Pelajari AI dengan Python · Pelajaran

Penciptaan dan Sifat Tatasusunan

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

Pelajaran 1 daripada 413 langkah

Penciptaan dan Sifat Tatasusunan ialah pelajaran Pelajari AI dengan Python percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Sebanyak 3 pelajaran dalam laluan pembelajaran ini boleh dibaca sepenuhnya secara percuma — selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan praktikal dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Pelajari AI dengan Python, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

ndarray

Objek teras NumPy ialah ndarray: grid nombor homogen bersaiz tetap yang disimpan dalam memori bersebelahan. Susun atur inilah yang menjadikan NumPy pantas.

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

Daripada Senarai Bersarang

Hantar senarai yang mengandungi senarai untuk membina tatasusunan 2D. NumPy membuat kesimpulan tentang bentuk daripada strukturnya.

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

Sifar dan Satu

np.zeros dan np.ones memperuntukkan tatasusunan bagi bentuk tertentu terlebih dahulu, iaitu cara piawai untuk mencipta ruang letak sebelum mengisinya.

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

Identiti dengan eye

np.eye(n) membina matriks identiti n kali n: ones pada pepenjuru dan zeros di tempat lain. Ia penting untuk algebra linear.

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

Julat dengan arange

np.arange(start, stop, step) berfungsi seperti range Python tetapi mengembalikan tatasusunan dan menerima langkah 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 Sama dengan linspace

np.linspace(start, stop, num) mengembalikan num titik yang dijarakkan sama rata, termasuk kedua-dua hujung. Ia amat sesuai untuk melukis paksi graf.

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

arange berbanding linspace

Gunakan arange apabila Anda mengetahui langkah; gunakan linspace apabila Anda mengetahui bilangan titik. linspace mengelakkan hanyutan langkah titik terapung.

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

Bentuk dan ndim

.shape ialah tuple saiz dimensi; .ndim ialah bilangan dimensi. Tatasusunan 2x3 mempunyai bentuk (2,3) dan ndim 2.

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

size dan dtype

.size ialah jumlah bilangan elemen; .dtype ialah jenis data elemen. NumPy memilih dtype angka yang cekap secara automatik.

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

itemsize dan Memori

.itemsize ialah saiz bait bagi satu elemen. Darabkannya dengan .size untuk menganggarkan jejak penggunaan memori tatasusunan.

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

Memilih dtype

Anda boleh memaksa dtype untuk menjimatkan memori atau memastikan ketepatan. float32 menggunakan separuh memori berbanding float64.

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

Semakan Pantas

Uji pengetahuan Anda tentang penciptaan tatasusunan.

Jawab dalam pelajaran interaktif

Imbas Kembali

Peralatan penciptaan tatasusunan:

np.array daripada senarai, np.zeros/np.ones sebagai ruang letak, np.eye sebagai identiti
np.arange (mengikut langkah) berbanding np.linspace (mengikut bilangan)
Sifat: shape, ndim, size, dtype, itemsize

Percuma untuk bermula

Pelajari Python dengan tutor kecerdasan buatan — percuma

Tulis dan jalankan kod sebenar dalam pelayar anda, dapatkan bantuan segera daripada tutor kecerdasan buatan yang tersedia 24/7, dan sambung semula dari tempat anda berhenti di web atau dalam aplikasi.

Kursus: 53
Pelajaran: 225

Mula belajar secara percuma Lihat kursus penuh

Soalan Lazim

Adakah pelajaran “Penciptaan dan Sifat Tatasusunan” percuma?

Ya — sebanyak 3 pelajaran dalam laluan pembelajaran Pelajari AI dengan Python, termasuk “Penciptaan dan Sifat Tatasusunan”, boleh dibaca sepenuhnya secara percuma di web ini. Selepas itu, CoddyKit PRO membuka akses kepada semua pelajaran, serta latihan interaktif dengan penyunting kod terbina dalam dan tutor kecerdasan buatan yang tersedia 24/7. Kursus Pelajari AI dengan Python merangkumi sejumlah 4 pelajaran.

Apakah yang akan saya pelajari dalam “Penciptaan dan Sifat Tatasusunan”?

np.array(), np.zeros/ones/eye/arange/linspace, shape, dtype, ndim, size. Anda berlatih Pelajari AI dengan Python menggunakan kod praktikal yang dijalankan terus dalam pelayar, manakala tutor kecerdasan buatan 24/7 menjawab soalan anda semasa anda mengikuti pelajaran.

Adakah saya memerlukan pengalaman untuk memulakan Pelajari AI dengan Python?

Tiada pengalaman terdahulu diperlukan. Pembelajaran Pelajari AI dengan Python di CoddyKit disusun untuk pelajar daripada peringkat pemula hingga lanjutan, jadi anda boleh bermula di sini atau dari awal dan belajar mengikut kadar anda sendiri. Ini ialah pelajaran 1 daripada 4.

Berapa lamakah pelajaran “Penciptaan dan Sifat Tatasusunan” diambil?

Kebanyakan pelajaran CoddyKit mengambil masa kira-kira 5–10 minit. Setiap pelajaran ringkas dan interaktif, jadi anda boleh membuat kemajuan secara berterusan dan menyambung tepat dari tempat anda berhenti di web atau aplikasi.

Bolehkah saya menulis dan menjalankan kod dalam pelajaran Pelajari AI dengan Python ini?

Ya. Setiap pelajaran Pelajari AI dengan Python menyertakan penyunting kod terbina dalam, jadi anda boleh menulis dan menjalankan kod sebenar terus dalam pelayar serta menerima maklum balas kecerdasan buatan serta-merta — tanpa memerlukan persediaan setempat.

Semua pelajaran dalam kursus ini

Penciptaan dan Sifat Tatasusunan
Pengindeksan, Penghirisan dan Pengindeksan Lanjutan
Penyiaran dan Operasi Bervektor
Algebra Linear dengan NumPy

← Kembali ke Pelajari AI dengan Python