Aplatizare și remodelare

Ai învățat să modifici nu doar forma unui array, ci și numărul de dimensiuni ale acestuia. Pentru a exersa aceste abilități, vei transforma sudoku_game dintr-un array 2D într-un array 1D și înapoi. Putem avea încredere că NumPy păstrează ordinea elementelor după aplatizare și remodelare? E momentul să aflăm.

numpy este importat ca np, iar sudoku_game este deja încărcat.

Acest exercițiu face parte din cursul

Introducere în NumPy

Vezi cursul

Exercițiu interactiv practic

Încearcă acest exercițiu completând acest cod de exemplu.

# Flatten sudoku_game
flattened_game = ____

# Print the shape of flattened_game
print(____)

Editează și rulează codul

Acest exercițiu face parte din cursul

Introducere în NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

1489 reviews

Începe cursul gratuit

Descoperă array-ul NumPy! Învață cum să creezi array-uri și cum să le modifici forma în funcție de nevoile tale. În final, explorează multitudinea de tipuri de date din NumPy și modul în care acestea contribuie la viteza operațiilor cu array-uri.

Exercise 1: Introducere în tablouri Exercise 2: Primul tău array NumPy Exercise 3: Crearea array-urilor de la zero Exercise 4: Un array de tip range Exercise 5: Dimensionalitatea array-urilor Exercise 6: Crearea unui array 3D Exercise 7: A patra dimensiune Exercise 8: Aplatizare și remodelare

Exercițiul curent

Exercise 9: Tipuri de date NumPy Exercise 10: Argumentul dtype Exercise 11: Anticipând tipurile de date Exercise 12: Un joc de sudoku mai compact

Îți vei aprofunda abilitățile de lucru cu date în NumPy prin tăiere, filtrare și sortare a datelor din recensământul arborilor din New York City. Vei crea array-uri noi extragând date pe baza unor condiții și vei adăuga sau elimina date pe orice dimensiune, în funcție de scopul tău. Pe parcurs, vei învăța principiile de compatibilitate a formei și dimensiunilor, pregătindu-te pentru operații matematice extrem de rapide cu array-uri.

Exercise 1: Indexarea și extragerea datelor din array-uri Exercise 2: Slicing și indexare pentru arbori Exercise 3: Explorăm 2D Exercise 4: Sortarea copacilor Exercise 5: Filtrarea array-urilor Exercise 6: Filtrare cu măști Exercise 7: Indexare fancy vs. np.where()Exercise 8: Crearea array-urilor din condiții Exercise 9: Adăugarea și eliminarea datelor Exercise 10: Compatibile sau nu?Exercise 11: Adăugarea de rânduri Exercise 12: Adăugarea coloanelor Exercise 13: Ștergerea cu np.delete()

Folosește operațiile vectorizate rapide ale NumPy pentru a obține informații sintetice despre datele de vânzări ale magazinelor de băuturi alcoolice, restaurantelor și magazinelor universale din Statele Unite. Vectorizează funcții Python pentru a le integra în codul tău NumPy. În final, aplică logica de broadcasting pentru a efectua operații matematice între array-uri de dimensiuni diferite.

Exercise 1: Rezumarea datelor Exercise 2: Totaluri de vânzări Exercise 3: Reprezentarea grafică a mediilor Exercise 4: Vânzări cumulative Exercise 5: Operații vectorizate Exercise 6: Calcule fiscale Exercise 7: Proiectarea vânzărilor Exercise 8: Vectorizarea .upper()Exercise 9: Broadcasting Exercise 10: Broadcasting posibil sau nu?Exercise 11: Broadcasting pe coloane Exercise 12: Broadcasting pe rânduri

În acest capitol final, NumPy intră în lumea artei: vom folosi date de imagine dintr-o capodoperă de Monet pentru a explora cum poți augmenta date de tip imagine. Vei folosi funcționalitățile de flip și transpunere pentru a transforma rapid capodopera. Apoi, vei descompune array-ul Monet, vei face modificări și îl vei reconstrui prin stacking de array-uri pentru a vedea rezultatele.

Exercise 1: Salvarea și încărcarea tablourilor Exercise 2: Încărcarea fișierelor .npy Exercise 3: Obținerea ajutorului Exercise 4: Actualizează și salvează Exercise 5: Acrobații cu array-uri Exercise 6: Augmentarea lui Monet Exercise 7: Transpunerea capodoperei tale Exercise 8: Stivuire și divizare Exercise 9: Împărțire și stivuire 2D Exercise 10: Împărțirea datelor RGB Exercise 11: Stacking datelor RGB Exercise 12: Felicitări!