Grunnleggende Opprettelse av Matriser
Et NumPy-array er en effektiv, flerdimensjonal beholder for lagring og håndtering av store datasett med samme datatyper. Selv om de ligner på Python-lister, er de mer minneeffektive og muliggjør høyytelses matematiske og numeriske operasjoner.
Nå er det på tide å opprette dine første NumPy-arrayer. Den mest direkte måten å gjøre dette på er ved å bruke funksjonen array(), hvor du sender inn enten en list eller en tuple som argument, og kun disse.
Du skal kun opprette NumPy-arrayer fra lister i alle oppgavene gjennom hele kurset.
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}')
Spesifisering av datatyper
Datatypen til elementene i arrayet defineres implisitt; du kan imidlertid angi den eksplisitt med parameteren dtype:
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}')
Det første heltallsarrayet bruker standard datatypen int64, som er et 8-bytes heltall. Det andre arrayet bruker int8, et 1-bytes heltall.
De vanligste NumPy-datatypene inkluderer numpy.float16, numpy.float32 og numpy.float64, som lagrer henholdsvis 2-bytes, 4-bytes og 8-bytes flyttall.
Takk for tilbakemeldingene dine!
Spør AI
Spør AI
Spør om hva du vil, eller prøv ett av de foreslåtte spørsmålene for å starte chatten vår
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 3.7Grunnleggende Opprettelse av Matriser
Sveip for å vise menyen
Et NumPy-array er en effektiv, flerdimensjonal beholder for lagring og håndtering av store datasett med samme datatyper. Selv om de ligner på Python-lister, er de mer minneeffektive og muliggjør høyytelses matematiske og numeriske operasjoner.
Nå er det på tide å opprette dine første NumPy-arrayer. Den mest direkte måten å gjøre dette på er ved å bruke funksjonen array(), hvor du sender inn enten en list eller en tuple som argument, og kun disse.
Du skal kun opprette NumPy-arrayer fra lister i alle oppgavene gjennom hele kurset.
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}')
Spesifisering av datatyper
Datatypen til elementene i arrayet defineres implisitt; du kan imidlertid angi den eksplisitt med parameteren dtype:
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}')
Det første heltallsarrayet bruker standard datatypen int64, som er et 8-bytes heltall. Det andre arrayet bruker int8, et 1-bytes heltall.
De vanligste NumPy-datatypene inkluderer numpy.float16, numpy.float32 og numpy.float64, som lagrer henholdsvis 2-bytes, 4-bytes og 8-bytes flyttall.
Takk for tilbakemeldingene dine!
