Tworzenie tablic NumPy
Tworzyć tablice 1D i 2D za pomocą np.array, np.zeros, np.ones i np.arange, a następnie sprawdzać ich shape i dtype
Tworzenie tablic NumPy to bezpłatna lekcja Pandas & NumPy Academy na CoddyKit. To lekcja 1 z 4. Możesz przeczytać całą lekcję poniżej za darmo — a potem ćwiczyć ją interaktywnie w przeglądarce z wbudowanym edytorem kodu i tutorem AI dostępnym 24/7. To część ścieżki edukacyjnej Pandas & NumPy Academy, a Twój postęp synchronizuje się między webem a aplikacją CoddyKit. Kurs Pandas & NumPy Academy zawiera 4 lekcji w sumie.
Czym jest tablica NumPy?
NumPy to podstawowa biblioteka Pythona do obliczeń numerycznych. Jej sercem jest ndarray — siatka wartości tego samego typu, znacznie szybsza i zajmująca mniej pamięci niż lista.
import numpy as np
# NumPy arrays are fast, typed, and memory-efficient
print(np.__version__)Tworzenie tablic z list
Najprostszy sposób utworzenia tablicy to przekazanie listy do np.array(). NumPy sam wybiera dla niej dtype, a lista list staje się macierzą 2D.
import numpy as np
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]
print(a.dtype) # int64
m = np.array([[1, 2, 3], [4, 5, 6]])
print(m.shape) # (2, 3)np.zeros i np.ones
Potrzebna jest pusta tablica? np.zeros wypełnia ją wartościami 0.0, a np.ones wartościami 1.0 — idealnie nadają się do przygotowania tablicy przed obliczeniem właściwych wartości.
import numpy as np
z = np.zeros(5)
print(z) # [0. 0. 0. 0. 0.]
o = np.ones((3, 4))
print(o.shape) # (3, 4)
print(o.dtype) # float64np.arange dla sekwencji liczb całkowitych
np.arange działa podobnie jak Pythonowe range, ale zwraca tablicę. Należy podać początek, koniec i krok — wartość końcowa nie jest uwzględniana.
import numpy as np
a = np.arange(0, 10, 2)
print(a) # [0 2 4 6 8]
b = np.arange(1.0, 2.0, 0.25)
print(b) # [1. 1.25 1.5 1.75]np.linspace dla równomiernie rozmieszczonych liczb zmiennoprzecinkowych
Potrzebne są równomiernie rozmieszczone liczby zmiennoprzecinkowe? np.linspace zwraca określoną liczbę wartości między dwoma końcami przedziału, uwzględniając oba — bez narastającego błędu zaokrągleń.
import numpy as np
x = np.linspace(0, 1, 5)
print(x) # [0. 0.25 0.5 0.75 1. ]
y = np.linspace(0, 360, 7)
print(y) # [ 0. 60. 120. 180. 240. 300. 360.]np.full i np.eye
Za pomocą np.full można wypełnić tablicę dowolną stałą wartością, a np.eye tworzy macierz jednostkową — jedynki znajdują się na przekątnej, a zera wszędzie indziej.
import numpy as np
f = np.full((2, 3), 7)
print(f)
# [[7 7 7]
# [7 7 7]]
I = np.eye(3)
print(I)
# [[1. 0. 0.]
# [0. 1. 0.]
# [0. 0. 1.]]Określanie dtype podczas tworzenia
Każda tablica ma jeden typ dtype dla wszystkich swoich wartości. Można ustawić go samodzielnie za pomocą dtype= — na przykład wybór float32 zamiast float64 może zmniejszyć zużycie pamięci o połowę.
import numpy as np
a = np.array([1, 2, 3], dtype=np.float32)
print(a.dtype) # float32
print(a.nbytes) # 12 (3 elements x 4 bytes)
b = np.zeros(4, dtype=np.int32)
print(b.dtype) # int32Losowe tablice z np.random
Potrzebne są losowe dane? np.random wygeneruje je za Państwa. Najpierw należy ustawić ziarno, aby przy każdym uruchomieniu otrzymywać te same liczby — jest to kluczowe w powtarzalnych eksperymentach. 🎲
import numpy as np
np.random.seed(42)
u = np.random.rand(3, 3) # uniform [0, 1)
print(u)
n = np.random.randn(5) # standard normal
print(n.round(2))Sprawdzanie kształtu i wymiarów tablicy
Po utworzeniu tablicy zwykle sprawdza się jej shape — krotkę rozmiarów poszczególnych wymiarów. Atrybut .ndim pozwala sprawdzić, ile wymiarów ma tablica.
