Bekanta dig med NumPy-arrayen! Lär dig skapa arrayer och ändra deras form efter behov. Utforska sedan NumPys många datatyper och se hur de bidrar till snabba arrayoperationer.

Introduktion till arrayer

Din första NumPy-array

Skapa arrayer från grunden

En array med ett intervall

Arraydimensionalitet

Skapa en 3D-array

Den fjärde dimensionen

Tillplattning och omformning

NumPys datatyper

Argumentet dtype

Alternativ

En strängdatatyp

En heltalsdatatyp

En float-datatyp

Förutse datatyper

Ett mindre sudokuspel

Förstå NumPy-arrayer

Finslipa dina färdigheter i att hantera NumPy-data genom att slicera, filtrera och sortera New Yorks trädcensusdata. Skapa nya arrayer genom att hämta data baserat på villkorssatser, och lägg till eller ta bort data längs valfri dimension efter behov. På vägen lär du dig principerna för form- och dimensionskompatibilitet – en förberedelse för snabb arraymatematik.

Indexera och skiva arrayer

Slicing och indexering av träd

Steg in i 2D

Sortera träd

Filtrera arrayer

Filtrering med masker

Fancy indexing vs. np.where()

Skapa arrayer från villkor

Lägga till och ta bort data

Kompatibla eller inte?

Lägga till rader

Lägga till kolumner

Ta bort data med np.delete()

Välja och uppdatera data

Utnyttja NumPys snabba vektoriserade operationer för att samla in sammanfattande insikter om försäljningsdata från amerikanska spritbutiker, restauranger och varuhus. Vektorisera Python-funktioner för användning i din NumPy-kod. Tillämpa sedan broadcasting-logik för att utföra matematiska operationer mellan arrayer av olika storlekar.

Sammanfatta data

Försäljningstotaler

Plotta medelvärden

Kumulativ försäljning

Vektoriserade operationer

Skatteberäkningar

Projicera försäljning

Vektorisera .upper()

Sändning

Broadcasting möjligt eller inte?

Broadcasting över kolumner

Broadcasting över rader

Arraymatematik!

I det här sista kapitlet möter NumPy konstvärlden när vi använder bilddata från ett mästerverk av Monet för att utforska hur du kan bearbeta bilddata. Du använder funktioner för spegling och transponering för att snabbt transformera målningen. Sedan plockar du isär Monet-arrayen, gör ändringar och sätter ihop den igen med hjälp av array-stacking för att se resultaten.

Spara och läsa in arrayer

Läsa in .npy-filer

Få hjälp

Uppdatera och spara

Arrayakrobatik

Augmentera Monet

Transponera ditt mästerverk

Stapla och dela

2D-delning och stapling

Dela upp RGB-data

Stapla RGB-data

Grattis!

Arraytransformationer

Course Glossary

Monet RGB Array

Monthly Sales Array

Tree Census Array

Sudoku Solution Array

Sudoku Game Array

NumPy är ett viktigt Python-bibliotek. TensorFlow och scikit-learn använder NumPy-arrayer som indata, och pandas och Matplotlib är byggda ovanpå NumPy. I den här kursen – Introduktion till NumPy – lär du dig att behärska NumPys kärnobjekt: arrayer! Med hjälp av data från New Yorks trädcensus skapar, sorterar, filtrerar och uppdaterar du arrayer. Du får förstå varför NumPy är så effektivt och använder broadcasting och vektorisering för att göra din NumPy-kod ännu snabbare. I slutet av kursen arbetar du med 3D-arrayer för att bearbeta en målning av Claude Monet, och du förstår varför den här typen av arraymanipulering är ett viktigt verktyg inom maskininlärning.

Videorna innehåller live-transkript som du kan visa genom att klicka på "Visa transkript" längst ned till vänster i videon.

Kursens ordlista finns till höger i resurssektionen.

För att få CPE-poäng behöver du slutföra kursen och nå 70 % på den kvalificerade bedömningen. Du kan navigera till bedömningen genom att klicka på CPE-poängspromoten till höger.

<h2>Utforska Pythons paket för datavetenskap: NumPy</h2>
Få en introduktion till Numpy och förstå varför detta Python-bibliotek är avgörande för alla Python-dataforskare och analytiker. Viktigast av allt: lär dig mer om Numpy-arrayer och hur du skapar och ändrar arrayformer för att passa dina behov. 
<br><br>
<h2>Upptäck NumPy-arrayer</h2>
NumPy är ett viktigt Python-bibliotek för data scientists och analytiker. Det erbjuder ett utmärkt alternativ till Python-listor, eftersom de är mer kompakta och möjliggör snabbare åtkomst för att läsa och skriva objekt, vilket gör dem till ett mer bekvämt och effektivt alternativ.
<br><br>
I denna kurs i Introduktion till NumPy blir du en mästare på att hantera NumPys kärnobjekt: arrayer! Med hjälp av New York Citys trädinventeringsdata kommer du att skapa, sortera, filtrera och uppdatera arrayer. Du kommer att upptäcka varför NumPy är så effektivt och använda broadcasting och vectorisering för att göra din NumPy-kod ännu snabbare. 
<br><br>
<h2>Bygg självförtroende genom att öva på Monet-datasetet</h2>
I det sista kapitlet kommer du att använda dina nyförvärvade kunskaper för att utföra arraytransformationer. Du kommer att använda 3D-arrayer för bilder för att ändra en målning av Claude Monet och förstå varför sådana arrayändringar är viktiga verktyg för maskininlärning.
<br><br>
Du kommer att känna dig trygg med Numpy-arrayer och deras olika operationer när du har slutfört kursen. Den här kursen ingår i spåret Data Scientist with Python och är perfekt för dig som vill ta en Data Science-certifiering med DataCamp.

Intermediate Python

Lär känna Pythons populära datavetenskapspaket NumPy. Skapa och hantera arrayer med NYC:s träddata.

Introduktion till NumPy

Bemästra dina färdigheter i NumPy genom att lära dig skapa, sortera, filtrera och uppdatera arrayer med NYC:s trädräkning.

Datahantering  i Python

`np.array([9, 1.12, True]).astype("<U5")`

`np.array([34.62, 70.13, 9]).astype(np.int64)`

Förutse datatyper

Introduktion till NumPy

Interaktiv övning med praktiskt arbete