Data Science Academy · Урок

От списка Python к ndarray

Почему массивы лучше списков для чисел.

«От списка Python к ndarray» — бесплатный урок Data Science Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Data Science Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Data Science Academy содержит 4 уроков всего.

Части этого урока еще не переведены и отображаются на английском.

Meet the ndarray

NumPy's core gift is the ndarray, a grid of numbers all of one type. It is the workhorse behind almost every data tool you'll use. 🚀

Lists Are Flexible but Slow

A Python list can hold anything: numbers, strings, even other lists. That freedom is handy, but for crunching numbers it makes the list slow.

Arrays Are Fast and Strict

An array trades flexibility for speed. Every element shares one dtype, so NumPy stores them tightly and computes on them at near-C speed.

Your First Array

You build an array by passing a list to np.array. NumPy reads the values and wraps them into a fast numeric grid for you.

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

One Type Rules Them All

Mix an int and a float in one array and NumPy quietly promotes everything to float, because all elements must share a single type.

np.array([1, 2, 3.5])  # becomes float64

Why Speed Comes Free

Because the type is fixed, NumPy skips the per-item checks a list needs. This vectorization is why arrays fly through millions of numbers. ⚡

Arrays Live in One Block

List items scatter across memory, but an array sits in one contiguous block. Your CPU loves that, reading values in tight, predictable bursts.

Make Arrays From Scratch

You don't always start from a list. np.zeros and np.ones fill an array with a chosen value, perfect for placeholders you fill in later.

np.zeros(5)   # array([0., 0., 0., 0., 0.])

Ranges the NumPy Way

Need an even sequence? np.arange works like Python's range but hands you back an array ready for math.

np.arange(0, 10, 2)  # 0 2 4 6 8

Same Idea, Bigger Dimensions

An array isn't limited to one row. Pass nested lists and you get a 2D grid, the matrix shape that powers tables and images.

np.array([[1, 2], [3, 4]])

The Foundation of Everything

pandas, scikit-learn, and matplotlib all sit on top of the ndarray. Master this one type and the whole data stack opens up. 🧱

Quick Check

Let's check the key difference between lists and arrays.

Recap

You met the ndarray: a single-type, tightly packed grid that beats lists for numbers. Build it with np.array, zeros, or arange, then let the speed work for you. 🎉

Часто задаваемые вопросы

Урок «От списка Python к ndarray» бесплатный?

Да — полный текст урока «От списка Python к ndarray» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Data Science Academy, подпишись на CoddyKit PRO. Курс Data Science Academy содержит 4 уроков всего.

Чему я научусь в уроке «От списка Python к ndarray»?

Почему массивы лучше списков для чисел. Ты практикуешь Data Science Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.

Нужен ли мне опыт, чтобы начать Data Science Academy?

Предыдущий опыт не требуется. Data Science Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.

Сколько времени занимает урок «От списка Python к ndarray»?

Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.

Можно ли писать и запускать код в этом уроке Data Science Academy?

Да. Каждый урок Data Science Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.

Все уроки этого курса

← Назад к Data Science Academy