Gevectoriseerde wiskunde zonder loops
Voer elementgewijze bewerkingen uit op volledige arrays.
Gevectoriseerde wiskunde zonder loops is een gratis Data Science Academy-les op CoddyKit. Dit is les 3 van 4. Je kunt de volledige les hieronder gratis lezen en daarna in de browser praktisch oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is. Deze les maakt deel uit van het leertraject Data Science Academy. Je voortgang wordt gesynchroniseerd op het web en in de CoddyKit-app. De cursus Data Science Academy bevat in totaal 4 lessen.
Rekenen met hele arrays
Met NumPy schrijf je zelden lussen voor berekeningen. Je past in één keer een bewerking toe op een hele array, waarna elk element tegelijk wordt bijgewerkt. ⚡
De oude manier met een lus
In gewone Python betekent getallen verdubbelen dat je ze één voor één doorloopt. Het werkt, maar voor grote gegevensverzamelingen is het omslachtig en langzaam.
out = []
for x in nums:
out.append(x * 2)De gevectoriseerde manier
NumPy vouwt die lus samen tot één regel. Vectorisatie betekent dat de bewerking op de hele array wordt uitgevoerd in snelle gecompileerde code.
arr * 2 # every element doubledStandaard element voor element
Als je twee arrays optelt, koppelt NumPy ze positie voor positie. Dit gedrag element voor element vormt de kern van rekenen met arrays.
np.array([1, 2, 3]) + np.array([10, 20, 30])Scalairen verspreiden zich overal
Voeg één getal toe aan een array en het wordt op elk element toegepast. NumPy noemt dit het broadcasten van de scalair over het hele raster.
np.array([1, 2, 3]) + 100Alle operatoren werken
Aftrekken, delen en machtsverheffen werken ook element voor element. Eén expressie transformeert in een oogwenk een miljoen getallen.
arr ** 2 # square each elementUniversele functies
NumPy bevat snelle rekenhulpmiddelen die ufuncs worden genoemd. np.sqrt en np.exp werken op een volledige array zonder ook maar één lus.
np.sqrt(np.array([1, 4, 9])) # 1 2 3Vergelijk hele arrays
Vergelijkingen worden ook gevectoriseerd. Een expressie zoals arr > 5 geeft een boolean-array terug, met één True of False per element.
np.array([3, 7, 5]) > 5 # F T FWaarom het zo snel werkt
Gevectoriseerde code verplaatst de lus naar geoptimaliseerde C-code. Je vermijdt de overhead van Python per stap, waardoor hetzelfde werk veel sneller klaar is. 🚀
Ook duidelijkere code
Naast snelheid leest gevectoriseerde wiskunde als de formule zelf. Minder code betekent minder fouten en een analyse die iedereen kan volgen.
celsius = (fahrenheit - 32) * 5 / 9Denk in arrays
De verandering in denkwijze is eenvoudig: denk niet langer aan één getal tegelijk, maar aan hele arrays. Die gewoonte ontsluit de kracht van NumPy. 🧠
Snelle controle
Laten we bekijken wat gevectoriseerde wiskunde oplevert.
Samenvatting
Je hebt geleerd de lus weg te laten: gevectoriseerde wiskunde past bewerkingen element voor element toe op hele arrays, met broadcasten van scalairen en ufuncs voor de rest. Sneller en duidelijker. 🎉
Leer Python met een AI-tutor — gratis
Schrijf echte code en voer die uit in je browser, krijg direct hulp van een AI-tutor die 24/7 beschikbaar is en ga verder waar je gebleven bent op het web of in de app.
- Cursussen
- 30
- Lessen
- 120
Veelgestelde vragen
Is de les “Gevectoriseerde wiskunde zonder loops” gratis?
Ja — de volledige tekst van “Gevectoriseerde wiskunde zonder loops” kun je hier gratis op het web lezen. Als je interactief wilt oefenen met een ingebouwde code-editor en een AI-begeleider die 24/7 beschikbaar is, en de rest van de cursus Data Science Academy wilt ontgrendelen, kun je upgraden naar CoddyKit PRO. De cursus Data Science Academy bevat in totaal 4 lessen.
Wat leer ik in “Gevectoriseerde wiskunde zonder loops”?
Voer elementgewijze bewerkingen uit op volledige arrays. Je oefent met Data Science Academy door code rechtstreeks in de browser uit te voeren. Een AI-begeleider die 24/7 beschikbaar is beantwoordt je vragen terwijl je de les doorwerkt.
Heb ik ervaring nodig om met Data Science Academy te beginnen?
Ervaring vooraf is niet nodig. Data Science Academy op CoddyKit is opgebouwd voor beginners tot gevorderden, zodat je hier of bij het begin kunt starten en in je eigen tempo kunt leren. Dit is les 3 van 4.
Hoe lang duurt de les “Gevectoriseerde wiskunde zonder loops”?
De meeste lessen van CoddyKit duren ongeveer 5–10 minuten. Elke les is kort en interactief, zodat je gestaag vooruitgaat en op het web en in de app precies verdergaat waar je was gebleven.
Kan ik code schrijven en uitvoeren in deze les over Data Science Academy?
Ja. Elke les over Data Science Academy bevat een ingebouwde code-editor, zodat je rechtstreeks in je browser echte code kunt schrijven en uitvoeren en direct feedback van AI krijgt — lokale installatie is niet nodig.
Alle lessen in deze cursus
- Van Python-lijst naar ndarray
- Shape, size en dtype
- Gevectoriseerde wiskunde zonder loops
- Arrays indexeren en slicen