Grundlegende Array-Erstellung
Ein NumPy-Array ist ein effizientes, multidimensionales Containerobjekt zur Speicherung und Verarbeitung großer Datensätze desselben Datentyps. Obwohl sie Python-Listen ähneln, sind sie speichereffizienter und ermöglichen leistungsstarke mathematische und numerische Operationen.
Nun ist es an der Zeit, die ersten NumPy-Arrays zu erstellen. Der einfachste Weg hierfür ist die Verwendung der Funktion array(), der entweder eine list oder ein tuple als Argument übergeben wird – und nur diese.
In allen Aufgaben dieses Kurses sollten NumPy-Arrays ausschließlich aus Listen erstellt werden.
1234567import numpy as np # Creating an array from list array_from_list = np.array([1, 2, 3, 2, 6, 1]) # Creating an array from tuple array_from_tuple = np.array((1, 2, 3, 2, 6, 1)) print(f'Array from list: {array_from_list}') print(f'Array from tuple: {array_from_tuple}')
Datentyp angeben
Der Datentyp der Array-Elemente wird implizit festgelegt; er kann jedoch explizit mit dem Parameter dtype angegeben werden:
1234567import numpy as np # Creating an integer array without specifying dtype array_1 = np.array([1, 2, 3]) # Creating an integer array with setting dtype to 1-byte integer array_2 = np.array([1, 2, 3], dtype=np.int8) print(f'First array dtype: {array_1.dtype}') print(f'Second array dtype: {array_2.dtype}')
Das erste Integer-Array verwendet den Standard-Datentyp int64, einen 8-Byte-Integer. Das zweite Array verwendet int8, einen 1-Byte-Integer.
Zu den gebräuchlichsten NumPy-Datentypen gehören numpy.float16, numpy.float32 und numpy.float64, die 2-Byte-, 4-Byte- bzw. 8-Byte-Gleitkommazahlen speichern.
Danke für Ihr Feedback!
Fragen Sie AI
Fragen Sie AI
Fragen Sie alles oder probieren Sie eine der vorgeschlagenen Fragen, um unser Gespräch zu beginnen
What are the benefits of specifying the data type explicitly in NumPy arrays?
Can you explain the difference between int8 and int64 in terms of memory usage?
How do I choose the right data type for my NumPy array?
Awesome!
Completion rate improved to 3.7Grundlegende Array-Erstellung
Swipe um das Menü anzuzeigen
Ein NumPy-Array ist ein effizientes, multidimensionales Containerobjekt zur Speicherung und Verarbeitung großer Datensätze desselben Datentyps. Obwohl sie Python-Listen ähneln, sind sie speichereffizienter und ermöglichen leistungsstarke mathematische und numerische Operationen.
Nun ist es an der Zeit, die ersten NumPy-Arrays zu erstellen. Der einfachste Weg hierfür ist die Verwendung der Funktion array(), der entweder eine list oder ein tuple als Argument übergeben wird – und nur diese.
In allen Aufgaben dieses Kurses sollten NumPy-Arrays ausschließlich aus Listen erstellt werden.
1234567import numpy as np # Creating an array from list array_from_list = np.array([1, 2, 3, 2, 6, 1]) # Creating an array from tuple array_from_tuple = np.array((1, 2, 3, 2, 6, 1)) print(f'Array from list: {array_from_list}') print(f'Array from tuple: {array_from_tuple}')
Datentyp angeben
Der Datentyp der Array-Elemente wird implizit festgelegt; er kann jedoch explizit mit dem Parameter dtype angegeben werden:
1234567import numpy as np # Creating an integer array without specifying dtype array_1 = np.array([1, 2, 3]) # Creating an integer array with setting dtype to 1-byte integer array_2 = np.array([1, 2, 3], dtype=np.int8) print(f'First array dtype: {array_1.dtype}') print(f'Second array dtype: {array_2.dtype}')
Das erste Integer-Array verwendet den Standard-Datentyp int64, einen 8-Byte-Integer. Das zweite Array verwendet int8, einen 1-Byte-Integer.
Zu den gebräuchlichsten NumPy-Datentypen gehören numpy.float16, numpy.float32 und numpy.float64, die 2-Byte-, 4-Byte- bzw. 8-Byte-Gleitkommazahlen speichern.
Danke für Ihr Feedback!
