Почему библиотеки данных: из списков в массивы
Обычные списки Python гибкие, но для чисел они медленные и громоздкие. Удвоение каждого значения в списке означает написание цикла:
prices = [10, 20, 30]
doubled = []
for p in prices:
doubled.append(p * 2)
print(doubled) # [20, 40, 60]numpy (Numerical Python) дает вам ndarray: сетку чисел, хранящуюся в одном плотном блоке памяти. Математика над всем массивом происходит в быстром скомпилированном C без Python loop. Это называется vectorization.
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()) # 20.0Весь стек данных и машинного обучения построен на numpy, поэтому это естественный первый шаг. Мы импортируем его как np по соглашению.
Создайте массив с np.array(a_list), затем вызывайте методы типа .sum() и .mean() прямо на нем. Они возвращают одиночные числа (скаляр Python/numpy), а не списки.
Импортируйте numpy как np. Превратите список [4, 8, 12, 16] в numpy массив под названием arr. Затем вычислите total как его сумму и avg как его среднее значение. Выведите avg.
Заметили проблему в этом уроке? Сообщите о ней · Спросить об этом уроке
Это упражнение откроется скоро
Закончи предыдущий урок, чтобы открылся этот. Весь курс бесплатный, аккаунт не нужен, и ты можешь прочитать этот урок прямо сейчас.
Этот браузер блокирует cookies для learn.floati.life, поэтому завершенные здесь уроки не могут открыться по порядку. Разрешите cookies для этого сайта и перезагрузите страницу.