Broadcastable hay không?

Broadcasting đưa sức mạnh của các phép toán vector hóa trong NumPy tiến thêm một bước, giúp tiết kiệm bộ nhớ và sức tính toán. Nhưng trước khi dùng broadcasting, bạn cần kiểm tra xem liệu việc này có khả thi trong phép toán của bạn hay không!

Bài tập này là một phần của khóa học

Giới thiệu về NumPy

Xem khóa học

Bài tập tương tác thực hành

Biến lý thuyết thành hành động với một trong các bài tập tương tác của chúng tôi

Bắt đầu bài tập

Bài tập này là một phần của khóa học

Giới thiệu về NumPy

SkillTag.level.beginnerSkillTag.label

4.8+

Bắt đầu khóa học miễn phí

Làm quen với mảng NumPy tuyệt vời! Học cách tạo và thay đổi hình dạng mảng để phù hợp với nhu cầu của bạn. Cuối cùng, khám phá nhiều kiểu dữ liệu của NumPy và cách chúng giúp các phép toán trên mảng chạy thật nhanh.

Exercise 1: Làm quen với mảng Exercise 2: Mảng NumPy đầu tiên của bạn Exercise 3: Tạo mảng từ con số không Exercise 4: Một mảng phạm vi Exercise 5: Số chiều của mảng Exercise 6: Tạo mảng 3D Exercise 7: Chiều thứ tư Exercise 8: Làm phẳng và đổi hình dạng Exercise 9: Kiểu dữ liệu trong NumPy Exercise 10: Đối số dtype Exercise 11: Dự đoán kiểu dữ liệu Exercise 12: Một trò sudoku gọn nhẹ hơn

Mài giũa kỹ năng xử lý dữ liệu NumPy bằng cách cắt lát, lọc và sắp xếp dữ liệu kiểm kê cây xanh của Thành phố New York. Tạo mảng mới bằng cách lấy dữ liệu dựa trên các điều kiện, và thêm hoặc xóa dữ liệu theo mọi chiều để đáp ứng mục tiêu của bạn. Trong quá trình đó, bạn sẽ học các nguyên tắc về tương thích hình dạng và số chiều để sẵn sàng cho phép toán mảng siêu nhanh.

Exercise 1: Đánh chỉ mục và cắt lát mảng Exercise 2: Cắt lát và đánh chỉ mục cây Exercise 3: Bước vào mảng 2D Exercise 4: Sắp xếp cây Exercise 5: Lọc mảng Exercise 6: Lọc bằng mask Exercise 7: Đánh chỉ mục nâng cao so với np.where()Exercise 8: Tạo mảng từ các điều kiện Exercise 9: Thêm và xóa dữ liệu Exercise 10: Tương thích hay không?Exercise 11: Thêm hàng Exercise 12: Thêm cột Exercise 13: Xóa dữ liệu với np.delete()

Tận dụng các phép toán vector hóa cực nhanh của NumPy để thu thập thông tin tóm tắt về dữ liệu bán hàng của các cửa hàng rượu, nhà hàng và cửa hàng bách hóa tại Mỹ. Vector hóa các hàm Python để dùng trong mã NumPy của bạn. Cuối cùng, sử dụng logic broadcasting để thực hiện các phép toán giữa những mảng có kích thước khác nhau.

Exercise 1: Tóm tắt dữ liệu Exercise 2: Tổng doanh số Exercise 3: Vẽ biểu đồ giá trị trung bình Exercise 4: Doanh số lũy kế Exercise 5: Các phép toán vector hóa Exercise 6: Tính thuế Exercise 7: Dự phóng doanh số Exercise 8: Vector hóa .upper()Exercise 9: Broadcasting (phát sóng)Exercise 10: Broadcastable hay không?

Bài tập hiện tại

Exercise 11: Broadcasting theo cột Exercise 12: Broadcasting theo từng hàng

NumPy gặp gỡ thế giới nghệ thuật trong chương cuối này khi chúng ta dùng dữ liệu ảnh từ một kiệt tác của Monet để khám phá cách bạn có thể tăng cường dữ liệu ảnh. Bạn sẽ dùng chức năng lật và hoán vị để nhanh chóng biến đổi kiệt tác. Tiếp theo, bạn sẽ tách mảng Monet ra, chỉnh sửa, rồi ghép lại bằng cách xếp chồng mảng để xem kết quả.

Exercise 1: Lưu và tải mảng Exercise 2: Tải tệp .npy Exercise 3: Tìm trợ giúp Exercise 4: Cập nhật và lưu Exercise 5: Nhào lộn với mảng Exercise 6: Tăng cường dữ liệu với Monet Exercise 7: Hoán vị trục cho kiệt tác của bạn Exercise 8: Xếp chồng và tách mảng Exercise 9: Tách và xếp chồng 2D Exercise 10: Tách dữ liệu RGB Exercise 11: Xếp chồng dữ liệu RGB Exercise 12: Chúc mừng bạn!