Sütunlar arasında broadcasting

Sütunlar arasında yayınlama (broadcasting) yaparken, NumPy’nin dikey bir diziyi yayınlaması gerektiğini açıkça belirtmeni istediğini unutma; NumPy’de yatay ve dikey 1D diziler yoktur. Bunun yerine, önce dikey veriye sahip olduğunu belirtmek için bir 2D dizi oluşturmalısın. Sonrasında, NumPy bu 2D dikey dizinin her sütun için bir kopyasını oluşturur ve istediğin işlemi uygular.

len() değeri 12 olan monthly_growth_rate adlı bir Python listesi mevcut. Bu liste, ekonomide ay bazında yıllık beklenen büyümeyi temsil ediyor; görevin, bu listeyi monthly_sales dizisindeki her sütunla çarpmak için broadcasting kullanmak. monthly_sales dizisi ve numpy (np olarak) yüklendi.

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

Şu anda bir Python listesi olan monthly_growth_rate’i, monthly_growth_1D adlı tek boyutlu bir NumPy dizisine dönüştür.
monthly_growth_1D’i, monthly_sales üzerinde sütun bazında yayınlanabilir (broadcastable) olacak şekilde yeniden şekillendir; yeni dizinin adı monthly_growth_2D olsun.
Broadcasting kullanarak, monthly_sales içindeki her sütunu monthly_growth_2D ile çarp.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Convert monthly_growth_rate into a NumPy array
monthly_growth_1D = ____

# Reshape monthly_growth_1D
monthly_growth_2D = monthly_growth_1D.____

# Multiply each column in monthly_sales by monthly_growth_2D
print(____)

Kodu Düzenle ve Çalıştır

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

InicianteNível de habilidade

4.8+

Kursa Ücretsiz Başlayın

Meet the incredible NumPy array! Learn how to create and change array shapes to suit your needs. Finally, discover NumPy's many data types and how they contribute to speedy array operations.

Exercise 1: Introducing arrays Exercise 2: Your first NumPy array Exercise 3: Creating arrays from scratch Exercise 4: A range array Exercise 5: Array dimensionality Exercise 6: 3D array creation Exercise 7: The fourth dimension Exercise 8: Flattening and reshaping Exercise 9: NumPy data types Exercise 10: The dtype argument Exercise 11: Anticipating data types Exercise 12: A smaller sudoku game

Sharpen your NumPy data wrangling skills by slicing, filtering, and sorting New York City’s tree census data. Create new arrays by pulling data based on conditional statements, and add and remove data along any dimension to suit your purpose. Along the way, you’ll learn the shape and dimension compatibility principles to prepare for super-fast array math.

Exercise 1: Indexing and slicing arrays Exercise 2: Slicing and indexing trees Exercise 3: Stepping into 2D Exercise 4: Sorting trees Exercise 5: Filtering arrays Exercise 6: Filtering with masks Exercise 7: Fancy indexing vs. np.where()Exercise 8: Creating arrays from conditions Exercise 9: Adding and removing data Exercise 10: Compatible or not?Exercise 11: Adding rows Exercise 12: Adding columns Exercise 13: Deleting with np.delete()

Leverage NumPy’s speedy vectorized operations to gather summary insights on sales data for American liquor stores, restaurants, and department stores. Vectorize Python functions for use in your NumPy code. Finally, use broadcasting logic to perform mathematical operations between arrays of different sizes.

Exercise 1: Verileri özetleme Exercise 2: Satış toplamları Exercise 3: Ortalamaları görselleştirme Exercise 4: Kümülatif satışlar Exercise 5: Vektörleştirilmiş işlemler Exercise 6: Vergi hesaplamaları Exercise 7: Satışları projekte etme Exercise 8: .upper() metodunu vektörleştirme Exercise 9: Yayınlama (Broadcasting)Exercise 10: Yayınlanabilir mi değil mi?Exercise 11: Sütunlar arasında broadcasting

Geçerli Egzersiz

Exercise 12: Satırlar arasında yayınlama (broadcasting)

NumPy meets the art world in this final chapter as we use image data from a Monet masterpiece to explore how you can use to augment image data. You’ll use flipping and transposing functionality to quickly transform our masterpiece. Next, you’ll pull the Monet array apart, make changes, and reconstruct it using array stacking to see the results.

Exercise 1: Saving and loading arrays Exercise 2: Loading .npy files Exercise 3: Getting help Exercise 4: Update and save Exercise 5: Array acrobatics Exercise 6: Augmenting Monet Exercise 7: Transposing your masterpiece Exercise 8: Stacking and splitting Exercise 9: 2D split and stack Exercise 10: Splitting RGB data Exercise 11: Stacking RGB data Exercise 12: Congratulations!