Från Python-lista till ndarray
Varför arrayer är bättre än listor för tal.
Från Python-lista till ndarray är en gratis lektion i Data Science Academy på CoddyKit. Detta är lektion 1 av 4. Ni kan läsa hela lektionen gratis nedan och sedan öva praktiskt i webbläsaren med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt. Den ingår i lärvägen för Data Science Academy, och Era framsteg synkroniseras mellan webben och CoddyKit-appen. Kursen i Data Science Academy innehåller totalt 4 lektioner.
Möt ndarray
NumPys viktigaste byggsten är ndarray, ett rutnät med tal där alla har samma typ. Det är arbetshästen bakom nästan alla dataverktyg du kommer att använda. 🚀
Listor är flexibla men långsamma
En Python-lista kan innehålla vad som helst: tal, strängar och till och med andra listor. Den friheten är praktisk, men gör listan långsam när du bearbetar tal.
Arrayer är snabba och strikta
En array byter flexibilitet mot snabbhet. Alla element delar en dtype, så NumPy lagrar dem tätt och beräknar med dem i nästan C-hastighet.
Din första array
Du skapar en array genom att skicka en lista till np.array. NumPy läser värdena och paketerar dem i ett snabbt numeriskt rutnät åt dig.
import numpy as np
arr = np.array([1, 2, 3, 4])En typ bestämmer allt
Blanda ett heltal och ett flyttal i samma array, så konverterar NumPy diskret allt till float, eftersom alla element måste ha samma typ.
np.array([1, 2, 3.5]) # becomes float64Varför snabbheten kommer av sig själv
Eftersom typen är fast slipper NumPy de kontroller för varje element som en lista behöver. Denna vektorisering är anledningen till att arrayer snabbt bearbetar miljontals tal. ⚡
Arrayer ligger i ett sammanhängande block
Listelement ligger utspridda i minnet, men en array finns i ett enda sammanhängande block. Det gillar processorn, som kan läsa värdena i täta, förutsägbara omgångar.
Skapa arrayer från grunden
Du börjar inte alltid med en lista. np.zeros och np.ones fyller en array med ett valt värde, vilket passar perfekt för platshållare som du fyller i senare.
np.zeros(5) # array([0., 0., 0., 0., 0.])Intervall på NumPy-vis
Behöver du en jämn talföljd? np.arange fungerar som Pythons range men ger dig en array som är redo för matematiska beräkningar.
np.arange(0, 10, 2) # 0 2 4 6 8Samma idé, fler dimensioner
En array är inte begränsad till en rad. Skicka in nästlade listor så får du ett 2D-rutnät, den matrisform som används för tabeller och bilder.
np.array([[1, 2], [3, 4]])Grunden för allt
pandas, scikit-learn och matplotlib bygger alla ovanpå ndarray. Bemästra denna enda typ, så öppnar sig hela datastacken. 🧱
Snabbkontroll
Nu kontrollerar vi den viktigaste skillnaden mellan listor och arrayer.
Sammanfattning
Du har mött ndarray: ett tätt packat rutnät med en enda typ som är bättre än listor för tal. Skapa det med np.array, zeros eller arange och dra nytta av snabbheten. 🎉
Lär dig Python med en AI-lärare – gratis
Skriv och kör riktig kod i webbläsaren, få omedelbar hjälp av en AI-lärare dygnet runt och fortsätt där du slutade – på webben eller i appen.
- Kurser
- 30
- Lektioner
- 120
Vanliga frågor
Är lektionen ”Från Python-lista till ndarray” gratis?
Ja – hela texten till ”Från Python-lista till ndarray” kan läsas gratis här på webben. Om Ni vill öva interaktivt med en inbyggd kodredigerare och en AI-handledare som är tillgänglig dygnet runt och låsa upp resten av kursen i Data Science Academy, kan Ni uppgradera till CoddyKit PRO. Kursen i Data Science Academy innehåller totalt 4 lektioner.
Vad lär jag mig i ”Från Python-lista till ndarray”?
Varför arrayer är bättre än listor för tal. Ni övar på Data Science Academy med praktisk kod som körs direkt i webbläsaren, medan en AI-handledare som är tillgänglig dygnet runt svarar på Era frågor under lektionen.
Behöver jag någon erfarenhet för att börja lära mig Data Science Academy?
Du behöver inga förkunskaper. Utbildningen i Data Science Academy på CoddyKit är upplagd för allt från nybörjare till avancerade elever, så att du kan börja här eller från början och gå fram i din egen takt. Detta är lektion 1 av 4.
Hur lång tid tar lektionen ”Från Python-lista till ndarray”?
De flesta CoddyKit-lektioner tar cirka 5–10 minuter. Varje lektion är kort och interaktiv, så att du gör stadiga framsteg och kan fortsätta precis där du slutade – på webben eller i appen.
Kan jag skriva och köra kod i den här Data Science Academy-lektionen?
Ja. Varje Data Science Academy-lektion innehåller en inbyggd kodredigerare, så att du kan skriva och köra riktig kod direkt i webbläsaren och få omedelbar AI-feedback – utan lokal installation.
Alla lektioner i den här kursen
- Från Python-lista till ndarray
- Shape, size och dtype
- Vektoriserad matematik utan loopar
- Indexera och skiva arrayer