Compatibles ou pas?

Avant de concaténer, il est important de vérifier si deux tableaux peuvent être concaténés ensemble. Sinon, il faudra peut‑être remodeler (reshape) le tableau avant la concaténation.

Cette activité fait partie du cours

Introduction à NumPy

Voir le cours

Exercice interactif pratique

Passez de la théorie à l’action grâce à l’un de nos exercices interactifs

Commencer l’exercice

Cette activité fait partie du cours

Introduction à NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

1494 reviews

Commencer le cours gratuitement

Découvrez l'extraordinaire tableau NumPy ! Apprenez à créer des tableaux et à modifier leurs formes pour répondre à vos besoins. Enfin, explorez les nombreux types de données de NumPy et voyez comment ils contribuent à des opérations sur tableaux ultrarapides.

Exercise 1: Découvrir les tableaux Exercise 2: Votre premier tableau NumPy Exercise 3: Créer des tableaux à partir de zéro Exercise 4: Un tableau d'étendue Exercise 5: Dimensionnalité des tableaux Exercise 6: Création d'un tableau 3D Exercise 7: La quatrième dimension Exercise 8: Aplatissement et remodelage Exercise 9: Types de données NumPy Exercise 10: L'argument dtype Exercise 11: Anticiper les types de données Exercise 12: Un petit jeu de sudoku

Aiguisez vos compétences de manipulation de données NumPy en découpant, filtrant et triant les données du recensement des arbres de la ville de New York. Créez de nouveaux tableaux en extrayant des données à l'aide de conditions, puis ajoutez et retirez des données sur n'importe quelle dimension selon vos objectifs. En chemin, vous apprendrez les principes de compatibilité des formes et des dimensions pour vous préparer à des calculs sur tableaux ultra-rapides.

Exercise 1: Indexation et découpage de tableaux Exercise 2: Découpage et indexation des arbres Exercise 3: Passer au 2D Exercise 4: Trier les arbres Exercise 5: Filtrer des tableaux Exercise 6: Filtrer avec des masques Exercise 7: Indexation élaborée vs np.where()Exercise 8: Créer des tableaux à partir de conditions Exercise 9: Ajout et suppression de données Exercise 10: Compatibles ou pas?

Exercice en cours

Exercise 11: Ajouter des lignes Exercise 12: Ajouter des colonnes Exercise 13: Supprimer avec np.delete()

Tirez parti des opérations vectorisées rapides de NumPy pour obtenir des aperçus synthèse sur des données de ventes de magasins d'alcools américains, de restaurants et de grands magasins. Vectorisez des fonctions Python pour les utiliser dans votre code NumPy. Enfin, appliquez la logique de diffusion (broadcasting) pour effectuer des opérations mathématiques entre des tableaux de tailles différentes.

Exercise 1: Résumer des données Exercise 2: Totaux des ventes Exercise 3: Tracer des moyennes Exercise 4: Ventes cumulatives Exercise 5: Opérations vectorisées Exercise 6: Calculs de taxes Exercise 7: Projection des ventes Exercise 8: Vectoriser .upper()Exercise 9: Diffusion (broadcasting)Exercise 10: Diffusable ou non?Exercise 11: Diffusion à travers les colonnes Exercise 12: Diffusion sur les lignes (broadcasting)

NumPy rencontre le monde de l'art dans ce dernier chapitre, où nous utilisons les données d'image d'un chef-d'œuvre de Monet pour explorer comment vous pouvez les augmenter. Vous utiliserez les fonctions de retournement et de transposition pour transformer rapidement notre chef-d'œuvre. Ensuite, vous déconstruirez le tableau de Monet, y apporterez des modifications et le reconstruirez à l'aide de l'empilement de tableaux pour voir le résultat.

Exercise 1: Enregistrer et charger des tableaux Exercise 2: Charger des fichiers .npy Exercise 3: Obtenir de l'aide Exercise 4: Mettre à jour et enregistrer Exercise 5: Acrobaties avec les tableaux Exercise 6: Augmenter Monet Exercise 7: Transposer votre chef‑d'œuvre Exercise 8: Empiler et fractionner Exercise 9: Découpage et empilement en 2D Exercise 10: Fractionner les données RVB Exercise 11: Empilement des données RVB Exercise 12: Félicitations !