Fra Python-liste til ndarray
Se hvorfor tabeller er bedre enn lister for tall.
Fra Python-liste til ndarray er en gratis leksjon i Data Science Academy på CoddyKit. Dette er leksjon 1 av 4. Du kan lese hele leksjonen gratis nedenfor – og deretter øve praktisk i nettleseren med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt. Den er en del av læringsløpet i Data Science Academy, og fremdriften din synkroniseres mellom nettet og CoddyKit-appen. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Møt ndarray
NumPys viktigste byggestein er ndarray, et rutenett med tall av én og samme type. Det er arbeidshesten bak nesten alle dataverktøyene De kommer til å bruke. 🚀
Lister er fleksible, men trege
En Python-list kan inneholde hva som helst: tall, strenger og til og med andre lister. Denne friheten er praktisk, men gjør listen treg når De skal utføre beregninger.
Tabeller er raske og strenge
En array bytter fleksibilitet mot hastighet. Alle elementene har samme dtype, slik at NumPy lagrer dem kompakt og beregner med dem i nesten C-hastighet.
Deres første array
De bygger en array ved å sende en liste til np.array. NumPy leser verdiene og pakker dem inn i et raskt numerisk rutenett.
import numpy as np
arr = np.array([1, 2, 3, 4])Én type bestemmer alt
Blander De et heltall og et desimaltall i én array, konverterer NumPy stille alt til float, fordi alle elementene må ha én felles type.
np.array([1, 2, 3.5]) # becomes float64Hvorfor hastigheten følger med
Fordi typen er fast, slipper NumPy kontrollen av hvert enkelt element som en liste trenger. Denne vektoriseringen er grunnen til at arrayer behandler millioner av tall så raskt. ⚡
Arrayer ligger i én blokk
Listeelementer ligger spredt i minnet, mens en array ligger i én sammenhengende blokk. CPU-en liker dette fordi den kan lese verdier i tette, forutsigbare puljer.
Lag arrayer fra grunnen av
De starter ikke alltid med en liste. np.zeros og np.ones fyller en array med en valgt verdi, noe som passer perfekt for plassholdere De fyller ut senere.
np.zeros(5) # array([0., 0., 0., 0., 0.])Områder på NumPy-måten
Trenger De en jevn tallrekke? np.arange fungerer som Pythons range, men gir Dem en array som er klar for beregninger.
np.arange(0, 10, 2) # 0 2 4 6 8Samme idé, flere dimensjoner
En array er ikke begrenset til én rad. Sender De inn nøstede lister, får De et todimensjonalt rutenett, den matriseformen som driver tabeller og bilder.
np.array([[1, 2], [3, 4]])Grunnlaget for alt
pandas, scikit-learn og matplotlib bygger alle på ndarray. Behersk denne ene typen, så åpner hele datastakken seg. 🧱
Hurtigsjekk
La oss undersøke den viktigste forskjellen mellom lister og arrayer.
Oppsummering
De har møtt ndarray: et kompakt rutenett med én type som er bedre enn lister for tall. Bygg det med np.array, zeros eller arange, og la hastigheten gjøre jobben. 🎉
Lær deg Python med en AI-veileder – gratis
Skriv og kjør ekte kode i nettleseren, få umiddelbar hjelp fra en AI-veileder som er tilgjengelig døgnet rundt, og fortsett der du slapp – på nettet eller i appen.
- Kurs
- 30
- Leksjoner
- 120
Ofte stilte spørsmål
Er leksjonen «Fra Python-liste til ndarray» gratis?
Ja – hele teksten i «Fra Python-liste til ndarray» er gratis å lese her på nettet. For å øve interaktivt med en innebygd kodeeditor og en AI-veileder som er tilgjengelig døgnet rundt, og for å låse opp resten av Data Science Academy-kurset, kan du oppgradere til CoddyKit PRO. Kurset i Data Science Academy inneholder totalt 4 leksjoner.
Hva lærer jeg i «Fra Python-liste til ndarray»?
Se hvorfor tabeller er bedre enn lister for tall. Du øver på Data Science Academy med praktisk kode som du kjører direkte i nettleseren, mens en AI-veileder som er tilgjengelig døgnet rundt, svarer på spørsmålene dine mens du jobber deg gjennom leksjonen.
Trenger jeg erfaring for å begynne med Data Science Academy?
Ingen tidligere erfaring er nødvendig. Data Science Academy på CoddyKit er lagt opp for både nybegynnere og viderekomne, så De kan begynne her eller helt fra start og lære i Deres eget tempo. Dette er leksjon 1 av 4.
Hvor lang tid tar leksjonen «Fra Python-liste til ndarray»?
De fleste CoddyKit-leksjoner tar omtrent 5–10 minutter. Hver leksjon er kort og interaktiv, slik at De gjør jevne fremskritt og kan fortsette akkurat der De slapp – både på nettet og i appen.
Kan jeg skrive og kjøre kode i denne Data Science Academy-leksjonen?
Ja. Alle Data Science Academy-leksjoner har en innebygd kodeeditor, slik at De kan skrive og kjøre ekte kode direkte i nettleseren og få umiddelbar tilbakemelding fra AI – uten lokal konfigurering.
Alle leksjonene i dette kurset
- Fra Python-liste til ndarray
- Shape, størrelse og dtype
- Vektorisert matematikk uten løkker
- Indeksering og slicing av tabeller