Kümülatif satışlar

Son egzersizde, Aralık ayının büyük mağazalar için yoğun bir ay olduğunu görmüştün. Satışların belirgin biçimde arttığı veya azaldığı başka aylar var mı?

Şimdi görevin, her sektör için aylık kümülatif satışlara bakmak. Kümülatif satış çizgisinin eğimi, zaman içindeki satışların ne kadar dengeli olduğunu çok iyi anlatır: dümdüz bir çizgi istikrarlı büyümeyi, eğimdeki değişimler ise satışlarda göreli artış ya da azalışları gösterir.

numpy senin için np olarak yüklendi ve monthly_sales dizisi hazır. monthly_sales sütunları sırasıyla tekel bayii, restoran ve büyük mağaza satışlarını temsil eder.

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Find cumulative monthly sales for each industry
cumulative_monthly_industry_sales = ____
print(cumulative_monthly_industry_sales)

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

Geçerli Egzersiz

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)

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!