Dodawanie kolumn

Ostatni zestaw ćwiczeń zakończyło się utworzeniem tablicy trunk_stump_diameters, która łączyła dane z kolumn średnicy pnia i średnicy pniaka w jedną tablicę 1D. Teraz dodasz tę tablicę 1D jako kolumnę do tablicy tree_census.

numpy jest załadowany jako np, a tablice tree_census i trunk_stump_diameters są dostępne.

To ćwiczenie jest częścią kursu

Wprowadzenie do NumPy

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print the shapes of tree_census and trunk_stump_diameters
print(____)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Wprowadzenie do NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

Rozpocznij kurs za darmo

Poznaj tablice NumPy! Dowiedz się, jak je tworzyć i zmieniać ich kształt zgodnie z potrzebami. Odkryj liczne typy danych obsługiwane przez NumPy i sprawdź, jak przekładają się one na szybkość operacji na tablicach.

Exercise 1: Wprowadzenie do tablic Exercise 2: Twoja pierwsza tablica NumPy Exercise 3: Tworzenie tablic od podstaw Exercise 4: Tablica z zakresem wartości Exercise 5: Wymiarowość tablic Exercise 6: Tworzenie tablicy 3D Exercise 7: Czwarty wymiar Exercise 8: Spłaszczanie i zmiana kształtu Exercise 9: Typy danych w NumPy Exercise 10: Argument dtype Exercise 11: Przewidywanie typów danych Exercise 12: Mniejsza gra w sudoku

Rozwiń umiejętności pracy z danymi w NumPy – wycinaj fragmenty, filtruj i sortuj dane ze spisu drzew Nowego Jorku. Twórz nowe tablice na podstawie warunków logicznych, a także dodawaj i usuwaj dane wzdłuż dowolnego wymiaru. Po drodze poznasz zasady zgodności kształtów i wymiarów, które przygotują cię do błyskawicznych operacji matematycznych na tablicach.

Exercise 1: Indeksowanie i wycinanie tablic Exercise 2: Wycinanie i indeksowanie drzew Exercise 3: Wkraczamy w 2D Exercise 4: Sortowanie drzew Exercise 5: Filtrowanie tablic Exercise 6: Filtrowanie za pomocą masek Exercise 7: Fancy indexing a np.where()Exercise 8: Tworzenie tablic na podstawie warunków Exercise 9: Dodawanie i usuwanie danych Exercise 10: Zgodne czy nie?Exercise 11: Dodawanie wierszy Exercise 12: Dodawanie kolumn

Bieżące ćwiczenie

Exercise 13: Usuwanie danych za pomocą np.delete()

Wykorzystaj szybkie operacje wektorowe NumPy do analizy danych sprzedażowych sklepów monopolowych, restauracji i domów towarowych w Stanach Zjednoczonych. Naucz się wektoryzować funkcje Pythona, aby używać ich w kodzie NumPy. Na koniec zastosuj logikę broadcastingu do wykonywania operacji matematycznych na tablicach o różnych rozmiarach.

Exercise 1: Podsumowywanie danych Exercise 2: Sumy sprzedaży Exercise 3: Wizualizacja średnich Exercise 4: Skumulowana sprzedaż Exercise 5: Operacje wektorowe Exercise 6: Obliczenia podatkowe Exercise 7: Prognozowanie sprzedaży Exercise 8: Wektoryzacja metody .upper()Exercise 9: Broadcasting Exercise 10: Możliwe rozgłaszanie czy nie?Exercise 11: Rozgłaszanie wzdłuż kolumn Exercise 12: Rozgłaszanie wzdłuż wierszy

W tym ostatnim rozdziale NumPy wkracza do świata sztuki – na podstawie danych obrazu jednego z arcydzieł Moneta zbadasz, jak można przekształcać dane graficzne. Skorzystasz z operacji odbijania i transponowania, aby szybko zmodyfikować obraz. Następnie rozłożysz tablicę Moneta na części, wprowadzisz zmiany i złożysz ją z powrotem za pomocą łączenia tablic, by zobaczyć efekty.

Exercise 1: Zapisywanie i wczytywanie tablic Exercise 2: Wczytywanie plików .npy Exercise 3: Szukanie pomocy Exercise 4: Aktualizacja i zapis Exercise 5: Akrobacje z tablicami Exercise 6: Augmentowanie Moneta Exercise 7: Transponowanie twojego arcydzieła Exercise 8: Składanie i dzielenie tablic Exercise 9: Podział i łączenie tablic 2D Exercise 10: Podział danych RGB Exercise 11: Łączenie danych RGB Exercise 12: Gratulacje!