Bir aralık dizisi

np.arange() özellikle grafik çiziminde çok kullanışlıdır. Görevin, y ekseninde doubling_array değerleri olan bir saçılım grafiği (scatter plot) oluşturmak.

doubling_array = [1, 2, 4, 8, 16, 32, 64, 128, 256, 512]

Bir saçılım grafiğinin aşağıdaki kodla oluşturulabildiğini hatırla:

plt.scatter(x_values, y_values)
plt.show()

doubling_array y eksenindeyken, şimdi x ekseni için değerlere ihtiyacın var; bunları np.arange() ile oluşturabilirsin!

numpy senin için np takma adıyla yüklendi ve matplotlib.pyplot plt olarak içe aktarıldı.

Bu egzersiz

NumPy’ye Giriş

kursunun bir parçasıdır

Kursu Görüntüle

Egzersiz talimatları

np.arange() kullanarak, birden ona kadar olan tüm tamsayıları (dahil) tutan one_to_ten adlı 1B bir dizi oluştur.
doubling_array'ı y değerleri, one_to_ten'i ise x değerleri olarak kullanarak bir saçılım grafiği oluştur.

Uygulamalı interaktif egzersiz

Bu örnek kodu tamamlayarak bu egzersizi bitirin.

# Create an array of integers from one to ten
one_to_ten = ____

# Create your scatterplot
____
plt.show()

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: Dizilere giriş Exercise 2: İlk NumPy dizin Exercise 3: Sıfırdan diziler oluşturma Exercise 4: Bir aralık dizisi

Geçerli Egzersiz

Exercise 5: Dizi boyutluluğu Exercise 6: 3B dizi oluşturma Exercise 7: Dördüncü boyut Exercise 8: Düzleştirme ve yeniden şekillendirme Exercise 9: NumPy veri türleri Exercise 10: dtype bağımsız değişkeni Exercise 11: Veri türlerini öngörmek Exercise 12: Daha küçük bir sudoku oyunu

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: 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!