt ein Array mit 0.0, und np.ones füllt es mit 1.0 – ideal, um ein Array vor der Berechnung seiner tatsächlichen Werte einzurichten.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange für Ganzzahlfolgen
np.arange funktioniert wie Pythons range, gibt aber ein Array zurück. Geben Sie Start, Ende und Schrittweite an – der Endwert ist nicht enthalten.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace für gleichmäßig verteilte Gleitkommazahlen
Benötigen Sie gleichmäßig verteilte Gleitkommazahlen? np.linspace liefert eine festgelegte Anzahl von Werten zwischen zwei Endpunkten, wobei beide enthalten sind – ohne schleichende Rundungsfehler.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full und np.eye
Verwenden Sie np.full, um ein Array mit einer beliebigen Konstante zu füllen, und np.eye, um eine Einheitsmatrix zu erstellen – mit Einsen auf der Diagonale und Nullen überall sonst.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]dtype beim Erstellen festlegen
Jedes Array verwendet für alle seine Werte genau einen dtype. Legen Sie ihn mit dtype= selbst fest – die Wahl von float32 statt float64 kann beispielsweise den Speicherbedarf halbieren.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Zufallsarrays mit np.random
Benötigen Sie Zufallsdaten? np.random generiert sie für Sie. Setzen Sie zuerst einen Seed, damit Sie bei jedem Durchlauf dieselben Zahlen erhalten – entscheidend für reproduzierbare Experimente. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Array-Form und -Dimensionen überprüfen
Nach dem Erstellen eines Arrays überprüfen Sie meist seine shape – ein Tupel mit der Größe jeder Dimension. Mit .ndim sehen Sie, wie viele Dimensionen es besitzt.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Listen und Tupel konvertieren
np.array() akzeptiert mehr als nur Listen – auch Tupel, ranges und sogar andere Arrays funktionieren. Vermeiden Sie jedoch ragged inner lists mit uneinheitlicher Länge, da sie NumPys Geschwindigkeit beeinträchtigen.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty für nicht initialisierte Arrays
np.empty reserviert Speicher, ohne ihn zu füllen, und ist daher etwas schneller als zeros. Der Nachteil: Es enthält alte, zufällige Speicherwerte – schreiben Sie immer zuerst, bevor Sie lesen.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Schnelltest
Testen Sie Ihr Verständnis der Array-Erstellung mit NumPy aus dieser Lektion.
Lektionszusammenfassung
Gute Arbeit! Sie können Listen mit np.array() in Arrays umwandeln und Arrays mit zeros, ones, arange und linspace von Grund auf erstellen. Als Nächstes folgen Array-Attribute.
Häufig gestellte Fragen
Ist die Lektion „NumPy-Arrays erstellen“ kostenlos?
Ja — der vollständige Text von „NumPy-Arrays erstellen“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Pandas & NumPy Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Pandas & NumPy Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „NumPy-Arrays erstellen“?
Erstellen Sie 1D- und 2D-Arrays mit np.array, np.zeros, np.ones und np.arange und untersuchen Sie anschließend deren shape und dtype. Du übst Pandas & NumPy Academy 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 Pandas & NumPy Academy zu starten?
Keine Vorkenntnisse erforderlich. Pandas & NumPy Academy 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 1 von 4.
Wie lange dauert die Lektion „NumPy-Arrays erstellen“?
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 Pandas & NumPy Academy-Lektion Code schreiben und ausführen?
Ja. Jede Pandas & NumPy Academy-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
- NumPy-Arrays erstellen
- Array-Attribute und -Inspektion
- Elementweise Arithmetik
- Array-Slicing und -Indexierung