Da una lista Python a un ndarray
Scopra perché gli array sono migliori delle liste per i numeri.
Da una lista Python a un ndarray è una lezione Data Science Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Data Science Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Data Science Academy include 4 lezioni in totale.
Parti di questa lezione non sono ancora state tradotte e vengono mostrate in inglese.
Meet the ndarray
NumPy's core gift is the ndarray, a grid of numbers all of one type. It is the workhorse behind almost every data tool you'll use. 🚀
Lists Are Flexible but Slow
A Python list can hold anything: numbers, strings, even other lists. That freedom is handy, but for crunching numbers it makes the list slow.
Arrays Are Fast and Strict
An array trades flexibility for speed. Every element shares one dtype, so NumPy stores them tightly and computes on them at near-C speed.
Your First Array
You build an array by passing a list to np.array. NumPy reads the values and wraps them into a fast numeric grid for you.
import numpy as np
arr = np.array([1, 2, 3, 4])One Type Rules Them All
Mix an int and a float in one array and NumPy quietly promotes everything to float, because all elements must share a single type.
np.array([1, 2, 3.5]) # becomes float64Why Speed Comes Free
Because the type is fixed, NumPy skips the per-item checks a list needs. This vectorization is why arrays fly through millions of numbers. ⚡
Arrays Live in One Block
List items scatter across memory, but an array sits in one contiguous block. Your CPU loves that, reading values in tight, predictable bursts.
Make Arrays From Scratch
You don't always start from a list. np.zeros and np.ones fill an array with a chosen value, perfect for placeholders you fill in later.
np.zeros(5) # array([0., 0., 0., 0., 0.])Ranges the NumPy Way
Need an even sequence? np.arange works like Python's range but hands you back an array ready for math.
np.arange(0, 10, 2) # 0 2 4 6 8Same Idea, Bigger Dimensions
An array isn't limited to one row. Pass nested lists and you get a 2D grid, the matrix shape that powers tables and images.
np.array([[1, 2], [3, 4]])The Foundation of Everything
pandas, scikit-learn, and matplotlib all sit on top of the ndarray. Master this one type and the whole data stack opens up. 🧱
Quick Check
Let's check the key difference between lists and arrays.
Recap
You met the ndarray: a single-type, tightly packed grid that beats lists for numbers. Build it with np.array, zeros, or arange, then let the speed work for you. 🎉
Domande Frequenti
La lezione «Da una lista Python a un ndarray» è gratuita?
Sì — il testo completo di «Da una lista Python a un ndarray» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Data Science Academy, passa a CoddyKit PRO. Il corso Data Science Academy include 4 lezioni in totale.
Cosa imparerò in «Da una lista Python a un ndarray»?
Scopra perché gli array sono migliori delle liste per i numeri. Eserciti Data Science Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Data Science Academy?
Non è richiesta alcuna esperienza precedente. Data Science Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «Da una lista Python a un ndarray»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Data Science Academy?
Sì. Ogni lezione Data Science Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- Da una lista Python a un ndarray
- Shape, size e dtype
- Calcolo vettorializzato senza cicli
- Indicizzazione e slicing degli array