Gim sudoku yang lebih kecil

Tipe data NumPy, yang mengutamakan kecepatan, lebih spesifik dibandingkan tipe data Python, yang mengutamakan fleksibilitas. Saat bekerja dengan data berukuran besar di NumPy, sebaiknya periksa tipe data dan pertimbangkan apakah tipe data yang lebih kecil sudah cukup untuk data Anda, karena tipe data yang lebih kecil menggunakan lebih sedikit memori.

Sekarang saatnya membuat gim sudoku Anda lebih hemat memori dengan memanfaatkan pengetahuan tentang tipe data! sudoku_game telah dimuat untuk Anda sebagai array NumPy. numpy telah diimpor sebagai np.

Latihan ini merupakan bagian dari kursus

Pengantar NumPy

Lihat Kursus

Latihan interaktif langsung praktik

Cobalah latihan ini dengan melengkapi kode contoh ini.

# Print the data type of sudoku_game
print(____)

Edit dan Jalankan Kode

Latihan ini merupakan bagian dari kursus

Pengantar NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

1426 reviews

Mulai Kursus Gratis

Kenali array NumPy yang luar biasa! Pelajari cara membuat dan mengubah bentuk array sesuai kebutuhan Anda. Terakhir, temukan beragam tipe data NumPy dan bagaimana tipe tersebut berkontribusi pada operasi array yang cepat.

Exercise 1: Mengenal array Exercise 2: Array NumPy pertama Anda Exercise 3: Membuat array dari awal Exercise 4: Array rentang Exercise 5: Dimensi array Exercise 6: Pembuatan array 3D Exercise 7: Dimensi keempat Exercise 8: Meratakan dan mengubah bentuk Exercise 9: Tipe data NumPy Exercise 10: Argumen dtype Exercise 11: Menantisipasi tipe data Exercise 12: Gim sudoku yang lebih kecil

Latihan Saat Ini

Pertajam keterampilan pengelolaan data NumPy Anda dengan slicing, filtering, dan sorting data sensus pohon Kota New York. Buat array baru dengan mengambil data berdasarkan pernyataan kondisional, serta tambahkan dan hapus data pada dimensi mana pun sesuai tujuan Anda. Sepanjang proses, Anda akan mempelajari prinsip kompatibilitas bentuk dan dimensi sebagai persiapan untuk operasi matematika array yang sangat cepat.

Exercise 1: Pengindeksan dan pengirisan array Exercise 2: Melakukan slicing dan indexing pada pohon Exercise 3: Melangkah ke 2D Exercise 4: Mengurutkan pohon Exercise 5: Menyaring array Exercise 6: Memfilter dengan mask Exercise 7: Fancy indexing vs. np.where()Exercise 8: Membuat array dari kondisi Exercise 9: Menambah dan menghapus data Exercise 10: Kompatibel atau tidak?Exercise 11: Menambahkan baris Exercise 12: Menambahkan kolom Exercise 13: Menghapus dengan np.delete()

Manfaatkan operasi vektorisasi NumPy yang cepat untuk mendapatkan ringkasan wawasan atas data penjualan toko minuman keras, restoran, dan department store di Amerika. Vektorisasi fungsi Python untuk digunakan dalam kode NumPy Anda. Terakhir, gunakan logika broadcasting untuk melakukan operasi matematika antara array dengan ukuran berbeda.

Exercise 1: Meringkas data Exercise 2: Total penjualan Exercise 3: Memplot rata-rata Exercise 4: Penjualan kumulatif Exercise 5: Operasi tervektorisasi Exercise 6: Perhitungan pajak Exercise 7: Memproyeksikan penjualan Exercise 8: Memvektorisasi .upper()Exercise 9: Broadcasting Exercise 10: Bisa dibroadcast atau tidak?Exercise 11: Broadcasting lintas kolom Exercise 12: Broadcasting antarbaris

NumPy bertemu dunia seni pada bab terakhir ini saat kita menggunakan data gambar dari sebuah mahakarya Monet untuk mengeksplorasi cara Anda dapat melakukan augmentasi data gambar. Anda akan menggunakan fungsi flipping dan transposing untuk dengan cepat mentransformasi mahakarya kita. Selanjutnya, Anda akan membongkar array Monet, melakukan perubahan, dan menyusunnya kembali menggunakan penumpukan array untuk melihat hasilnya.

Exercise 1: Menyimpan dan memuat array Exercise 2: Memuat berkas .npy Exercise 3: Mendapatkan bantuan Exercise 4: Perbarui dan simpan Exercise 5: Akrobat array Exercise 6: Augmentasi Monet Exercise 7: Melakukan transpose pada mahakarya Anda Exercise 8: Stacking dan splitting Exercise 9: Pemisahan dan penumpukan 2D Exercise 10: Memisahkan data RGB Exercise 11: Menumpuk data RGB Exercise 12: Selamat!