Vectoriseren van .upper()

Er zijn veel situaties waarin je Python-methoden en -functies op elementen van NumPy-arrays wilt toepassen. Je kunt dit altijd met een for-loop doen, maar gevectoriseerde bewerkingen zijn veel sneller en efficiënter. Overweeg dus np.vectorize() te gebruiken!

Je hebt een array names met voor- en achternamen:

names = np.array([["Izzy", "Monica", "Marvin"],
                  ["Weber", "Patel", "Hernandez"]])

Je wilt een van de Python-methoden die je op DataCamp hebt geleerd, .upper(), gebruiken om alle letters van elke naam in de array in hoofdletters te zetten. Ter herinnering: .upper() is een stringmethode, wat betekent dat je die moet aanroepen op een instantie van een string: str.upper().

Jouw taak is deze Python-methode te vectoriseren. numpy is voor je geïmporteerd als np, en de array names is beschikbaar.

Deze oefening maakt deel uit van de cursus

Introductie tot NumPy

Cursus bekijken

Oefeninstructies

Maak een gevectoriseerde functie vectorized_upper op basis van de Python-stringmethode .upper().
Pas vectorized_upper() toe op de array names en sla de resulterende array op als uppercase_names.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Vectorize the .upper() string method
vectorized_upper = ____

# Apply vectorized_upper to the names array
uppercase_names = ____
print(uppercase_names)

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()

Huidige oefening

Exercise 9: Broadcasting Exercise 10: Broadcastable of niet?Exercise 11: Broadcasten over kolommen 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!