Python sine innebygde datastrukturer

Python har fire hovedtyper av samlinger (collections), hver med sine styrker:

List []: ordnet, muterbar, tillater duplikater

priser = [100, 200, 300]

priser.append(400) → legger til 400 på slutten

priser[0] → 100 (indeks starter på 0)

priser[-1] → 400 (siste element)

Dictionary {}: nøkkel-verdi-par, oppslag via nøkkel

produkt = {"navn": "Laptop", "pris": 12000}

produkt["pris"] → 12000

produkt["antall"] = 5 → legger til nytt par

Tuple (): ordnet, immuterbar — kan ikke endres etter opprettelse

Set {}: uordnet, ingen duplikater — nyttig for unikhet

NumPy-arrays

NumPy-arrays er grunnlaget for numerisk beregning i Python. Til forskjell fra vanlige lister støtter de vektoriserte operasjoner — operasjoner utføres på alle elementer samtidig.

Eksempel: Vektorisert beregning med NumPy

Beregn MVA for en liste med priser.

Løsning:

import numpy as np

Importer NumPy

priser = np.array([100, 200, 300, 400])

Opprett array

mva = priser * 0.25

Element-vis multiplikasjon

# mva = [25, 50, 75, 100]

Ingen løkke nødvendig!

totalt = priser + mva

[125, 250, 375, 500]

Med vanlig Python-liste ville [100,200]*2 gi [100,200,100,200] (repetisjon), ikke element-vis multiplikasjon.

pandas DataFrame

En DataFrame er den sentrale datastrukturen i pandas — tenk på det som et regneark i Python med rader, kolonner og indeks.

Opprette DataFrame:

df = pd.DataFrame({"Produkt": ["A","B","C"], "Pris": [100,200,300]})

Aksessere data:

Kolonne: df["Pris"] | Flere: df[["Produkt","Pris"]]

Rad (navn): df.loc[0] | Rad (posisjon): df.iloc[0]

Filter: df[df["Pris"] > 150] → rader der pris > 150

Studieguide: Datatyper og datastrukturer

Studieguide: Datatyper og datastrukturer