Broadcasting: возможно или нет?

Broadcasting выводит векторизованные операции NumPy на новый уровень: это экономит память и вычислительные ресурсы. Но прежде чем применять broadcasting, нужно убедиться, что он вообще возможен в ваших математических операциях!

Это упражнение является частью курса

Введение в NumPy

Посмотреть курс

Практическое интерактивное упражнение

Превратите теорию в практику с помощью одного из наших интерактивных упражнений

Начать упражнение

Это упражнение является частью курса

Введение в NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

Начать курс бесплатно

Познакомьтесь с массивами NumPy! Вы научитесь создавать массивы и изменять их форму под конкретные задачи. Кроме того, вы изучите многообразие типов данных NumPy и поймёте, как они обеспечивают высокую скорость операций с массивами.

Exercise 1: Знакомство с массивами Exercise 2: Ваш первый массив NumPy Exercise 3: Создание массивов с нуля Exercise 4: Массив из диапазона значений Exercise 5: Размерность массивов Exercise 6: Создание трёхмерного массива Exercise 7: Четвёртое измерение Exercise 8: Выпрямление и изменение формы Exercise 9: Типы данных NumPy Exercise 10: Аргумент dtype Exercise 11: Предугадываем типы данных Exercise 12: Судоку в миниатюре

Отточите навыки работы с данными в NumPy: применяйте срезы, фильтрацию и сортировку к данным переписи деревьев Нью-Йорка. Создавайте новые массивы с помощью условных выражений, добавляйте и удаляйте данные вдоль любого измерения. По ходу дела вы освоите принципы совместимости форм и размерностей — это подготовит вас к сверхбыстрым математическим операциям с массивами.

Exercise 1: Индексирование и срезы массивов Exercise 2: Срезы и индексация деревьев Exercise 3: Переход к двумерным массивам Exercise 4: Сортировка деревьев Exercise 5: Фильтрация массивов Exercise 6: Фильтрация с помощью масок Exercise 7: Fancy indexing и np.where()Exercise 8: Создание массивов на основе условий Exercise 9: Добавление и удаление данных Exercise 10: Совместимы или нет?Exercise 11: Добавление строк Exercise 12: Добавление столбцов Exercise 13: Удаление данных с помощью np.delete()

Воспользуйтесь быстрыми векторизованными операциями NumPy, чтобы извлечь сводные сведения из данных о продажах алкоголя, ресторанов и универмагов США. Вы научитесь векторизовать функции Python для применения в коде NumPy, а затем используете логику broadcasting для математических операций между массивами разных размеров.

Exercise 1: Сводные характеристики данных Exercise 2: Итоги продаж Exercise 3: Построение графиков средних значений Exercise 4: Накопленные продажи Exercise 5: Векторизованные операции Exercise 6: Расчёт налогов Exercise 7: Прогнозирование продаж Exercise 8: Векторизация метода .upper()Exercise 9: Широковещательное транслирование Exercise 10: Broadcasting: возможно или нет?

Текущее упражнение

Exercise 11: Broadcasting по столбцам Exercise 12: Широковещательная передача по строкам

В финальной главе NumPy встречается с миром искусства: на основе данных изображения шедевра Моне вы изучите приёмы дополнения данных. С помощью операций отражения и транспонирования вы быстро преобразуете картину. Затем разберёте массив Моне на части, внесёте изменения и соберёте его заново с помощью стекирования массивов, чтобы увидеть результат.

Exercise 1: Сохранение и загрузка массивов Exercise 2: Загрузка файлов .npy Exercise 3: Получение справки Exercise 4: Обновление и сохранение Exercise 5: Акробатика с массивами Exercise 6: Дополнение картины Моне Exercise 7: Транспонирование шедевра Exercise 8: Объединение и разделение массивов Exercise 9: Разбиение и объединение 2D-массивов Exercise 10: Разбивка данных RGB Exercise 11: Объединение данных RGB Exercise 12: Поздравляем!