{"id":18778,"date":"2024-12-23T14:05:50","date_gmt":"2024-12-23T14:05:50","guid":{"rendered":"https:\/\/programmereninpython.nl\/?post_type=docs&p=18778"},"modified":"2024-12-23T14:06:05","modified_gmt":"2024-12-23T14:06:05","password":"","slug":"python-multi-dimensionale-data","status":"publish","type":"docs","link":"https:\/\/programmereninpython.nl\/documentatie\/python-multi-dimensionale-data\/","title":{"rendered":"3.10 Werken met Multi-dimensionale Data"},"content":{"rendered":"\n

In veel programmeerproblemen werk je niet alleen met eenvoudige lijsten, maar ook met gegevens die meerdere dimensies hebben, zoals tabellen, matrices, of zelfs 3D-modellen. Python biedt krachtige tools om met zulke multi-dimensionale data te werken, van nested lists tot numpy arrays. In dit hoofdstuk leer je hoe je deze structuren kunt begrijpen, gebruiken en bewerken!<\/strong><\/p>\n\n\n\n

Nested Lists<\/strong><\/h3>\n\n\n\n

Een nested list<\/strong> (geneste lijst) is een lijst die andere lijsten bevat. Dit is handig voor het representeren van data in meerdere dimensies, zoals een matrix (een tabel van rijen en kolommen).<\/p>\n\n\n\n

Hoe werken nested lists?<\/strong><\/h4>\n\n\n\n

Je kunt een nested list zien als een lijst binnen een lijst:<\/p>\n\n\n\n

<\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
matrix <\/span>=<\/span> <\/span>[<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>,<\/span> <\/span>3<\/span>],<\/span>  <\/span># Rij 1<\/span><\/span>\n    <\/span>[<\/span>4<\/span>,<\/span> <\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span>  <\/span># Rij 2<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>,<\/span> <\/span>9<\/span>]<\/span>   <\/span># Rij 3<\/span><\/span>\n]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
<\/p>\n\n\n\n
Hier kun je de gegevens op dezelfde manier benaderen als een spreadsheet:<\/p>\n\n\n\n
    \n
  • matrix[0]<\/code> geeft de eerste rij terug: [1, 2, 3]<\/code><\/li>\n\n\n\n
  • matrix[1][2]<\/code> geeft het element in de tweede rij en derde kolom: 6<\/code><\/li>\n<\/ul>\n\n\n\n
    Voorbeeld:<\/strong><\/p>\n\n\n\n
    <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
    matrix <\/span>=<\/span> <\/span>[<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>,<\/span> <\/span>3<\/span>],<\/span><\/span>\n    <\/span>[<\/span>4<\/span>,<\/span> <\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>,<\/span> <\/span>9<\/span>]<\/span><\/span>\n]<\/span><\/span>\n<\/span>\nprint<\/span>(<\/span>matrix<\/span>[<\/span>0<\/span>])<\/span>      <\/span><\/span>\n# Toont: [1, 2, 3]<\/span><\/span>\nprint<\/span>(<\/span>matrix<\/span>[<\/span>1<\/span>][<\/span>2<\/span>])<\/span>   <\/span><\/span>\n# Toont: 6<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
    <\/p>\n\n\n\n
    Itereren door een nested list<\/strong><\/h4>\n\n\n\n
    Je kunt een nested list doorlopen met geneste for<\/code>-lussen:<\/p>\n\n\n\n
    <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
    matrix <\/span>=<\/span> <\/span>[<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>,<\/span> <\/span>3<\/span>],<\/span><\/span>\n    <\/span>[<\/span>4<\/span>,<\/span> <\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>,<\/span> <\/span>9<\/span>]<\/span><\/span>\n]<\/span><\/span>\n<\/span>\nfor<\/span> rij <\/span>in<\/span> matrix<\/span>:<\/span><\/span>\n    <\/span>for<\/span> item <\/span>in<\/span> rij<\/span>:<\/span><\/span>\n        <\/span>print<\/span>(<\/span>item<\/span>,<\/span> <\/span>end<\/span>=<\/span>"<\/span> <\/span>"<\/span>)<\/span><\/span>\n# Uitvoer: 1 2 3 4 5 6 7 8 9<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