import numpy as np
a = np.arange(12)
print(a.shape) # (12,)
print(a.ndim) # 1
m = a.reshape(3, 4)
print(m.shape) # (3, 4)
print(m.ndim) # 2Konwertowanie list i krotek
np.array() przyjmuje nie tylko listy — działają również krotki, zakresy, a nawet inne tablice. Należy tylko unikać ragged list wewnętrznych, które niweczą szybkość NumPy.
import numpy as np
# From tuple
t = np.array((10, 20, 30))
print(t) # [10 20 30]
# From range
r = np.array(range(5))
print(r) # [0 1 2 3 4]
# Nested lists -> 2D
m = np.array([[1, 2], [3, 4], [5, 6]])
print(m.shape) # (3, 2)np.empty dla niezainicjalizowanych tablic
np.empty rezerwuje pamięć bez jej wypełniania, więc działa nieco szybciej niż zeros. Wadą jest to, że zawiera pozostałości wcześniejszych danych — przed odczytem zawsze należy coś do niej zapisać.
import numpy as np
buf = np.empty(5)
# Values are garbage — do NOT read before writing
for i in range(5):
buf[i] = i * 2
print(buf) # [0. 2. 4. 6. 8.]Szybki test
Sprawdź swoją wiedzę na temat tworzenia tablic NumPy z tego rozdziału.
Podsumowanie rozdziału
Dobra robota! Można konwertować listy na tablice za pomocą np.array() oraz tworzyć tablice od podstaw przy użyciu zeros, ones, arange i linspace. Następny temat: atrybuty tablic.
Często zadawane pytania
Czy lekcja „Tworzenie tablic NumPy” jest bezpłatna?
Tak — pełny tekst „Tworzenie tablic NumPy” jest dostępny za darmo tutaj w sieci. Aby ćwiczyć ją interaktywnie (wbudowany edytor kodu i tutor AI dostępny 24/7) i odblokować resztę kursu Pandas & NumPy Academy, przejdź na CoddyKit PRO. Kurs Pandas & NumPy Academy zawiera 4 lekcji w sumie.
Co nauczysz się w „Tworzenie tablic NumPy”?
Tworzyć tablice 1D i 2D za pomocą np.array, np.zeros, np.ones i np.arange, a następnie sprawdzać ich shape i dtype Ćwiczysz Pandas & NumPy Academy z praktycznym kodem, który uruchamiasz bezpośrednio w przeglądarce, a tutor AI dostępny 24/7 odpowiada na Twoje pytania podczas pracy nad lekcją.
Czy potrzebuję doświadczenia, aby zacząć Pandas & NumPy Academy?
Nie wymagamy żadnego doświadczenia. Pandas & NumPy Academy w CoddyKit jest strukturyzowany dla początkujących i zaawansowanych użytkowników, więc możesz zacząć tutaj lub od początku i uczyć się w swoim tempie. To lekcja 1 z 4.
Ile czasu zajmuje lekcja „Tworzenie tablic NumPy”?
Większość lekcji CoddyKit trwa około 5–10 minut. Każda lekcja to mały, interaktywny krok, dzięki czemu robisz systematyczne postępy i zawsze wracasz dokładnie do tego samego miejsca — na webie i w aplikacji.
Czy mogę pisać i uruchamiać kod w tej lekcji Pandas & NumPy Academy?
Tak. Każda lekcja Pandas & NumPy Academy zawiera wbudowany edytor kodu, więc piszesz i uruchamiasz prawdziwy kod bezpośrednio w przeglądarce i od razu otrzymujesz sprzężenie zwrotne od AI — bez konfiguracji na komputerze.
Wszystkie lekcje w tym kursie
- Tworzenie tablic NumPy
- Atrybuty tablic i ich inspekcja
- Działania arytmetyczne element po elemencie
- Wycinanie i indeksowanie tablic