Ga naar hoofdinhoud

Cursus

Efficiënte Python-code schrijven

GemiddeldVaardigheidsniveau

Bijgewerkt 01-2026

Leer efficiënte code schrijven die snel wordt uitgevoerd en middelen vakkundig toewijst om onnodige overhead te voorkomen.

Start Cursus Kosteloos

PythonProgramming4 u15 videos52 Opdrachten4,000 XP150K+Prestatieverklaring

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Geliefd bij leerlingen van duizenden bedrijven

Wil je 2 of meer mensen trainen?

Probeer DataCamp for Business

Cursusbeschrijving

Als Data Scientist zou je het grootste deel van je tijd moeten besteden aan het halen van bruikbare inzichten uit data — niet aan wachten tot je code klaar is. Efficiënte Python-code schrijven kan de looptijd verkorten en rekenkracht besparen, zodat je meer tijd overhoudt voor het werk waar je blij van wordt als Data Scientist. In deze cursus leer je hoe je Python’s ingebouwde datastructuren, functies en modules gebruikt om schonere, snellere en efficiëntere code te schrijven. We bekijken hoe je code kunt timen en profileren om knelpunten te vinden. Daarna ga je oefenen met het wegnemen van die knelpunten en andere onhandige ontwerpkeuzes met Python’s Standard Library, NumPy en pandas. Na afloop van deze cursus heb je de tools in handen om efficiënte Python-code te schrijven!De video’s bevatten live-transcripties die je kunt tonen door linksonder in de video’s op "Show transcript" te klikken. De woordenlijst van de cursus vind je rechts bij de bronnen. Om CPE-credits te behalen, moet je de cursus afronden en minimaal 70% scoren op de gekwalificeerde toets. Je gaat naar de toets via de CPE-creditsvermelding aan de rechterkant.

Vereisten

Data Types in Python Python Toolbox

1

Foundations for efficiencies

In this chapter, you'll learn what it means to write efficient Python code. You'll explore Python's Standard Library, learn about NumPy arrays, and practice using some of Python's built-in tools. This chapter builds a foundation for the concepts covered ahead.

Pop quiz: what is efficient

A taste of things to come

Zen of Python

Building with built-ins

Built-in practice: range()

Built-in practice: enumerate()

Built-in practice: map()

The power of NumPy arrays

Practice with NumPy arrays

Bringing it all together: Festivus!

Hoofdstuk Beginnen

2

Timing and profiling code

In this chapter, you will learn how to gather and compare runtimes between different coding approaches. You'll practice using the line_profiler and memory_profiler packages to profile your code base and spot bottlenecks. Then, you'll put your learnings to practice by replacing these bottlenecks with efficient Python code.

Examining runtime

Using %timeit: your turn!

Using %timeit: specifying number of runs and loops

Using %timeit: formal name or literal syntax

Code profiling for runtime

Pop quiz: steps for using %lprun

Using %lprun: spot bottlenecks

Using %lprun: fix the bottleneck

Code profiling for memory usage

Pop quiz: steps for using %mprun

Using %mprun: Hero BMI

Using %mprun: Hero BMI 2.0

Bringing it all together: Star Wars profiling

Hoofdstuk Beginnen

3

Gaining efficiencies

This chapter covers more complex efficiency tips and tricks. You'll learn a few useful built-in modules for writing efficient code and practice using set theory. You'll then learn about looping patterns in Python and how to make them more efficient.

Efficiently combining, counting, and iterating

Combining Pokémon names and types

Counting Pokémon from a sample

Combinations of Pokémon

Comparing Pokédexes

Searching for Pokémon

Gathering unique Pokémon

Eliminating loops

Gathering Pokémon without a loop

Pokémon totals and averages without a loop

Writing better loops

One-time calculation loop

Holistic conversion loop

Bringing it all together: Pokémon z-scores

Hoofdstuk Beginnen

4

Basic pandas optimizations

This chapter offers a brief introduction on how to efficiently work with pandas DataFrames. You'll learn the various options you have for iterating over a DataFrame. Then, you'll learn how to efficiently apply functions to data stored in a DataFrame.

Intro to pandas DataFrame iteration

Iterating with .iterrows()

Run differentials with .iterrows()

Another iterator method: .itertuples()

Iterating with .itertuples()

Run differentials with .itertuples()

pandas alternative to looping

Analyzing baseball stats with .apply()

Settle a debate with .apply()

Optimal pandas iterating

Replacing .iloc with underlying arrays

Bringing it all together: Predict win percentage

Congratulations!

Hoofdstuk Beginnen

Efficiënte Python-code schrijven

Cursus
voltooid

Verdien een prestatieverklaring

Voeg deze referentie toe aan je LinkedIn-profiel, cv of curriculum vitae
Deel het op sociale media en in je functioneringsgesprekSchrijf Je Nu in

Sluit je aan bij meer dan 19 miljoen leerlingen en start vandaag nog met Efficiënte Python-code schrijven!

Maak je gratis account aan

of

Door verder te gaan accepteer je onze Gebruiksvoorwaarden, ons Privacybeleid en dat je gegevens worden opgeslagen in de VS.

Ontwikkel je datavaardigheden met DataCamp voor Mobiel

Maak vooruitgang onderweg met onze mobiele cursussen en dagelijkse 5-minuten programmeeruitdagingen.