Python-listasta ndarrayksi
Miksi taulukot ovat lukuja käsiteltäessä listoja parempia.
Python-listasta ndarrayksi on ilmainen Data Science Academy-oppitunti CoddyKitissä. Tämä on oppitunti 1/4. Voit lukea koko oppitunnin alta ilmaiseksi ja harjoitella sen jälkeen käytännössä selaimessa sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla. Oppitunti kuuluu Data Science Academy-oppimispolkuun, ja edistymisesi synkronoituu verkon ja CoddyKit-sovelluksen välillä. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Tutustu ndarray-tyyppiin
NumPyn tärkein rakennuspalikka on ndarray, yhdentyyppisten lukujen muodostama ruudukko. Se on lähes kaikkien käyttämienne datatyökalujen työjuhta. 🚀
Listat ovat joustavia mutta hitaita
Pythonin list voi sisältää mitä tahansa: lukuja, merkkijonoja ja jopa muita listoja. Tämä joustavuus on kätevää, mutta laskennassa se tekee listasta hitaan.
Taulukot ovat nopeita ja tarkkoja
Taulukko vaihtaa joustavuutta nopeuteen. Jokaisella alkiolla on sama dtype, joten NumPy tallentaa alkiot tiiviisti ja käsittelee niitä lähes C:n nopeudella.
Ensimmäinen taulukkosi
Luotte taulukon välittämällä listan np.array-funktiolle. NumPy lukee arvot ja kokoaa niistä nopean numeerisen ruudukon.
import numpy as np
arr = np.array([1, 2, 3, 4])Yksi tyyppi hallitsee kaikkia
Jos yhdistätte int- ja float-arvon samaan taulukkoon, NumPy muuntaa kaiken huomaamatta float-tyypiksi, koska kaikilla alkioilla on oltava yksi yhteinen tyyppi.
np.array([1, 2, 3.5]) # becomes float64Miksi nopeus tulee itsestään
Koska tyyppi on kiinteä, NumPy ohittaa tarkistukset, jotka listan olisi tehtävä jokaiselle alkiolle. Tämä vektorointi on syy siihen, että taulukot käsittelevät miljoonia lukuja nopeasti. ⚡
Taulukot sijaitsevat yhdessä muistilohkossa
Listan alkiot voivat sijaita eri puolilla muistia, mutta taulukko sijaitsee yhdessä yhtenäisessä lohkossa. Suoritin pitää tästä, koska se voi lukea arvot tiiviinä ja ennakoitavina jaksoina.
Luo taulukoita tyhjästä
Ette aina aloita listasta. np.zeros ja np.ones täyttävät taulukon valitsemallanne arvolla, joten ne sopivat myöhemmin täytettäviksi paikanvaraajiksi.
np.zeros(5) # array([0., 0., 0., 0., 0.])Alueet NumPyn tapaan
Tarvitsetteko tasavälisen numerosarjan? np.arange toimii Pythonin range-funktion tavoin mutta palauttaa laskentaan valmiin taulukon.
np.arange(0, 10, 2) # 0 2 4 6 8Sama ajatus, enemmän ulottuvuuksia
Taulukko ei rajoitu yhteen riviin. Kun välitätte sisäkkäisiä listoja, saatte kaksiulotteisen ruudukon eli matriisin, jota taulukot ja kuvat hyödyntävät.
np.array([[1, 2], [3, 4]])Kaiken perusta
pandas, scikit-learn ja matplotlib rakentuvat ndarray-tyypin päälle. Kun hallitsette tämän yhden tyypin, koko dataekosysteemi avautuu. 🧱
Pikatarkistus
Tarkistetaan listojen ja taulukoiden keskeinen ero.
Kertaus
Tutustuitte ndarray-tyyppiin: samantyyppisten ja tiiviisti pakattujen alkioiden muodostamaan ruudukkoon, joka sopii lukuja käsiteltäessä listoja paremmin. Luokaa se np.array-, zeros- tai arange-funktiolla ja hyödyntäkää sen nopeutta. 🎉
Opi Python tekoälytuutorin avulla — ilmaiseksi
Kirjoita ja suorita oikeaa koodia selaimessa, saa välitöntä apua tekoälytuutorilta ympäri vuorokauden ja jatka siitä, mihin jäit, verkossa tai sovelluksessa.
- Kurssit
- 30
- Oppitunnit
- 120
Usein kysytyt kysymykset
Onko oppitunti ”Python-listasta ndarrayksi” ilmainen?
Kyllä – oppitunnin ”Python-listasta ndarrayksi” koko tekstin voi lukea täällä verkossa ilmaiseksi. Jos haluat harjoitella interaktiivisesti sisäänrakennetulla koodieditorilla ja ympäri vuorokauden käytettävissä olevan tekoälytuutorin avulla sekä avata koko Data Science Academy-kurssin, päivitä CoddyKit PROhon. Data Science Academy-kurssilla on yhteensä 4 oppituntia.
Mitä opin oppitunnilla ”Python-listasta ndarrayksi”?
Miksi taulukot ovat lukuja käsiteltäessä listoja parempia. Harjoittelet Data Science Academy-aihetta koodilla, jonka suoritat suoraan selaimessa. Ympäri vuorokauden käytettävissä oleva tekoälytuutori vastaa kysymyksiisi oppitunnin aikana.
Tarvitsenko kokemusta aloittaakseni Data Science Academy-opiskelun?
Aiempi kokemus ei ole tarpeen. CoddyKitin Data Science Academy-oppimispolku sopii vasta-alkajista edistyneisiin, joten voit aloittaa tästä tai alusta ja edetä omaan tahtiisi. Tämä on oppitunti 1/4.
Kuinka kauan ”Python-listasta ndarrayksi”-oppitunnin suorittaminen kestää?
Useimmat CoddyKitin oppitunnit kestävät noin 5–10 minuuttia. Jokainen oppitunti on lyhyt ja interaktiivinen, joten edistyt tasaisesti ja voit jatkaa siitä, mihin jäit – sekä verkossa että sovelluksessa.
Voinko kirjoittaa ja suorittaa koodia tällä Data Science Academy-oppitunnilla?
Kyllä. Jokainen Data Science Academy-oppitunti sisältää sisäänrakennetun koodieditorin, joten voit kirjoittaa ja suorittaa oikeaa koodia suoraan selaimessa ja saada välitöntä palautetta tekoälyltä – paikallista asennusta ei tarvita.
Kaikki tämän kurssin oppitunnit
- Python-listasta ndarrayksi
- Shape, size ja dtype
- Vektorisoitu matematiikka ilman silmukoita
- Taulukoiden indeksointi ja viipalointi