    <\/p>\n\n\n\n
    Flattening: Geneste lijsten “plat” maken<\/strong><\/h3>\n\n\n\n
    Soms wil je een geneste lijst omzetten naar een eenvoudige, platte lijst. Dit proces heet flattening<\/strong>. Een krachtige manier om dit te doen is met een list comprehension<\/strong>.<\/p>\n\n\n\n
    Hoe werkt flattening?<\/strong><\/h4>\n\n\n\n
    Voorbeeld:<\/strong><\/p>\n\n\n\n
    <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
    genest <\/span>=<\/span> <\/span>[[<\/span>1<\/span>,<\/span> <\/span>2<\/span>],<\/span> <\/span>[<\/span>3<\/span>,<\/span> <\/span>4<\/span>],<\/span> <\/span>[<\/span>5<\/span>]]<\/span><\/span>\nvlak <\/span>=<\/span> <\/span>[<\/span>item <\/span>for<\/span> sublijst <\/span>in<\/span> genest <\/span>for<\/span> item <\/span>in<\/span> sublijst<\/span>]<\/span><\/span>\nprint<\/span>(<\/span>vlak<\/span>)<\/span>  <\/span># Toont: [1, 2, 3, 4, 5]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
    <\/p>\n\n\n\n
    Wat gebeurt hier?<\/p>\n\n\n\n
      \n
    1. De buitenste for<\/code>-lus loopt door elke sublijst in de geneste lijst.<\/li>\n\n\n\n
    2. De binnenste for<\/code>-lus haalt elk item uit de sublijst.<\/li>\n\n\n\n
    3. Elk item wordt toegevoegd aan de nieuwe, platte lijst vlak<\/code>.<\/li>\n<\/ol>\n\n\n\n
      Alternatief met een functie:<\/strong> Als je dit vaker nodig hebt, kun je een functie maken:<\/p>\n\n\n\n
      <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
      def<\/span> <\/span>flatten<\/span>(<\/span>geneste_lijst<\/span>):<\/span><\/span>\n    <\/span>return<\/span> <\/span>[<\/span>item <\/span>for<\/span> sublijst <\/span>in<\/span> geneste_lijst <\/span>for<\/span> item <\/span>in<\/span> sublijst<\/span>]<\/span><\/span>\n<\/span>\ngenest <\/span>=<\/span> <\/span>[[<\/span>1<\/span>,<\/span> <\/span>2<\/span>],<\/span> <\/span>[<\/span>3<\/span>,<\/span> <\/span>4<\/span>],<\/span> <\/span>[<\/span>5<\/span>]]<\/span><\/span>\nprint<\/span>(<\/span>flatten<\/span>(<\/span>genest<\/span>))<\/span>  <\/span><\/span>\n# Toont: [1, 2, 3, 4, 5]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
      <\/p>\n\n\n\n
      Inleiding tot numpy arrays<\/strong><\/h3>\n\n\n\n
      numpy<\/code><\/strong> is een populaire Python-bibliotheek die speciaal is ontworpen voor effici\u00ebnte numerieke berekeningen. Het biedt een krachtige datastructuur, de numpy array<\/code><\/strong>, die ideaal is voor het werken met multi-dimensionale data, zoals matrices.<\/p>\n\n\n\n
      Waarom numpy<\/code> gebruiken?<\/strong><\/h4>\n\n\n\n
        \n
      1. Effici\u00ebntie:<\/strong>
        numpy arrays<\/code> zijn sneller en nemen minder geheugen in beslag dan geneste lijsten.<\/li>\n\n\n\n
      2. Makkelijker rekenen:<\/strong>
        Met numpy<\/code> kun je wiskundige operaties uitvoeren op hele arrays zonder expliciete lussen.<\/li>\n\n\n\n
      3. Rijk aan functionaliteit:<\/strong>
        numpy<\/code> bevat tools voor matrixbewerkingen, lineaire algebra, statistieken en nog veel meer.<\/li>\n<\/ol>\n\n\n\n
        Wanneer numpy<\/code> gebruiken?<\/strong><\/h4>\n\n\n\n
        Als je werkt met grote datasets of veel numerieke berekeningen moet uitvoeren, is numpy<\/code> onmisbaar. Denk aan toepassingen zoals:<\/p>\n\n\n\n
          \n
        • Data-analyse<\/li>\n\n\n\n
        • Machine learning<\/li>\n\n\n\n
        • Wetenschappelijke berekeningen<\/li>\n<\/ul>\n\n\n\n
          Hoe werkt een numpy array?<\/strong><\/h4>\n\n\n\n
