Waarom Data Libraries: Lijsten naar Arrays
Eenvoudige Python lists zijn flexibel, maar voor getallen zijn ze traag en omslachtig. Elke waarde in een list verdubbelen betekent dat je een loop moet schrijven:
prices = [10, 20, 30]
doubled = []
for p in prices:
doubled.append(p * 2)
print(doubled) # [20, 40, 60]numpy (Numerical Python) geeft je de ndarray: een raster van getallen opgeslagen in één compact blok geheugen. Wiskunde op een heel array gebeurt in snel gecompileerd C, zonder Python loop. Dit wordt vectorization genoemd.
import numpy as np
prices = np.array([10, 20, 30])
print(prices * 2) # [20 40 60] no loop needed
print(prices.sum()) # 60
print(prices.mean()) # 20.0De hele data en machine-learning stack rust op numpy, dus dit is de natuurlijke eerste stap. We importeren het als np uit gewoonte.
Bouw een array met np.array(a_list), en roep daarna methoden zoals .sum() en .mean() direct op. Ze geven losse getallen (een Python/numpy scalar) terug, geen lijsten.
Importeer numpy als np. Zet de lijst [4, 8, 12, 16] om naar een numpy array genaamd arr. Bereken daarna total als de som en avg als het gemiddelde. Print avg.
Een probleem ontdekt in deze les? Meld het · Vraag naar deze les
Deze oefening opent binnenkort
Maak de les ervoor af voordat deze wordt ontgrendeld. De hele cursus is gratis, geen account nodig, en je kunt deze les nu lezen.
Deze browser blokkeert cookies voor learn.floati.life, dus lessen die je hier hebt afgerond kunnen niet in de juiste volgorde worden geopend. Sta cookies toe voor deze site en laad de pagina opnieuw.