2Böl ve yığın

Bölme ve yığınlama becerileri sadece 3B RGB dizilerinde işe yaramaz: her tür ve boyuttaki veriyi alt kümelemede ve düzenlemede harikadır!

Şimdi hafızayı tazelemek için kısa bir yolculuk yapacak ve monthly_sales dizisini 3B bir dizi olarak yeniden düzenleyeceksin. monthly_sales dizisinin ilk boyutunun, üç sektör genelinde tek bir ayın satış satırları; ikinci boyutunun ise tek bir sektör için aylık satış verilerinin sütunları olduğunu hatırla.

Görevin, bu veriyi çeyrek satış verilerine bölmek ve çeyrek satış verilerini öyle bir şekilde yığınlamak ki yeni üçüncü boyut, dört adet 2B çeyrek satış dizisini temsil etsin. numpy np olarak yüklü ve monthly_sales dizisi hazır.

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Split monthly_sales into quarterly data
q1_sales, q2_sales, q3_sales, q4_sales = ____
print(q1_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: Summarizing data Exercise 2: Sales totals Exercise 3: Plotting averages Exercise 4: Cumulative sales Exercise 5: Vectorized operations Exercise 6: Tax calculations Exercise 7: Projecting sales Exercise 8: Vectorizing .upper()Exercise 9: Broadcasting Exercise 10: Broadcastable or not?Exercise 11: Broadcasting across columns Exercise 12: Broadcasting across rows

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: Dizileri kaydetme ve yükleme Exercise 2: `.npy` dosyalarını yükleme Exercise 3: Yardım alma Exercise 4: Güncelle ve kaydet Exercise 5: Dizi akrobasisi Exercise 6: Monet'yi Zenginleştirme Exercise 7: Şaheserini dönüştür: Transpose Exercise 8: Yığma ve bölme Exercise 9: 2Böl ve yığın

Geçerli Egzersiz

Exercise 10: RGB verilerini bölme Exercise 11: RGB verilerini istifleme Exercise 12: Tebrikler!