Apilamiento de datos RGB

Ahora combinarás red_array, green_array, y emphasized_blue_array_2D para ver cómo queda el cuadro de Monet con los azules acentuados.

numpy se carga como np, y los objetos red_array, green_array, blue_array y emphasized_blue_array_2D que creó en el último ejercicio están disponibles.

Este ejercicio forma parte del curso

Introducción a NumPy

Ver curso

Ejercicio interactivo práctico

Pruebe este ejercicio completando este código de muestra.

# Print the shapes of blue_array and emphasized_blue_array_2D
print(____, ____)

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a NumPy

PrincipianteNivel de habilidad

4.8+

260 reviews

Comienza el curso gratis

¡Conoce la increíble matriz NumPy! Aprende a crear y modificar formas de matriz para adaptarlas a tus necesidades. Por último, descubra los numerosos tipos de datos de NumPy y cómo contribuyen a agilizar las operaciones con matrices.

Exercise 1: Introducción a las matrices Exercise 2: Tu primer array NumPy Exercise 3: Crear matrices desde cero Exercise 4: Una matriz de rangos Exercise 5: Dimensionalidad de la matriz Exercise 6: Creación de matrices 3D Exercise 7: La cuarta dimensión Exercise 8: Aplanamiento y remodelación Exercise 9: Tipos de datos NumPy Exercise 10: El argumento dtype Exercise 11: Anticipar los tipos de datos Exercise 12: Un juego de sudoku más pequeño

Perfeccione sus habilidades de manejo de datos con NumPy cortando, filtrando y ordenando los datos del censo arbóreo de la ciudad de Nueva York. Cree nuevas matrices extrayendo datos basándose en sentencias condicionales, y añada y elimine datos a lo largo de cualquier dimensión para adaptarse a su propósito. Por el camino, aprenderás los principios de compatibilidad de formas y dimensiones para prepararte para una matemática de matrices superrápida.

Exercise 1: Indexación y segmentación de matrices Exercise 2: Cortar e indexar árboles Exercise 3: Pasar a 2D Exercise 4: Clasificación de árboles Exercise 5: Filtrado de matrices Exercise 6: Filtrado con máscaras Exercise 7: Fancy indexing vs. np.where()Exercise 8: Creación de matrices a partir de condiciones Exercise 9: Añadir y eliminar datos Exercise 10: ¿Compatibles o no?Exercise 11: Añadir filas Exercise 12: Añadir columnas Exercise 13: Borrado con np.delete()

Aproveche las rápidas operaciones vectorizadas de NumPy para recopilar información resumida sobre los datos de ventas de licorerías, restaurantes y grandes almacenes estadounidenses. Vectoriza funciones Python para usarlas en tu código NumPy. Por último, utiliza la lógica de emisión para realizar operaciones matemáticas entre matrices de distintos tamaños.

Exercise 1: Resumir datos Exercise 2: Total de ventas Exercise 3: Trazado de medias Exercise 4: Ventas acumuladas Exercise 5: Operaciones vectorizadas Exercise 6: Cálculo de impuestos Exercise 7: Proyección de ventas Exercise 8: Vectorización .upper()Exercise 9: Difusión Exercise 10: ¿Emisible o no?Exercise 11: Difusión a través de columnas Exercise 12: Difusión entre filas

NumPy se encuentra con el mundo del arte en este último capítulo, en el que utilizamos los datos de imagen de una obra maestra de Monet para explorar cómo se pueden aumentar los datos de imagen. Utilizarás las funciones de volteo y transposición para transformar rápidamente nuestra obra maestra. A continuación, desmontarás la matriz Monet, realizarás cambios y la reconstruirás utilizando el apilamiento de matrices para ver los resultados.

Exercise 1: Guardar y cargar matrices Exercise 2: Carga de archivos .npy Exercise 3: Obtener ayuda Exercise 4: Actualizar y guardar Exercise 5: Acrobacias en serie Exercise 6: Aumentar Monet Exercise 7: Transponer su obra maestra Exercise 8: Apilado y división Exercise 9: Dividir y apilar en 2D Exercise 10: Dividir los datos de RGB Exercise 11: Apilamiento de datos RGB

Ejercicio actual

Exercise 12: ¡Enhorabuena!