NumPy online ausführen

NumPy-Arrays (ndarray)

In dieser Lektion erstellst du ein zweidimensionales NumPy-Array und siehst dir seine grundlegenden Eigenschaften wie Form (shape) und Elementanzahl (size) an.

  • Fortgeschritten
  • 2 Min. Lesezeit
  • 1 ausführbares Beispiel

Einführung

Das Problem

Python-Listen sind flexibel, aber für Rechnungen mit vielen Zahlen langsam: Um zu einer Million Werte jeweils 1 zu addieren, brauchst du eine Python-Schleife. Wissenschaft, Datenanalyse und Machine Learning arbeiten mit großen Zahlengittern und brauchen eine Struktur, die dafür gebaut ist, mit allen Werten auf einmal schnell zu rechnen.

Stell es dir so vor

Ein NumPy-Array ist wie ein Blatt Millimeterpapier, auf dem jedes Kästchen dieselbe Art von Zahl enthält. Weil jedes Kästchen gleich groß und vom gleichen Typ ist, kannst du eine ganze Zeile, eine Spalte oder das ganze Blatt auf einmal bearbeiten, statt die Kästchen einzeln abzuklappern.

Vom Millimeterpapier zum Code
np.array([[1, 2, 3], [4, 5, 6]])📄 Ein Blatt mit 2 Zeilen und 3 Spalten
values.shape📐 Seine Größe: (2, 3)
values.size🔢 Wie viele Kästchen: 6
print(values)👀 Das ganze Blatt, Zeile für Zeile
Jedes Kästchen hat denselben Typ, deshalb sind Operationen auf dem ganzen Array schnell.
In einem Satz

Ein NumPy-Array (ndarray) ist ein Gitter aus Werten eines einzigen Datentyps mit fester Form, gebaut für schnelle Operationen auf allen Elementen gleichzeitig.

Das Wichtigste

  1. np.array([[1, 2, 3], [4, 5, 6]]) macht aus einer Liste von Listen ein zweidimensionales Array.
  2. values.shape ist (2, 3): zwei Zeilen und drei Spalten.
  3. values.size zählt alle Elemente: 6.
  4. Jedes Element hat denselben Typ. Genau das macht Rechnen mit Arrays schnell.

Wann verwendet man das?

  • Rechnungen mit vielen Zahlen auf einmal: Punkte, Messwerte, Preise.
  • Bilder, denn sie sind Arrays aus Pixelwerten.
  • Das Eingabeformat für die meisten Bibliotheken für Data Science und Machine Learning.

Wann du es nicht brauchst

  • Gemischte Daten wie Namen und Zahlen zusammen: Ein pandas-DataFrame oder eine Liste von Dictionaries passt besser.
  • Sammlungen, die Element für Element wachsen: Bei jedem Anhängen wird das ganze Array kopiert, also baue erst eine Liste.

So funktioniert es

Zeige auf eine Zelle, um Zeile, Spalte und ihre Position im Speicher zu sehen, wo alle Zeilen hintereinander liegen.

Beispielcode

Code ausführen →
main.py
import numpy as np

values = np.array([[1, 2, 3], [4, 5, 6]])

print(values)
print("shape:", values.shape)
print("size:", values.size)
Run-Button für dieses Beispiel erstellen

Ergebnis der Ausführung

[[1 2 3]
 [4 5 6]]
shape: (2, 3)
size: 6

Erklärung des Codes

Die Funktion np.array() erzeugt aus einer verschachtelten Liste ein zweidimensionales Array mit 2 Zeilen und 3 Spalten. Das Attribut shape gibt die Größe jeder Dimension an, hier (2, 3), und size die Gesamtzahl der Elemente, nämlich 6.

Ändere die Werte und führe das Programm im CodeUtility Python Online-Compiler aus, ohne Python lokal zu installieren.

Übungen zur Vertiefung

Ändere den Code anhand der folgenden Vorschläge. Wenn du selbst etwas änderst und das Ergebnis beobachtest, verstehst du viel mehr, als wenn du den Code nur liest.

  1. Ändere die Form (shape) und den Datentyp (dtype) des Eingabearrays.
  2. Teste mit negativen Zahlen, Kommazahlen und fehlenden Werten.
  3. Wende dieselbe Operation auf ein größeres mehrdimensionales Array an und miss die Laufzeit.
Im Python-Compiler ausführen →

Häufige Fehler

Ungleich lange Zeilen

Zeilen unterschiedlicher Länge ergeben kein richtiges 2D-Array.

Problem
np.array([[1, 2, 3], [4, 5]])  # error or object array
Lösung
np.array([[1, 2, 3], [4, 5, 6]])

Lektion fertig?

Markiere sie als gelernt, um deinen Fortschritt zu verfolgen.

Mit einer Challenge üben

Nutze den Inhalt dieser Lektion, um ein echtes Problem zu lösen. Jede Challenge läuft im Browser, mit sofortigen Tests und einem KI-Review.

Alle Challenges