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

Introduction à NumPy

Afficher le cours

Exercice interactif pratique

Passez de la théorie à la pratique avec l’un de nos exercices interactifs

Commencer l’exercice

Cet exercice fait partie du cours

Introduction à NumPy

DébutantNiveau de compétence

4.8+

587 reviews

Commencer le cours gratuitement

Découvrez l'incroyable tableau NumPy ! Apprenez à créer et à modifier des formes de tableaux en fonction de vos besoins. Enfin, découvrez les nombreux types de données de NumPy et la façon dont ils contribuent à accélérer les opérations sur les tableaux.

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 en matière de manipulation de données NumPy en découpant, filtrant et triant les données de recensement des arbres de la ville de New York. Créez de nouveaux tableaux en extrayant des données sur la base d'instructions conditionnelles, et ajoutez et supprimez des données sur n'importe quelle dimension pour répondre à vos besoins. En cours de route, vous apprendrez les principes de compatibilité des formes et des dimensions afin de vous préparer à des calculs de 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()

Exploitez les opérations vectorielles rapides de NumPy pour obtenir des informations sommaires sur les données de vente des magasins d'alcool, des restaurants et des grands magasins américains. Vectoriser les fonctions Python pour les utiliser dans votre code NumPy. Enfin, utilisez la logique de diffusion 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 en cours

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'une image d'un chef-d'œuvre de Monet pour explorer comment vous pouvez utiliser pour augmenter les données d'une image. Vous utiliserez les fonctions de retournement et de transposition pour transformer rapidement notre chef-d'œuvre. Ensuite, vous allez démonter le tableau de Monet, y apporter des modifications et le reconstruire à l'aide de l'empilement de tableaux pour voir les résultats.

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 !