Ordinare gli alberi

A volte è più facile capire i dati quando sono ordinati in base al valore che ti interessa di più. Il tuo nuovo compito di ricerca è creare un array che contenga i diametri del tronco nel censimento degli alberi di New York City, ordinati dal più piccolo al più grande.

numpy è caricato come np, e l'array 2D tree_census è disponibile.

Questo esercizio fa parte del corso

Introduzione a NumPy

Visualizza il corso

Istruzioni dell'esercizio

Crea un array chiamato sorted_trunk_diameters che selezioni solo la colonna del diametro del tronco da tree_census e la ordini in modo che i diametri più piccoli siano all'inizio dell'array e i più grandi alla fine.

Esercizio pratico interattivo

Prova a risolvere questo esercizio completando il codice di esempio.

# Extract trunk diameters information and sort from smallest to largest
sorted_trunk_diameters = ____
print(sorted_trunk_diameters)

Modifica ed esegui il codice

Questo esercizio fa parte del corso

Introduzione a NumPy

InicianteNível de habilidade

4.8+

1190 reviews

Inizia il corso gratis

Meet the incredible NumPy array! Learn how to create and change array shapes to suit your needs. Finally, discover NumPy's many data types and how they contribute to speedy array operations.

Exercise 1: Introducing arrays Exercise 2: Your first NumPy array Exercise 3: Creating arrays from scratch Exercise 4: A range array Exercise 5: Array dimensionality Exercise 6: 3D array creation Exercise 7: The fourth dimension Exercise 8: Flattening and reshaping Exercise 9: NumPy data types Exercise 10: The dtype argument Exercise 11: Anticipating data types Exercise 12: A smaller sudoku game

Sharpen your NumPy data wrangling skills by slicing, filtering, and sorting New York City’s tree census data. Create new arrays by pulling data based on conditional statements, and add and remove data along any dimension to suit your purpose. Along the way, you’ll learn the shape and dimension compatibility principles to prepare for super-fast array math.

Exercise 1: Indicizzazione e slicing degli array Exercise 2: Slicing e indicizzazione degli alberi Exercise 3: Passare al 2D Exercise 4: Ordinare gli alberi

Esercizio in corso

Exercise 5: Filtrare gli array Exercise 6: Filtrare con maschere Exercise 7: Indicizzazione avanzata vs. np.where()Exercise 8: Creare array a partire da condizioni Exercise 9: Aggiungere e rimuovere dati Exercise 10: Compatibili o no?Exercise 11: Aggiungere righe Exercise 12: Aggiungere colonne Exercise 13: Eliminare con np.delete()

Leverage NumPy’s speedy vectorized operations to gather summary insights on sales data for American liquor stores, restaurants, and department stores. Vectorize Python functions for use in your NumPy code. Finally, use broadcasting logic to perform mathematical operations between arrays of different sizes.

Exercise 1: Summarizing data Exercise 2: Sales totals Exercise 3: Plotting averages Exercise 4: Cumulative sales Exercise 5: Vectorized operations Exercise 6: Tax calculations Exercise 7: Projecting sales Exercise 8: Vectorizing .upper()Exercise 9: Broadcasting Exercise 10: Broadcastable or not?Exercise 11: Broadcasting across columns Exercise 12: Broadcasting across rows

NumPy meets the art world in this final chapter as we use image data from a Monet masterpiece to explore how you can use to augment image data. You’ll use flipping and transposing functionality to quickly transform our masterpiece. Next, you’ll pull the Monet array apart, make changes, and reconstruct it using array stacking to see the results.

Exercise 1: Saving and loading arrays Exercise 2: Loading .npy files Exercise 3: Getting help Exercise 4: Update and save Exercise 5: Array acrobatics Exercise 6: Augmenting Monet Exercise 7: Transposing your masterpiece Exercise 8: Stacking and splitting Exercise 9: 2D split and stack Exercise 10: Splitting RGB data Exercise 11: Stacking RGB data Exercise 12: Congratulations!