          Je kunt een numpy array<\/code> zien als een verbeterde versie van een lijst. Het ondersteunt meerdere dimensies en biedt eenvoudige toegang tot rijen, kolommen en individuele elementen.<\/p>\n\n\n\n
          Voorbeeld: Een numpy array maken<\/strong><\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          import<\/span> numpy <\/span>as<\/span> np<\/span><\/span>\n<\/span>\n# Maak een 2D-array<\/span><\/span>\nmatrix <\/span>=<\/span> np<\/span>.<\/span>array<\/span>([<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>,<\/span> <\/span>3<\/span>],<\/span><\/span>\n    <\/span>[<\/span>4<\/span>,<\/span> <\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>,<\/span> <\/span>9<\/span>]<\/span><\/span>\n])<\/span><\/span>\n<\/span>\nprint<\/span>(<\/span>matrix<\/span>)<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Uitvoer:<\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          [[<\/span>1<\/span> <\/span>2<\/span> <\/span>3<\/span>]<\/span><\/span>\n <\/span>[<\/span>4<\/span> <\/span>5<\/span> <\/span>6<\/span>]<\/span><\/span>\n <\/span>[<\/span>7<\/span> <\/span>8<\/span> <\/span>9<\/span>]]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Toegang tot elementen:<\/strong> Net zoals bij geneste lijsten kun je items benaderen met rijen en kolommen:<\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          print<\/span>(<\/span>matrix<\/span>[<\/span>0<\/span>,<\/span> <\/span>1<\/span>])<\/span>  <\/span><\/span>\n# Toont: 2 (eerste rij, tweede kolom)<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Rekenen met numpy arrays<\/strong><\/h4>\n\n\n\n
          Een van de grootste voordelen van numpy<\/code> is dat je hele arrays kunt manipuleren zonder expliciete lussen. Dit heet vectorisatie<\/strong>.<\/p>\n\n\n\n
          Voorbeeld: Elementgewijze berekeningen<\/strong><\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          matrix <\/span>=<\/span> np<\/span>.<\/span>array<\/span>([<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>,<\/span> <\/span>3<\/span>],<\/span><\/span>\n    <\/span>[<\/span>4<\/span>,<\/span> <\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>,<\/span> <\/span>9<\/span>]<\/span><\/span>\n])<\/span><\/span>\n<\/span>\n# Voeg 10 toe aan elk element<\/span><\/span>\nmatrix_plus_10 <\/span>=<\/span> matrix <\/span>+<\/span> <\/span>10<\/span><\/span>\nprint<\/span>(<\/span>matrix_plus_10<\/span>)<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Uitvoer:<\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          [[<\/span>11<\/span> <\/span>12<\/span> <\/span>13<\/span>]<\/span><\/span>\n <\/span>[<\/span>14<\/span> <\/span>15<\/span> <\/span>16<\/span>]<\/span><\/span>\n <\/span>[<\/span>17<\/span> <\/span>18<\/span> <\/span>19<\/span>]]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Matrixvermenigvuldiging:<\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          matrix1 <\/span>=<\/span> np<\/span>.<\/span>array<\/span>([<\/span><\/span>\n    <\/span>[<\/span>1<\/span>,<\/span> <\/span>2<\/span>],<\/span><\/span>\n    <\/span>[<\/span>3<\/span>,<\/span> <\/span>4<\/span>]<\/span><\/span>\n])<\/span><\/span>\nmatrix2 <\/span>=<\/span> np<\/span>.<\/span>array<\/span>([<\/span><\/span>\n    <\/span>[<\/span>5<\/span>,<\/span> <\/span>6<\/span>],<\/span><\/span>\n    <\/span>[<\/span>7<\/span>,<\/span> <\/span>8<\/span>]<\/span><\/span>\n])<\/span><\/span>\n<\/span>\nresultaat <\/span>=<\/span> np<\/span>.<\/span>dot<\/span>(<\/span>matrix1<\/span>,<\/span> matrix2<\/span>)<\/span><\/span>\nprint<\/span>(<\/span>resultaat<\/span>)<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Uitvoer:<\/p>\n\n\n\n
