Ett mindre sudokuspel

NumPys datatyper är mer specifika än Pythons datatyper. NumPy prioriterar hastighet medan Python prioriterar flexibilitet. När du arbetar med stora datamängder i NumPy är det god praxis att kontrollera datatypen och överväga om en mindre datatyp räcker för dina data – mindre datatyper använder mindre minne.

Dags att göra ditt sudokuspel mer minneseffektivt med hjälp av dina kunskaper om datatyper! sudoku_game har laddats in som en NumPy-array. numpy är importerat som np.

Den här övningen är en del av kursen

Introduktion till NumPy

Visa kurs

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# Print the data type of sudoku_game
print(____)

Redigera och kör kod

Den här övningen är en del av kursen

Introduktion till NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

1494 reviews

Starta kursen gratis

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.

Exercise 1: Introduktion till arrayer Exercise 2: Din första NumPy-array Exercise 3: Skapa arrayer från grunden Exercise 4: En array med ett intervall Exercise 5: Arraydimensionalitet Exercise 6: Skapa en 3D-array Exercise 7: Den fjärde dimensionen Exercise 8: Tillplattning och omformning Exercise 9: NumPys datatyper Exercise 10: Argumentet dtype Exercise 11: Förutse datatyper Exercise 12: Ett mindre sudokuspel

Aktuell övning

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.

Exercise 1: Indexera och skiva arrayer Exercise 2: Slicing och indexering av träd Exercise 3: Steg in i 2D Exercise 4: Sortera träd Exercise 5: Filtrera arrayer Exercise 6: Filtrering med masker Exercise 7: Fancy indexing vs. np.where()Exercise 8: Skapa arrayer från villkor Exercise 9: Lägga till och ta bort data Exercise 10: Kompatibla eller inte?Exercise 11: Lägga till rader Exercise 12: Lägga till kolumner Exercise 13: Ta bort data med np.delete()

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.

Exercise 1: Sammanfatta data Exercise 2: Försäljningstotaler Exercise 3: Plotta medelvärden Exercise 4: Kumulativ försäljning Exercise 5: Vektoriserade operationer Exercise 6: Skatteberäkningar Exercise 7: Projicera försäljning Exercise 8: Vektorisera .upper()Exercise 9: Sändning Exercise 10: Broadcasting möjligt eller inte?Exercise 11: Broadcasting över kolumner Exercise 12: Broadcasting över rader

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.

Exercise 1: Spara och läsa in arrayer Exercise 2: Läsa in .npy-filer Exercise 3: Få hjälp Exercise 4: Uppdatera och spara Exercise 5: Arrayakrobatik Exercise 6: Augmentera Monet Exercise 7: Transponera ditt mästerverk Exercise 8: Stapla och dela Exercise 9: 2D-delning och stapling Exercise 10: Dela upp RGB-data Exercise 11: Stapla RGB-data Exercise 12: Grattis!