Diffusable ou non ?

La diffusion permet d'aller encore plus loin dans la puissance des opérations vectorielles de NumPy, en économisant de la mémoire et de la puissance de calcul. Mais avant de diffuser, vous devrez vérifier s'il est possible d'utiliser la diffusion dans vos opérations mathématiques !

Cet exercice fait partie du cours

<cours>Introduction à NumPy</cours>

Exercice interactif pratique

Transformez la théorie en action avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

<cours>Introduction à NumPy</cours>

DébutantNiveau de compétence

4.8+

Commencer le cours gratuitement

Découvrez l’incroyable tableau NumPy ! Apprenez à créer des tableaux et à modifier leurs formes selon vos besoins. Enfin, explorez les nombreux types de données de NumPy et voyez comment ils contribuent à des opérations sur tableaux ultra-rapides.

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

Affinez vos compétences de manipulation de données NumPy en découpant, filtrant et triant les données du recensement des arbres de New York. Créez de nouveaux tableaux en extrayant des données à partir de conditions, puis ajoutez et supprimez des données le long de n’importe quelle dimension selon votre objectif. Au passage, vous apprendrez les principes de compatibilité de forme et de dimension pour vous préparer à des calculs sur tableaux ultra-rapides.

Exercise 1: Indexation et découpage des tableaux Exercise 2: Découpage et indexation d'arbres Exercise 3: Passer à la 2D Exercise 4: Trier les arbres Exercise 5: Tableaux de filtrage Exercise 6: Filtrer avec des masques Exercise 7: Indexation fantaisiste vs. np.where()Exercise 8: Création de tableaux à partir de conditions Exercise 9: Ajout et suppression de données Exercise 10: Compatible ou non ?Exercise 11: Ajout de lignes Exercise 12: Ajout de colonnes Exercise 13: Suppression avec np.delete()

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

Exercise 1: Récapitulation des données Exercise 2: Total des ventes Exercise 3: Tracer des moyennes Exercise 4: Ventes cumulées Exercise 5: Opérations vectorisées Exercise 6: Calculs de l'impôt Exercise 7: Prévisions de ventes Exercise 8: Vectorisation de .upper()Exercise 9: Radiodiffusion Exercise 10: Diffusable ou non ?

Exercice actuel

Exercise 11: Diffusion sur plusieurs colonnes Exercise 12: Diffusion sur plusieurs rangs

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 augmenter des données d’image. Vous utiliserez les fonctions de retournement et de transposition pour transformer rapidement notre chef‑d’œuvre. Ensuite, vous démantelerez le tableau de Monet, apporterez des modifications, puis le reconstruirez à l’aide de l’empilement de tableaux pour en observer les effets.

Exercise 1: Sauvegarde et chargement des tableaux Exercise 2: Chargement des fichiers .npy Exercise 3: Obtenir de l'aide Exercise 4: Mettre à jour et sauvegarder Exercise 5: Acrobaties en réseau Exercise 6: Augmenter Monet Exercise 7: Transposer votre chef-d'œuvre Exercise 8: Empilage et fractionnement Exercise 9: 2D diviser et empiler Exercise 10: Fractionnement des données RGB Exercise 11: Empilement des données RGB Exercise 12: Félicitations !