Изучите NumPy в восьми пошаговых лабораторных работах, которые объясняют не только операции с массивами, но и важность формы, типа данных и поведения памяти. Вы будете писать и запускать небольшие программы Python, переходя от создания и индексации массивов к файлам, broadcasting, структурированным данным и универсальным функциям.
Вместо одного большого проекта курс предлагает конкретные эксперименты. Вы загрузите CSV с пропусками, сравните представления с независимыми копиями, проверите совместимые и несовместимые формы и проследите за поэлементными операциями NumPy. Это сформирует надёжное понимание для дальнейшей численной работы.
Чему вы научитесь
- Создавать многомерные массивы из последовательностей Python, конструкторов NumPy и файлов
- Выбирать и изменять данные срезами, целочисленной индексацией и булевыми масками
- Импортировать таблицы через
genfromtxt, обрабатывая заголовки, разделители, столбцы и пропуски - Проверять, задавать и преобразовывать типы NumPy с помощью
dtypeиastype - Применять правила broadcasting и распознавать несовместимые формы
- Различать представления и копии и проверять общую память через
base - Создавать и читать именованные поля структурированных и record-массивов
- Использовать универсальные функции для поэлементных операций, свёрток, типов результата и собственного поведения
Для кого этот курс
Курс предназначен для начинающих пользователей NumPy и будущих специалистов по данным, которым нужна ясная основа работы массивов. Он особенно полезен тем, кто уже пишет простой код Python, но хочет получить пошаговые объяснения перед большими наборами упражнений или библиотеками на основе NumPy.
Предварительные требования: Рекомендуются основы Python: списки, переменные, условия и запуск скриптов. Опыт работы с NumPy не требуется.
Учебная среда: В каждой работе предоставляется WebIDE на Ubuntu 22.04 с начальными Python-файлами, терминалом и нужными CSV-данными. Вы редактируете и запускаете обычные файлы .py в браузере без локальной настройки.
Часто задаваемые вопросы
Это пошаговый курс или преимущественно набор испытаний?
Курс состоит из восьми пошаговых лабораторных работ с пояснениями, запускаемыми примерами и последовательными заданиями. Отдельных challenge-работ нет.
Зачем изучать копии и представления?
Срезы NumPy могут использовать память исходного массива, а расширенная индексация обычно создаёт копию. Это различие помогает понять, изменятся ли исходные данные.
Работает ли курс с данными из файлов?
Да. Вы примените loadtxt к простому CSV, а genfromtxt — для пропуска заголовка, выбора столбцов, задания типов и замены пропусков.
Будут ли Pandas, машинное обучение или визуализация?
Нет. Курс сосредоточен на массивах NumPy. Он создаёт основу для этих тем, но не рассматривает DataFrame, прогнозные модели или построение графиков.
