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.

Einführung in Arrays

Dein erstes NumPy-Array

Neue Arrays erstellen

Ein Bereichsarray

Array-Dimensionalität

Erstellen von dreidimensionalen Arrays

Die vierte Dimension

Glätten und Umformen

NumPy-Datentypen

Das Argument „dtype“

Optionen

Ein string-Datentyp

Ein ganzzahliger (integer) Datentyp

Ein float-Datentyp

Datentypen erahnen

Ein kleineres Sudoku-Spiel

NumPy-Arrays verstehen

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.

Indizieren und Schneiden von Arrays

Schneiden und Indizieren von Bäumen

Die ersten Schritte in 2D

Sortieren von Bäumen

Arrays filtern

Filtern mit Masken

Fancy indexing vs. np.where()

Arrays mithilfe von Bedingungen erstellen

Daten hinzufügen und löschen

Kompatibel oder nicht?

Hinzufügen von Zeilen

Hinzufügen von Spalten

Löschen mit np.delete()

Daten auswählen und aktualisieren

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.

Daten zusammenfassen

Gesamtumsatz

Durchschnittswerte darstellen

Vektorisierte Operationen

Steuerberechnungen

Umsatzprognosen

Vektorisierung von .upper()

Broadcasting

Broadcast-tauglich oder nicht?

Broadcasting über Spalten hinweg

Broadcasting über Zeilen hinweg

Array-Mathematik!

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.

Arrays speichern und laden

Laden von .npy-Dateien

Hilfe bekommen

Aktualisieren und speichern

Array-Akrobatik

Monet erweitern

Dein Meisterwerk transponieren

Stapeln und Schneiden

Zweidimensionales Teilen und Stapeln

RGB-Daten schneiden

RGB-Daten stapeln

Herzlichen Glückwunsch!

Array-Transformationen

Monet RGB Array

Tree Census Array

Monthly Sales Array

Sudoku Game Array

Sudoku Solution Array

Course Glossary

NumPy ist eine wichtige Python-Bibliothek. TensorFlow und scikit-learn benötigen NumPy-Arrays als Eingaben, und pandas und Matplotlib bauen auf NumPy auf. In diesem Einführungskurs zu NumPy wirst du zum Profi im Umgang mit dem Kern von NumPy: Arrays! Mit den Daten aus der Baumzählung von New York City wirst du Arrays erstellen, sortieren, filtern und aktualisieren. Du wirst sehen, warum NumPy so effizient ist, und mit Broadcasting und Vektorisierung deinen NumPy-Code noch schneller machen. Am Ende des Kurses wirst du dreidimensionale Arrays verwenden, um ein Gemälde von Claude Monet zu verändern, und du wirst verstehen, warum solche Array-Veränderungen wichtige Werkzeuge für maschinelles Lernen sind.

Die Live-Transkripte der Videos kannst du durch einen klicke auf „Mitschrift anzeigen“ unten links in den Videos aufrufen.

Das Kursglossar findest du rechts im Bereich Ressourcen.

Um CPE-Credits zu erhalten, musst du den Kurs abschließen und in dem Test 70 % erreichen. Du Assessment gelangst du, indem du rechts auf die Angabe zu den CPE-Credits klickst.

<h2>Schau dir das Data Science-Paket von Python an: NumPy</h2>
Lerne Numpy kennen und finde heraus, warum diese Python-Bibliothek für alle Python-Datenwissenschaftler und -Analysten so wichtig ist. Am wichtigsten ist, dass du mehr über Numpy-Arrays lernst und wie du Array-Formen nach deinen Bedürfnissen erstellen und ändern kannst. 
<br><br>
<h2>Entdecke NumPy-Arrays</h2>
NumPy ist eine wichtige Python-Bibliothek für Datenwissenschaftler und Analysten. Es ist eine super Alternative zu Python-Listen, weil es kompakter ist und schnelleres Lesen und Schreiben von Elementen ermöglicht, was es zu einer bequemeren und effizienteren Option macht.
<br><br>
In diesem Einführungskurs zu NumPy wirst du zum Profi im Umgang mit dem Kern von NumPy: Arrays! Mit den Daten aus der Baumzählung von New York City wirst du Arrays erstellen, sortieren, filtern und aktualisieren. Du wirst sehen, warum NumPy so effizient ist, und mit Broadcasting und Vektorisierung deinen NumPy-Code noch schneller machen. 
<br><br>
<h2>Hol dir mehr Selbstvertrauen, indem du mit dem Monet-Datensatz übst.</h2>
Im letzten Kapitel wirst du dein neu erworbenes Wissen nutzen, um Array-Transformationen durchzuführen. Am Ende des Kurses wirst du 3D-Arrays verwenden, um ein Gemälde von Claude Monet zu verändern, und du wirst verstehen, warum solche Array-Veränderungen wichtige Werkzeuge für maschinelles Lernen sind.
<br><br>
Nach dem Kurs wirst du dich mit Numpy-Arrays und ihren verschiedenen Funktionen richtig gut auskennen. Dieser Kurs ist Teil des Lernpfads „Data Scientist mit Python“ und ist ideal für alle, die eine Data-Science-Zertifizierung bei DataCamp anstreben.

Intermediate Python

Lernen Sie NumPy kennen, ein beliebtes Python-Paket. In 4 Stunden Arrays erstellen, sortieren, filtern.

Einführung in NumPy

Du lernst anhand von Daten zum New Yorker Baumbestand, wie du mit NumPy Arrays erstellen, sortieren, filtern und aktualisieren kannst.

Datenbearbeitung  in Python

`np.array([9, 1.12, True]).astype("<U5")`

`np.array([34.62, 70.13, 9]).astype(np.int64)`

Datentypen erahnen

Interaktive praktische Übung