Chạy NumPy online

Mảng NumPy: shape, size và dtype

Tạo mảng NumPy đầu tiên và làm quen với ba thuộc tính bạn sẽ kiểm tra thường xuyên: shape, size và dtype.

  • Trung cấp
  • Đọc trong 2 phút
  • 1 ví dụ chạy được
Bạn sẽ học được gì
  • Tạo mảng bằng np.array
  • shape, ndim, size và dtype
  • Vì sao NumPy nhanh hơn list
shape (2, 3)
1[0, 0]
2[0, 1]
3[0, 2]
4[1, 0]
5[1, 1]
6[1, 2]
values[1, 1] là 5: hàng 1, cột 1.

Một kiểu dữ liệu, nhiều chiều

Vấn đề

List của Python rất linh hoạt nhưng tính toán trên nhiều số thì chậm: muốn cộng 1 vào một triệu giá trị, bạn phải chạy một vòng lặp Python. Trong khoa học, phân tích dữ liệu và học máy (machine learning), người ta làm việc với những lưới số rất lớn. Họ cần một cấu trúc sinh ra để tính nhanh trên mọi giá trị cùng lúc.

Hình dung đời thường

Mảng NumPy giống một tờ giấy kẻ ô mà ô nào cũng chứa cùng một loại số. Vì ô nào cũng cùng kích thước và cùng kiểu, bạn có thể xử lý cả một hàng, một cột hay cả tờ giấy trong một lần, thay vì đi qua từng ô.

Từ tờ giấy kẻ ô đến code
np.array([[1, 2, 3], [4, 5, 6]])📄 Một tờ giấy có 2 hàng và 3 cột
values.shape📐 Kích thước của nó: (2, 3)
values.size🔢 Có bao nhiêu ô: 6
print(values)👀 Cả tờ giấy, lần lượt từng hàng
Mọi ô cùng kiểu, nên các phép toán trên cả mảng rất nhanh.
Định nghĩa ngắn gọn

Mảng NumPy (ndarray) là một lưới giá trị cùng một kiểu dữ liệu với hình dạng (shape) cố định, được thiết kế để tính toán nhanh trên mọi phần tử cùng lúc.

Những điểm quan trọng

  1. np.array([[1, 2, 3], [4, 5, 6]]) biến một list chứa các list thành mảng 2 chiều.
  2. values.shape là (2, 3): hai hàng và ba cột.
  3. values.size đếm mọi phần tử: 6.
  4. Mọi phần tử cùng kiểu, và chính điều đó làm phép toán trên mảng nhanh.

Khi nào nên sử dụng?

  • Tính toán trên rất nhiều số cùng lúc: điểm số, số đo, giá tiền.
  • Xử lý hình ảnh, vì ảnh chính là mảng các giá trị điểm ảnh.
  • Định dạng đầu vào của hầu hết thư viện khoa học dữ liệu và học máy.

Khi nào chưa cần

  • Dữ liệu lẫn lộn như tên và số đi cùng nhau: DataFrame của pandas hoặc list các dictionary phù hợp hơn.
  • Tập hợp lớn dần từng phần tử: mỗi lần thêm vào, cả mảng bị sao chép lại; hãy dựng list trước.

Xem cách hoạt động

Trỏ vào một ô để xem hàng, cột và vị trí của nó trong bộ nhớ, nơi các hàng được lưu nối tiếp nhau.

Code ví dụ

Chạy code →
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)
Lấy nút Run cho ví dụ này

Kết quả khi chạy

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

Giải thích code

Hàm np.array() tạo một mảng hai chiều gồm 2 hàng và 3 cột từ danh sách lồng nhau. Thuộc tính shape cho biết kích thước theo từng chiều, ở đây là (2, 3), còn size cho biết tổng số phần tử là 6.

Thay đổi giá trị và chạy chương trình bằng trình chạy Python online của CodeUtility mà không cần cài Python.

Bài tập mở rộng

Hãy thử chỉnh sửa code theo các gợi ý dưới đây. Tự thay đổi và quan sát kết quả sẽ giúp bạn hiểu bài sâu hơn nhiều so với chỉ đọc code.

  1. Thay đổi kích thước (shape) và kiểu dữ liệu (dtype) của mảng đầu vào.
  2. Thử với số âm, số thực và giá trị bị thiếu.
  3. Áp dụng cùng thao tác trên một mảng nhiều chiều lớn hơn và đo thời gian chạy.
Chạy trong trình biên dịch Python →

Lỗi hay gặp

Các hàng dài ngắn khác nhau

Các hàng không cùng độ dài không tạo thành một mảng 2 chiều đúng nghĩa.

Sai
np.array([[1, 2, 3], [4, 5]])  # error or object array
Cách sửa
np.array([[1, 2, 3], [4, 5, 6]])

Bạn học xong bài này chưa?

Đánh dấu đã học để theo dõi tiến độ của bạn.

Luyện tập với thử thách

Áp dụng kiến thức của bài học này để giải một bài toán thực tế. Mỗi thử thách chạy ngay trên trình duyệt, có kiểm thử tức thì và AI nhận xét.

Tất cả thử thách