Summary  
This chapter demonstrates how to create and initialize NumPy arrays from Python lists or tuples and how to explicitly specify their element data types using the `dtype` parameter.

General domain of usage  
Numerical computing

En **NumPy-array** är en effektiv, flerdimensionell behållare för lagring och hantering av stora datamängder med samma datatyper. Även om de liknar Python-listor är de mer **minnes­effektiva** och möjliggör högpresterande **matematiska** och **numeriska** operationer.

Nu är det dags att skapa dina första **NumPy**-arrayer. Det mest **direkta** sättet att göra detta är att använda funktionen `array()`, där du skickar in en `list` eller en `tuple` som argument, och endast dessa.

Du bör skapa **NumPy**-arrayer endast från **listor** i alla uppgifter genom hela vår kurs.

Notering

import 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}')

## Ange datatyp

Datatypen för array-elementen definieras **implicit**; dock kan du ange den explicit med parametern `dtype`:

import 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}')

Den första heltalsarrayen använder standardtypen `int64`, vilket är ett **8-byte heltal**. Den andra arrayen använder `int8`, ett **1-byte heltal**.

De vanligaste NumPy-datatyperna inkluderar `numpy.float16`, `numpy.float32` och `numpy.float64`, vilka lagrar 2-byte, 4-byte respektive 8-byte **flyttal**.

Vilken parameter i funktionen `np.array()` låter dig uttryckligen definiera datatypen för array-elementen?

Lås upp hela potentialen hos Pythons mest grundläggande bibliotek för numerisk beräkning, NumPy. Denna omfattande kurs är utformad för att ta dig från nybörjarnivå till avancerad kompetens i NumPy. Oavsett om du är data scientist, ingenjör, forskare eller utvecklare är det avgörande att behärska NumPy för effektiv datamanipulering, vetenskaplig beräkning och maskininlärning.

Utforska användningsområdena för NumPy och förstå varför det är ett av de mest populära biblioteken för numerisk beräkning. Lär dig olika metoder för att skapa och initiera arrayer för att effektivt hantera olika databehov.

Utforska hur du får åtkomst till specifika element och delmängder i NumPy-arrayer med hjälp av indexnotation. Lär dig att använda villkorsindexering för att filtrera data och hantera saknade värden effektivt.

NumPy erbjuder många inbyggda funktioner för att utföra vanliga arrayoperationer. Lär dig hur du använder dessa verktyg för att transformera, aggregera och analysera data effektivt utan att skriva upprepad kod.

Lär dig att utföra matematiska operationer effektivt på NumPy-arrayer. Tillämpa dessa operationer för att lösa verkliga problem och få en djupare förståelse för hur vektoriserade beräkningar påskyndar numerisk analys.

Grundläggande Skapande av Arrayer

Ange datatyp