Satırlar arasında yayınlama (broadcasting)

Son egzersizlerde, satış tahminleri oluşturmak için monthly_industry_multipliers kullandın. monthly_industry_multipliers dizisinin şu şekilde göründüğünü hatırla:

array([[0.98, 1.02, 1.  ],
       [1.00, 1.01, 0.97],
       [1.06, 1.03, 0.98],
       [1.08, 1.01, 0.98],
       [1.08, 0.98, 0.98],
       [1.1 , 0.99, 0.99],
       [1.12, 1.01, 1.  ],
       [1.1 , 1.02, 1.  ],
       [1.11, 1.01, 1.01],
       [1.08, 0.99, 0.97],
       [1.09, 1.  , 1.02],
       [1.13, 1.03, 1.02]])

Diyelim ki tahminlerinde bu kadar spesifik olmak istemiyorsun. Bunun yerine, her sektör için tek bir ortalama çarpan bulmak üzere monthly_industry_multipliers dizisini kullanmak istiyorsun. Sonra da bu çarpanı gelecek yılın satışlarını projekte etmek için kullanacaksın.

numpy senin için np olarak yüklendi ve monthly_sales ile monthly_industry_multipliers dizileri hazır. monthly_sales sütunları sırasıyla tekel bayii, restoran ve büyük mağaza satışlarını ifade eder.

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Find the mean sales projection multiplier for each industry
mean_multipliers = ____
print(mean_multipliers)

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 Exercise 12: Satırlar arasında yayınlama (broadcasting)

Geçerli Egzersiz

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!