Broadcast-tauglich oder nicht?

Broadcasting macht die vektorisierten Operationen in NumPy noch besser und spart so Speicherplatz und Rechenleistung. Bevor loslegst, solltest du prüfen, ob Broadcasting mit deinen mathematischen Operationen überhaupt möglich ist!

Diese Übung ist Teil des Kurses

<Kurs>Einführung in NumPy</Kurs>

Interaktive praktische Übung

Verwandle Theorie mit einer unserer interaktiven Übungen in die Praxis

Diese Übung ist Teil des Kurses

<Kurs>Einführung in NumPy</Kurs>

Geringe SchwierigkeitSchwierigkeitsgrad

4.8+

Kurs kostenlos starten

Lerne das unglaubliche NumPy-Array kennen! Lerne, wie du Array-Datenstrukturen nach deinen Bedürfnissen erstellen und anpassen kannst. Entdecke abschließend die verschiedenen NumPy Datentypen und wie sie schnelle Array-Operationen ermöglichen.

Exercise 1: Einführung in Arrays Exercise 2: Dein erstes NumPy-Array Exercise 3: Neue Arrays erstellen Exercise 4: Ein Bereichsarray Exercise 5: Array-Dimensionalität Exercise 6: Erstellen von dreidimensionalen Arrays Exercise 7: Die vierte Dimension Exercise 8: Glätten und Umformen Exercise 9: NumPy-Datentypen Exercise 10: Das Argument „dtype“Exercise 11: Datentypen erahnen Exercise 12: Ein kleineres Sudoku-Spiel

Verbessere deine NumPy-Datenbearbeitungsfähigkeiten, indem du die Daten der Baumzählung in New York City aufteilst, filterst und sortierst. Erstelle neue Arrays, indem du Daten anhand von Bedingungen extrahierst, und füge Daten in jeder Dimension hinzu oder nimm sie heraus, ganz wie du willst. Dabei lernst du die Prinzipien der Datenstruktur- und Dimensionskompatibilität kennen, um dich auf superschnelle Array-Berechnungen vorzubereiten.

Exercise 1: Indizieren und Schneiden von Arrays Exercise 2: Schneiden und Indizieren von Bäumen Exercise 3: Die ersten Schritte in 2D Exercise 4: Sortieren von Bäumen Exercise 5: Arrays filtern Exercise 6: Filtern mit Masken Exercise 7: Fancy indexing vs. np.where()Exercise 8: Arrays mithilfe von Bedingungen erstellen Exercise 9: Daten hinzufügen und löschen Exercise 10: Kompatibel oder nicht?Exercise 11: Hinzufügen von Zeilen Exercise 12: Hinzufügen von Spalten Exercise 13: Löschen mit np.delete()

Nutze die schnellen vektorisierten Operationen von NumPy, um mittels Zusammenfassungen Einblicke in die Verkaufsdaten von amerikanischen Spirituosengeschäften, Restaurants und Kaufhäusern zu gewinnen. Python-Funktionen für die Verwendung in deinem NumPy-Code vektorisieren. Abschließend kannst du mit der Broadcasting-Logik mathematische Operationen zwischen Arrays unterschiedlicher Größe durchführen.

Exercise 1: Daten zusammenfassen Exercise 2: Gesamtumsatz Exercise 3: Durchschnittswerte darstellen Exercise 4: Gesamtumsatz Exercise 5: Vektorisierte Operationen Exercise 6: Steuerberechnungen Exercise 7: Umsatzprognosen Exercise 8: Vektorisierung von .upper()Exercise 9: Broadcasting Exercise 10: Broadcast-tauglich oder nicht?

Aktuelle Übung

Exercise 11: Broadcasting über Spalten hinweg Exercise 12: Broadcasting über Zeilen hinweg

In diesem letzten Kapitel trifft NumPy auf die Kunstwelt: Wir nehmen Bilddaten aus einem Meisterwerk von Monet, um zu zeigen, wie du Bilddaten erweitern kannst. Mit den Funktionen zum Spiegeln und Transponieren wirst du unser Meisterwerk im Handumdrehen umgestalten. Als Nächstes wirst du das Monet-Array zerlegen, Änderungen vornehmen und es mithilfe von Array-Stacking wieder aufbauen, um die Ergebnisse zu sehen.

Exercise 1: Arrays speichern und laden Exercise 2: Laden von .npy-Dateien Exercise 3: Hilfe bekommen Exercise 4: Aktualisieren und speichern Exercise 5: Array-Akrobatik Exercise 6: Monet erweitern Exercise 7: Dein Meisterwerk transponieren Exercise 8: Stapeln und Schneiden Exercise 9: Zweidimensionales Teilen und Stapeln Exercise 10: RGB-Daten schneiden Exercise 11: RGB-Daten stapeln Exercise 12: Herzlichen Glückwunsch!