Menší hra sudoku

NumPy datové typy, které jsou optimalizované pro rychlost, jsou konkrétnější než Python datové typy, jež upřednostňují flexibilitu. Při práci s velkým množstvím dat v NumPy je dobré zkontrolovat datový typ a zvážit, zda menší datový typ stačí pro tvoje data – menší datové typy totiž zabírají méně paměti.

Je čas udělat tvoji hru sudoku paměťově efektivnější s pomocí znalostí datových typů! sudoku_game je pro tebe načteno jako NumPy pole. numpy je importováno jako np.

Toto cvičení je součástí kurzu

Úvod do NumPy

Zobrazit kurz

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Print the data type of sudoku_game
print(____)

Upravit a spustit kód

Toto cvičení je součástí kurzu

Úvod do NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

1489 reviews

Začněte kurz zdarma

Seznam se s úžasným polem NumPy! Naučíš se, jak pole vytvářet a měnit jejich tvar podle potřeby. Navíc objevíš různé datové typy NumPy a pochopíš, jak přispívají k rychlosti operací s poli.

Exercise 1: Úvod do polí Exercise 2: Tvoje první NumPy pole Exercise 3: Vytváření polí od základu Exercise 4: Pole s rozsahem hodnot Exercise 5: Dimenzionalita polí Exercise 6: Vytvoření 3D pole Exercise 7: Čtvrtá dimenze Exercise 8: Zploštění a změna tvaru Exercise 9: Datové typy v NumPy Exercise 10: Argument dtype Exercise 11: Odhadování datových typů Exercise 12: Menší hra sudoku

Aktuální cvičení

Zdokonali své dovednosti při práci s daty v NumPy pomocí slicingu, filtrování a řazení dat ze sčítání stromů v New Yorku. Vytvářej nová pole výběrem dat na základě podmínek a přidávej nebo odebírej data podél libovolné dimenze podle svých potřeb. Cestou se naučíš principy kompatibility tvarů a dimenzí, které ti otevřou cestu k bleskově rychlé matematice s poli.

Exercise 1: Indexování a řezy polí Exercise 2: Řezy a indexování stromů Exercise 3: Vstup do 2D Exercise 4: Řazení stromů Exercise 5: Filtrování polí Exercise 6: Filtrování pomocí masek Exercise 7: Fancy indexing vs. np.where()Exercise 8: Vytváření polí z podmínek Exercise 9: Přidávání a odebírání dat Exercise 10: Kompatibilní, nebo ne?Exercise 11: Přidávání řádků Exercise 12: Přidávání sloupců Exercise 13: Mazání pomocí np.delete()

Využij rychlé vektorizované operace NumPy k získání přehledových statistik z prodejních dat amerických obchodů s lihovinami, restaurací a obchodních domů. Naučíš se vektorizovat vlastní Python funkce pro použití v NumPy kódu. Na závěr použiješ logiku broadcastingu k provádění matematických operací mezi poli různých velikostí.

Exercise 1: Shrnutí dat Exercise 2: Celkové tržby Exercise 3: Zobrazení průměrů Exercise 4: Kumulativní tržby Exercise 5: Vektorizované operace Exercise 6: Výpočet daní Exercise 7: Projektování tržeb Exercise 8: Vektorizace metody .upper()Exercise 9: Broadcasting Exercise 10: Broadcasting – ano, nebo ne?Exercise 11: Broadcasting přes sloupce Exercise 12: Vysílání přes řádky

V závěrečné kapitole se NumPy setkává se světem umění — pomocí obrazových dat z Monetova mistrovského díla prozkoumáš, jak lze pole využít k úpravě obrazových dat. Pomocí překlápění a transponování rychle transformuješ obraz. Pak pole rozložíš, upravíš jeho části a pomocí skládání polí ho složíš zpět, abys viděl/a výsledky.

Exercise 1: Ukládání a načítání polí Exercise 2: Načítání souborů .npy Exercise 3: Jak získat nápovědu Exercise 4: Úprava a uložení Exercise 5: Akrobacie s poli Exercise 6: Augmentace Moneta Exercise 7: Transponování tvého mistrovského díla Exercise 8: Skládání a rozdělování Exercise 9: Rozdělení a skládání 2D polí Exercise 10: Rozdělení RGB dat Exercise 11: Skládání RGB dat Exercise 12: Gratulujeme!