De vierde dimensie

Arrays printen is handig om de uitvoer te controleren voor kleine arrays zoals sudoku_game_and_solution, maar het wordt onhandig bij grotere arrays en arrays met meer dimensies. Een andere belangrijke check is kijken naar de .shape van de array.

Je gaat nu een 4D-array maken die twee sudokuspellen en hun oplossingen bevat. numpy is geladen als np. De 3D-array game_and_solution die je in het vorige voorbeeld hebt gemaakt is beschikbaar, samen met new_sudoku_game en new_sudoku_solution.

Deze oefening maakt deel uit van de cursus

Introductie tot NumPy

Cursus bekijken

Oefeninstructies

Maak nog een 3D-array genaamd new_game_and_solution met een ander paar van een 2D-spel en een 2D-oplossing: new_sudoku_game en new_sudoku_solution. new_sudoku_game moet vóór new_sudoku_solution komen.
Maak een 4D-array genaamd games_and_solutions door een array te maken van de twee 3D-arrays: game_and_solution en new_game_and_solution, in die volgorde.
Print de shape van games_and_solutions.

Praktische interactieve oefening

Probeer deze oefening eens door deze voorbeeldcode in te vullen.

# Create a second 3D array of another game and its solution 
new_game_and_solution = ____

# Create a 4D array of both game and solution 3D arrays
games_and_solutions = ____

# Print the shape of your 4D array
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: Kennismaken met arrays Exercise 2: Je eerste NumPy-array Exercise 3: Arrays helemaal zelf maken Exercise 4: Een reeks-array Exercise 5: Array-dimensionaliteit Exercise 6: 3D-array maken Exercise 7: De vierde dimensie

Huidige oefening

Exercise 8: Afvlakken en herstructureren Exercise 9: NumPy-datatypen Exercise 10: Het argument dtype Exercise 11: Datatypes inschatten Exercise 12: Een kleiner sudokuspel

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: 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!