Forme et taille

Fait partie de la section Données et visualisations du Journey Machine Learning de Coddy. Leçon 6 sur 60.

Les données d’apprentissage automatique sont un tableau : une ligne par échantillon, une colonne par caractéristique. Une liste de listes en forme un, un tableau 2D :

scores = np.array([[8, 6, 9, 7],
                   [7, 10, 5, 8]])

Le tableau scores représenté sous forme de grille de 2 lignes et 4 colonnes de nombres, intitulé scores.shape is (2, 4)

Le tableau connaît sa propre taille. Pas de parenthèses : ce sont des faits stockés, pas des fonctions.

print(scores.shape)  # lignes, colonnes
print(scores.ndim)   # dimensions
print(scores.size)   # valeurs
print(scores.dtype)  # leur type

Cela affiche :

(2, 4)
2
8
int64

Vérifiez d’abord la forme de toute nouvelle donnée : un modèle attend une ligne par échantillon.

Défi

Facile

Deux cinémas ne peuvent fusionner leurs tableaux de ventes de billets que si leurs formats correspondent. Les billets de Park sont dans rows ; ceux de Plaza, dans plaza.

Transforme rows en un tableau park.
Affiche le nombre de jours, de séances et de valeurs de chaque cinéma, Park en premier.
Affiche Same layout: et True ou False.

Pour 2 jours de 3 séances (48, 112, 65, puis 37, 98, 120) :

Park: 2 days, 3 showings a day, 6 values
Plaza: 7 days, 4 showings a day, 28 values
Same layout: False

Essayez vous-même

import numpy as np

# Billets vendus au cinéma Park : une ligne par jour, une valeur par séance
days = int(input())
showings = int(input())
rows = []
for day in range(days):
    row = []
    for showing in range(showings):
        row.append(int(input()))
    rows.append(row)

# Billets vendus au cinéma Plaza : une ligne par jour, une valeur par séance
plaza = np.array([
    [34, 58, 91, 40],
    [29, 63, 85, 37],
    [41, 70, 96, 52],
    [38, 66, 102, 47],
    [55, 88, 120, 74],
    [72, 95, 131, 80],
    [60, 81, 99, 45],
])

# Écrivez votre code ci-dessous