0Pricing
Learn AI with Python · Pelajaran

Pembuatan dan Properti Array

np.array(), np.zeros/ones/eye/arange/linspace, shape, dtype, ndim, size.

Pembuatan dan Properti Array adalah pelajaran Learn AI with Python gratis di CoddyKit. Ini adalah pelajaran 1 dari 4. Kamu bisa membaca pelajaran lengkapnya di bawah secara gratis — lalu praktikkan langsung di browser dengan editor kode bawaan dan tutor AI 24/7. Ini adalah bagian dari jalur belajar Learn AI with Python, dan progresmu tersinkronisasi di web dan aplikasi CoddyKit. Kursus Learn AI with Python mencakup 4 pelajaran total.

Objek ndarray

Objek inti NumPy adalah ndarray: kisi angka homogen berukuran tetap yang disimpan dalam memori bersebelahan. Tata letak inilah yang membuat NumPy cepat.

import numpy as np
a = np.array([1, 2, 3, 4])
print(a)   # [1 2 3 4]

Dari Daftar Bersarang

Berikan daftar yang berisi daftar untuk membuat larik 2D. NumPy menyimpulkan bentuknya dari struktur tersebut.

m = np.array([[1, 2, 3], [4, 5, 6]])
print(m)
# [[1 2 3]
#  [4 5 6]]

Zeros dan Ones

np.zeros dan np.ones mengalokasikan terlebih dahulu larik dengan bentuk tertentu, cara standar untuk membuat tempat penampung sebelum mengisinya.

print(np.zeros((2, 3)))   # 2x3 of 0.0
print(np.ones(4))         # [1. 1. 1. 1.]

Matriks Identitas dengan eye

np.eye(n) membuat matriks identitas berukuran n kali n: ones pada diagonal dan zeros di tempat lainnya. Ini penting untuk aljabar linear.

print(np.eye(3))
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

Rentang dengan arange

np.arange(start, stop, step) bekerja seperti range milik Python, tetapi mengembalikan larik dan menerima langkah berupa float.

print(np.arange(0, 10, 2))   # [0 2 4 6 8]
print(np.arange(0, 1, 0.25))  # [0.   0.25 0.5  0.75]

Jarak Merata dengan linspace

np.linspace(start, stop, num) mengembalikan num titik dengan jarak merata, termasuk kedua ujungnya. Sangat cocok untuk sumbu plot.

print(np.linspace(0, 1, 5))   # [0.   0.25 0.5  0.75 1.  ]

arange vs linspace

Gunakan arange ketika Anda mengetahui langkah; gunakan linspace ketika Anda mengetahui jumlah titik. linspace menghindari penyimpangan langkah floating-point.

# 50 points from 0 to 2*pi for a smooth curve
x = np.linspace(0, 2 * np.pi, 50)

Bentuk dan Jumlah Dimensi

.shape adalah tuple berisi ukuran setiap dimensi; .ndim adalah jumlah dimensi. Larik 2x3 memiliki shape (2,3) dan ndim 2.

m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape)   # (2, 3)
print(m.ndim)    # 2

Ukuran dan Tipe Data

.size adalah jumlah total elemen; .dtype adalah tipe data elemen. NumPy secara otomatis memilih dtype numerik yang efisien.

print(m.size)    # 6
print(m.dtype)   # int64

Ukuran Elemen dan Memori

.itemsize adalah ukuran satu elemen dalam byte. Kalikan dengan .size untuk memperkirakan penggunaan memori larik.

print(m.itemsize)          # 8 (bytes per int64)
print(m.size * m.itemsize) # 48 bytes total

Memilih Tipe Data

Anda dapat memaksa dtype untuk menghemat memori atau memastikan presisi. float32 menggunakan separuh memori dibandingkan float64.

a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype)      # float32
print(a.itemsize)   # 4

Uji Cepat

Uji pemahaman Anda tentang pembuatan larik.

Rangkuman

Perangkat untuk membuat larik:

  • np.array dari daftar, np.zeros/np.ones sebagai tempat penampung, dan np.eye untuk matriks identitas
  • np.arange (berdasarkan langkah) vs np.linspace (berdasarkan jumlah)
  • Properti: shape, ndim, size, dtype, itemsize

Pertanyaan yang Sering Diajukan

Apakah pelajaran “Pembuatan dan Properti Array” gratis?

Ya — teks lengkap “Pembuatan dan Properti Array” gratis dibaca di sini di web. Untuk praktiknya secara interaktif (editor kode bawaan dan tutor AI 24/7) dan buka sisa kursus Learn AI with Python, upgrade ke CoddyKit PRO. Kursus Learn AI with Python mencakup 4 pelajaran total.

Apa yang akan aku pelajari di “Pembuatan dan Properti Array”?

np.array(), np.zeros/ones/eye/arange/linspace, shape, dtype, ndim, size. Kamu berlatih Learn AI with Python dengan kode praktik yang langsung kamu jalankan di browser, dan tutor AI 24/7 menjawab pertanyaanmu saat kamu mengerjakan pelajaran ini.

Apakah aku perlu pengalaman untuk memulai Learn AI with Python?

Tidak diperlukan pengalaman sebelumnya. Learn AI with Python di CoddyKit dirancang untuk pemula hingga pelajar tingkat lanjut, jadi kamu bisa memulai di sini atau dari awal dan belajar sesuai kecepatan kamu sendiri. Ini adalah pelajaran 1 dari 4.

Berapa lama pelajaran “Pembuatan dan Properti Array” memakan waktu?

Sebagian besar pelajaran CoddyKit memakan waktu sekitar 5–10 menit. Setiap pelajaran ringkas dan interaktif, jadi kamu membuat kemajuan stabil dan melanjutkan dari tempat kamu tinggalkan di web dan aplikasi.

Bisakah aku menulis dan menjalankan kode dalam pelajaran Learn AI with Python ini?

Ya. Setiap pelajaran Learn AI with Python menyertakan editor kode bawaan, jadi kamu menulis dan menjalankan kode nyata langsung di browser dan mendapatkan umpan balik AI instan — tidak diperlukan penyiapan lokal.

Semua pelajaran dalam kursus ini

  1. Pembuatan dan Properti Array
  2. Pengindeksan, Pemotongan, dan Pengindeksan Lanjutan
  3. Broadcasting dan Operasi Tervektorisasi
  4. Aljabar Linear dengan NumPy
← Kembali ke Learn AI with Python