Broadcasten over kolommen

Onthoud dat NumPy bij broadcasten over kolommen expliciet moet weten dat het een verticale array moet broadcasten, en dat horizontale en verticale 1D-arrays niet bestaan in NumPy. In plaats daarvan moet je eerst een 2D-array maken om aan te geven dat je verticale data hebt. Vervolgens maakt NumPy voor elke kolom een kopie van deze verticale 2D-array en past het de gewenste bewerking toe.

Er is een Python-lijst monthly_growth_rate beschikbaar met len() gelijk aan 12. Deze lijst staat voor de maandelijkse jaar-op-jaar verwachte groei van de economie. Je taak is om met broadcasting deze lijst te vermenigvuldigen met elke kolom in de array monthly_sales. De array monthly_sales is geladen, samen met numpy als np.

Deze oefening maakt deel uit van de cursus

Introductie tot NumPy

Cursus bekijken

Oefeninstructies

Zet monthly_growth_rate, nu een Python-lijst, om naar een eendimensionale NumPy-array met de naam monthly_growth_1D.
Reshape monthly_growth_1D zodat deze kolomsgewijs over monthly_sales te broadcasten is; noem de nieuwe array monthly_growth_2D.
Gebruik broadcasting om elke kolom in monthly_sales te vermenigvuldigen met monthly_growth_2D.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Convert monthly_growth_rate into a NumPy array
monthly_growth_1D = ____

# Reshape monthly_growth_1D
monthly_growth_2D = monthly_growth_1D.____

# Multiply each column in monthly_sales by monthly_growth_2D
print(____)

Code bewerken en uitvoeren

Deze oefening maakt deel uit van de cursus

Introductie tot NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

Begin de cursus 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: Indexing and slicing arrays Exercise 2: Slicing and indexing trees Exercise 3: Stepping into 2D Exercise 4: Sorting trees Exercise 5: Filtering arrays Exercise 6: Filtering with masks Exercise 7: Fancy indexing vs. np.where()Exercise 8: Creating arrays from conditions Exercise 9: Adding and removing data Exercise 10: Compatible or not?Exercise 11: Adding rows Exercise 12: Adding columns Exercise 13: Deleting with 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: Gegevens samenvatten Exercise 2: Totale verkoop Exercise 3: Gemiddelden plotten Exercise 4: Cumulatieve verkoop Exercise 5: Gevectoriseerde bewerkingen Exercise 6: Belastingberekeningen Exercise 7: Verkoop prognosticeren Exercise 8: Vectoriseren van .upper()Exercise 9: Broadcasting Exercise 10: Broadcastable of niet?Exercise 11: Broadcasten over kolommen

Huidige oefening

Exercise 12: Broadcasten over rijen

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!