          <\/circle><\/circle><\/circle><\/g><\/svg><\/span><\/path><\/path><\/svg><\/span>
          [[<\/span>19<\/span> <\/span>22<\/span>]<\/span><\/span>\n <\/span>[<\/span>43<\/span> <\/span>50<\/span>]]<\/span><\/span><\/code><\/pre>Python<\/span><\/div>\n\n\n\n
          <\/p>\n\n\n\n
          Wanneer kies je voor geneste lijsten of numpy?<\/strong><\/h3>\n\n\n\n
          Gebruik<\/strong><\/th>Geneste lijsten<\/strong><\/th>Numpy arrays<\/strong><\/th><\/tr><\/thead>
          Kleine datasets<\/strong><\/td>\u2705<\/td>\u274c<\/td><\/tr>
          Eenvoudige bewerkingen<\/strong><\/td>\u2705<\/td>\u274c<\/td><\/tr>
          Grote datasets<\/strong><\/td>\u274c<\/td>\u2705<\/td><\/tr>
          Complexe berekeningen<\/strong><\/td>\u274c<\/td>\u2705<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n
          <\/p>\n\n\n\n
          Samenvatting<\/strong><\/h3>\n\n\n\n
          Of je nu geneste lijsten of numpy arrays<\/code> gebruikt, Python biedt krachtige tools voor het werken met multi-dimensionale data. Nested lists<\/strong> zijn ideaal voor kleinere, eenvoudige datasets, terwijl numpy arrays<\/strong> essentieel zijn voor effici\u00ebnte, grootschalige berekeningen. Door flattening en matrixbewerkingen te combineren, kun je complexe datastructuren eenvoudig beheren en manipuleren.<\/p>\n\n\n\n
          Probeer zelf een geneste lijst te maken of experimenteer met numpy arrays. Je zult versteld staan van wat je allemaal kunt doen! \ud83d\ude80\ud83c\udf89<\/p>\n","protected":false},"excerpt":{"rendered":"
          In veel programmeerproblemen werk je niet alleen met eenvoudige lijsten, maar ook met gegevens die meerdere dimensies hebben, zoals tabellen, matrices, of zelfs 3D-modellen. Python biedt krachtige tools om met zulke multi-dimensionale data te werken, van nested lists tot numpy arrays. In dit hoofdstuk leer je hoe je deze structuren kunt begrijpen, gebruiken en bewerken!…<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"open","ping_status":"closed","template":"","meta":{"footnotes":""},"doc_category":[114],"doc_tag":[],"class_list":["post-18778","docs","type-docs","status-publish","hentry","doc_category-datatypes"],"year_month":"2026-06","word_count":640,"total_views":0,"reactions":{"happy":0,"normal":0,"sad":0},"author_info":{"name":"webmaster","author_nicename":"webmaster","author_url":"https:\/\/programmereninpython.nl\/author\/webmaster\/"},"doc_category_info":[{"term_name":"Datatypes","term_url":"https:\/\/programmereninpython.nl\/documentatie-categorie\/datatypes\/"}],"doc_tag_info":[],"_links":{"self":[{"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/docs\/18778","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/docs"}],"about":[{"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/types\/docs"}],"author":[{"embeddable":true,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/comments?post=18778"}],"version-history":[{"count":1,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/docs\/18778\/revisions"}],"predecessor-version":[{"id":18779,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/docs\/18778\/revisions\/18779"}],"wp:attachment":[{"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/media?parent=18778"}],"wp:term":[{"taxonomy":"doc_category","embeddable":true,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/doc_category?post=18778"},{"taxonomy":"doc_tag","embeddable":true,"href":"https:\/\/programmereninpython.nl\/wp-json\/wp\/v2\/doc_tag?post=18778"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}