Obtener ayuda

Necesitarás utilizar el método de array .astype() que cubrimos en el primer capítulo de este curso para el siguiente ejercicio. Si olvidas cómo funciona exactamente .astype(), puedes consultar las diapositivas del curso o la documentación de NumPy en numpy.org. Sin embargo, hay una forma aún más rápida de refrescarte la memoria…

numpy se carga como np.

Este ejercicio forma parte del curso

Introducción a NumPy

Ver curso

Instrucciones del ejercicio

Devuelve el texto de la documentación de NumPy para .astype().

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# Display the documentation for .astype()
____

Editar y ejecutar código

Este ejercicio forma parte del curso

Introducción a NumPy

PrincipianteNivel de habilidad

4.8+

880 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

Ejercicio actual

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 Exercise 12: ¡Enhorabuena!