Array-Länge in Python verstehen

Key Takeaways

1. Verwenden Sie len(), um die Länge von Python-Listen und Arrays zu erhalten.
2. NumPy-Arrays bieten .size für die gesamte Elementanzahl.
3. Die Wahl der Datenstruktur beeinflusst, wie die Länge interpretiert wird.

Bei der Arbeit mit Arrays oder ähnlichen Datenstrukturen in Python ist es grundlegend zu wissen, wie man ihre Länge bestimmt. Ob Sie Daten iterieren, Eingaben validieren oder Berechnungen durchführen, die Fähigkeit, die Anzahl der Elemente in einer Sammlung abzurufen, ist unerlässlich. In diesem Artikel werden wir untersuchen, wie die Array-Länge in Python behandelt wird, und die Unterschiede zwischen Listen, Arrays aus dem Modul array und NumPy-Arrays verdeutlichen.

Listen und die Funktion len()

In Python ist der am häufigsten verwendete Sequenztyp die Liste. Um die Anzahl der Elemente in einer Liste zu ermitteln, verwenden Sie die integrierte Funktion len():

my_list = [10, 20, 30, 40]
print(len(my_list))  # Ausgabe: 4

Die Funktion len() gibt die Anzahl der Elemente in der Liste zurück. Diese Methode ist effizient und funktioniert mit vielen Sequenztypen, die über Listen hinausgehen, einschließlich Strings, Tupel, Dictionaries und Mengen.

Das Modul array

Während Python-Listen vielseitig sind, sind sie nicht für numerische Operationen optimiert. Python bietet ein array-Modul in seiner Standardbibliothek, das speichereffizienter für die Speicherung homogener Datentypen ist (d. h. alle Elemente sind vom gleichen Typ). Sie können len() auch mit Arrays verwenden, die mit diesem Modul erstellt wurden:

import array

my_array = array.array('i', [1, 2, 3, 4, 5])
print(len(my_array))  # Ausgabe: 5

Das 'i' gibt den Datentyp (signed integer) an. Wie bei Listen gibt len() die Anzahl der Elemente im Array zurück.

NumPy Arrays

Für wissenschaftliches Rechnen und umfangreiche numerische Operationen ist NumPy die Bibliothek der Wahl. NumPy-Arrays unterscheiden sich von Python-Listen und array.array-Objekten in Bezug auf Funktionalität und Leistung.

Um die Anzahl der Elemente in einem NumPy-Array zu ermitteln, können Sie entweder len() oder das Attribut .size verwenden:

import numpy as np

np_array = np.array([[1, 2, 3], [4, 5, 6]])
print(len(np_array))      # Ausgabe: 2 (Anzahl der Zeilen)
print(np_array.size)      # Ausgabe: 6 (Gesamtanzahl der Elemente)
print(np_array.shape)     # Ausgabe: (2, 3)

Hier gibt len(np_array) die Größe der ersten Dimension (d. h. die Anzahl der Zeilen) zurück, während .size die Gesamtzahl der Elemente im gesamten Array angibt. Das Attribut .shape gibt die Dimensionen des Arrays an.

Zusammenfassung

Das Verständnis, wie man die Länge eines Arrays in Python bestimmt, hängt von der Art der Datenstruktur ab, mit der Sie arbeiten. Hier ist eine kurze Zusammenfassung:

Die Wahl der richtigen Methode und Struktur hängt von Ihrem Anwendungsfall ab, aber in jedem Fall macht es Python einfach, die Größe Ihrer Sammlungen zu ermitteln.

FAQs

Wie erhalte ich die Länge einer Standard-Python-Liste?

Verwenden Sie die eingebaute Funktion len().

Was gibt len() für ein NumPy-Array zurück?

Sie gibt die Größe der ersten Dimension zurück (z. B. Anzahl der Zeilen).

Was ist der Unterschied zwischen .size und len() in NumPy?

.size gibt die Gesamtzahl der Elemente zurück, während len() nur die Größe der ersten Achse zurückgibt.

---

Wir sind Leapcell, Ihre erste Wahl für das Hosten von Python-Projekten.

Leapcell ist die Serverless-Plattform der nächsten Generation für Webhosting, asynchrone Aufgaben und Redis:

Multi-Sprachen Unterstützung

• Entwickeln Sie mit Node.js, Python, Go oder Rust.

Stellen Sie unbegrenzt viele Projekte kostenlos bereit

• Zahlen Sie nur für die Nutzung – keine Anfragen, keine Gebühren.

Unschlagbare Kosteneffizienz

• Pay-as-you-go ohne Leerlaufgebühren.
• Beispiel: 25 $ unterstützen 6,94 Millionen Anfragen bei einer durchschnittlichen Antwortzeit von 60 ms.

Optimierte Entwicklererfahrung

• Intuitive Benutzeroberfläche für mühelose Einrichtung.
• Vollautomatisierte CI/CD-Pipelines und GitOps-Integration.
• Echtzeitmetriken und -protokollierung für verwertbare Erkenntnisse.

Mühelose Skalierbarkeit und hohe Leistung

• Automatische Skalierung zur einfachen Bewältigung hoher Parallelität.
• Kein operativer Overhead – konzentrieren Sie sich einfach auf das Bauen.

Erfahren Sie mehr in der Dokumentation!

Folgen Sie uns auf X: @LeapcellHQ