Daripada Senarai Python kepada ndarray
Mengapa tatasusunan lebih baik daripada senarai untuk nombor.
Daripada Senarai Python kepada ndarray ialah pelajaran Data Science Academy percuma di CoddyKit. Ini ialah pelajaran 1 daripada 4. Anda boleh membaca keseluruhan pelajaran di bawah secara percuma — kemudian berlatih secara praktikal dalam pelayar menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7. Pelajaran ini merupakan sebahagian daripada laluan pembelajaran Data Science Academy, dan kemajuan anda disegerakkan merentas web serta aplikasi CoddyKit. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Kenali ndarray
Hadiah teras NumPy ialah ndarray, iaitu grid nombor yang semuanya mempunyai satu jenis. Inilah tenaga kerja di sebalik hampir semua alat data yang akan anda gunakan. 🚀
Senarai Fleksibel tetapi Perlahan
Senarai Python boleh menyimpan apa sahaja: nombor, rentetan, malah senarai lain. Kebebasan itu berguna, tetapi menjadikan senarai perlahan untuk pengiraan nombor.
Tatasusunan Pantas dan Ketat
Tatasusunan menukar fleksibiliti dengan kelajuan. Setiap unsur berkongsi satu dtype, jadi NumPy menyimpannya dengan padat dan mengiranya pada kelajuan hampir seperti C.
Tatasusunan Pertama Anda
Anda membina tatasusunan dengan menghantar satu senarai kepada np.array. NumPy membaca nilainya dan membungkusnya menjadi grid berangka yang pantas untuk anda.
import numpy as np
arr = np.array([1, 2, 3, 4])Satu Jenis Menguasai Semua
Campurkan int dan float dalam satu tatasusunan, lalu NumPy secara senyap menaik taraf semuanya kepada float, kerana semua unsur mesti berkongsi satu jenis.
np.array([1, 2, 3.5]) # becomes float64Mengapa Kelajuan Datang Secara Semula Jadi
Oleh sebab jenisnya tetap, NumPy melangkau pemeriksaan bagi setiap item yang diperlukan oleh senarai. Vektorisasi inilah sebabnya tatasusunan boleh memproses jutaan nombor dengan pantas. ⚡
Tatasusunan Hidup dalam Satu Blok
Item senarai berselerak dalam memori, tetapi tatasusunan berada dalam satu blok bersebelahan. CPU anda menyukainya kerana nilai boleh dibaca dalam kelompok yang rapat dan mudah dijangka.
Bina Tatasusunan dari Awal
Anda tidak semestinya bermula daripada senarai. np.zeros dan np.ones mengisi tatasusunan dengan nilai yang dipilih, sesuai untuk ruang sementara yang akan diisi kemudian.
np.zeros(5) # array([0., 0., 0., 0., 0.])Julat Mengikut Cara NumPy
Perlukan jujukan sekata? np.arange berfungsi seperti range Python, tetapi mengembalikan tatasusunan yang sedia untuk matematik.
np.arange(0, 10, 2) # 0 2 4 6 8Idea Sama, Dimensi Lebih Besar
Tatasusunan tidak terhad kepada satu baris. Hantar senarai bersarang dan anda akan mendapat grid 2D, iaitu bentuk matriks yang menggerakkan jadual dan imej.
np.array([[1, 2], [3, 4]])Asas kepada Segala-galanya
pandas, scikit-learn dan matplotlib semuanya dibina di atas ndarray. Kuasai satu jenis ini dan seluruh susunan data akan terbuka untuk anda. 🧱
Semakan Pantas
Mari semak perbezaan utama antara senarai dan tatasusunan.
Imbas Kembali
Anda telah mengenali ndarray: grid satu jenis yang padat dan mengatasi senarai untuk nombor. Bina dengan np.array, zeros atau arange, kemudian manfaatkan kelajuannya. 🎉
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
- 30
- Pelajaran
- 120
Soalan Lazim
Adakah pelajaran “Daripada Senarai Python kepada ndarray” percuma?
Ya — teks penuh “Daripada Senarai Python kepada ndarray” boleh dibaca secara percuma di web ini. Untuk berlatih secara interaktif menggunakan penyunting kod terbina dalam dan tutor kecerdasan buatan 24/7, serta membuka kunci baki kursus Data Science Academy, tingkat taraf kepada CoddyKit PRO. Kursus Data Science Academy merangkumi sejumlah 4 pelajaran.
Apakah yang akan saya pelajari dalam “Daripada Senarai Python kepada ndarray”?
Mengapa tatasusunan lebih baik daripada senarai untuk nombor. Anda berlatih Data Science Academy 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 Data Science Academy?
Tiada pengalaman terdahulu diperlukan. Pembelajaran Data Science Academy 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 “Daripada Senarai Python kepada ndarray” 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 Data Science Academy ini?
Ya. Setiap pelajaran Data Science Academy 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
- Daripada Senarai Python kepada ndarray
- Bentuk, Saiz dan dtype
- Matematik Bervektor Tanpa Gelung
- Pengindeksan dan Penghirisan Tatasusunan