Ten poradnik pokaże ci, jak używać funkcji NumPy max, którą w kodzie Pythona zobaczysz jako np.max.

Na wysokim poziomie, chcę wyjaśnić tę funkcję i pokazać ci, jak ona działa. W związku z tym, są dwie główne sekcje w tym samouczku: składnia NumPy max, i przykłady jak używać NumPy max.

Jeśli wciąż zaczynasz przygodę z NumPy, polecam przeczytać cały samouczek, od początku do końca. Powiedziawszy to, jeśli chcesz tylko uzyskać szybką odpowiedź na pytanie, możesz przejść do odpowiedniej sekcji za pomocą jednego z następujących linków:

• Składnia NumPy max
• Przykłady użycia NumPy max

Ok. Mając to wszystko na uwadze, zaczynajmy.

Po pierwsze, porozmawiajmy o NumPy i funkcji NumPy max.

Szybkie wprowadzenie do funkcji NumPy max

Prawdopodobnie jest dla ciebie jasne, że funkcja NumPy max jest funkcją w module NumPy.

Ale jeśli jesteś prawdziwym początkującym, możesz nie wiedzieć czym tak naprawdę jest NumPy. Zanim więc porozmawiamy konkretnie o funkcji np.max, porozmawiajmy szybko o NumPy.

Czym dokładnie jest NumPy?

Numpy to moduł do manipulacji danymi dla Pythona

Ujmując to bardzo prosto, NumPy to pakiet do manipulacji danymi dla języka programowania Python.

Jeśli jesteś zainteresowany nauką o danych w Pythonie, NumPy jest bardzo ważny. Dzieje się tak dlatego, że wiele prac związanych z nauką o danych to po prostu manipulacja danymi. Niezależnie od tego, czy zajmujesz się głębokim uczeniem, czy analizą danych, ogromna część pracy w nauce o danych to czyszczenie danych, przygotowywanie danych i badanie ich, aby upewnić się, że są odpowiednie do użycia.

Ponownie, ze względu na znaczenie manipulacji danymi, NumPy jest bardzo ważny dla nauki o danych w Pythonie.

Numpy to zestaw narzędzi do pracy z danymi numerycznymi

Specjalnie jednak, NumPy dostarcza zestaw narzędzi do pracy z danymi numerycznymi.

Python ma inne zestawy narzędzi do pracy z danymi nienumerycznymi i danymi typu mieszanego (jak moduł Pandas). Ale jeśli masz jakikolwiek rodzaj danych numerycznych, które trzeba oczyścić, zmodyfikować, przekształcić lub przeanalizować, NumPy jest prawdopodobnie zestaw narzędzi, które potrzebujesz.

Ale chociaż funkcje NumPy mogą działać na różnych strukturach danych, są one zbudowane do pracy na strukturze zwanej tablicą NumPy. Tablice NumPy są specjalnym rodzajem obiektu Pythona, który zawiera dane numeryczne. Istnieje wiele sposobów tworzenia tablic numpy, w tym funkcja np.array, funkcja np.ones, funkcja np.zeros i funkcja np.arange, wraz z wieloma innymi funkcjami omówionymi w poprzednich tutorialach na Sharp Sight.

Co ważne, tablice NumPy są zoptymalizowane do obliczeń numerycznych. Tak więc istnieje zestaw narzędzi w NumPy do wykonywania obliczeń numerycznych na tablicach NumPy, takich jak obliczanie średniej tablicy NumPy, obliczanie mediany tablicy NumPy, i tak dalej.

Podsumowując, NumPy daje ci zestaw narzędzi do tworzenia tablic danych numerycznych, i wykonywania obliczeń na tych danych numerycznych.

Jednym z obliczeń, które możesz wykonać jest obliczanie maksymalnej wartości tablicy NumPy. W tym miejscu pojawia się funkcja np.max.

NumPy max oblicza maksimum wartości w tablicy NumPy

Funkcja numpy.max() oblicza maksymalną wartość wartości numerycznych zawartych w tablicy NumPy. Może ona również obliczyć maksymalną wartość wierszy, kolumn lub innych osi. Porozmawiamy o tym w sekcji przykładów.

Syntaktycznie, często zobaczysz funkcję NumPy max w kodzie jako np.max. Zobaczysz ją napisaną w ten sposób, gdy programista zaimportował moduł NumPy z aliasem np.

Dodatkowo, tylko dla wyjaśnienia, powinieneś wiedzieć, że funkcja np.max jest tym samym co funkcja NumPy amax, AKA np.amax. Zasadniczo np.max jest aliasem np.amax. Poza nazwą, są one takie same.

Przykład wysokiego poziomu jak np.max działa

Później w tym poradniku, pokażę ci konkretne przykłady jak używać funkcji np.max, ale tutaj chcę dać ci przybliżone pojęcie o tym co ona robi.

Na przykład, załóżmy, że masz jednowymiarową tablicę NumPy z pięcioma wartościami:

Możemy użyć funkcji NumPy max do obliczenia maksymalnej wartości:

Ale ten przykład pokazuje jak funkcja np.max() działa na 1-wymiarowej tablicy NumPy, działa ona w podobny sposób na tablicach 2-wymiarowych i wielowymiarowych. Ponownie, pokażę ci ich pełne przykłady w części przykładowej tego poradnika.

Zanim jednak spojrzymy na przykłady kodu, spójrzmy szybko na składnię i parametry np.max.

Składnia funkcji numpy max

Składnia funkcji np.max jest dość prosta, chociaż kilka parametrów funkcji może być nieco mylących.

W tym miejscu omówimy strukturę składniową funkcji, a także wyjaśnię ważne parametry.

Szybka uwaga

Jedna szybka uwaga, zanim zaczniemy przeglądać składnię.

Syntaktycznie, właściwa nazwa funkcji to numpy.max().

Mówiąc to, często zobaczysz funkcję w kodzie jako np.max().

Dlaczego?

Powszechnie, na początku programu, który używa modułu NumPy, programiści będą importować funkcję NumPy jako np. Dosłownie zobaczysz linię kodu w programie, która czyta import numpy as np. Efektywnie, to importuje moduł NumPy z aliasem np. Umożliwia to programiście odwołanie się do NumPy jako np w kodzie, co umożliwia mu odwołanie się do funkcji numpy.max jako np.max.

Powiedziawszy to, przyjrzyjmy się bliżej składni.

Wyjaśnienie składni

Na wysokim poziomie, składnia np.max jest dość prosta.

Jest nazwa funkcji – np.max() – a wewnątrz funkcji znajduje się kilka parametrów, które pozwalają nam kontrolować dokładne zachowanie funkcji.

Przyjrzyjrzyjmy się bliżej parametrom np.max, ponieważ parametry są tym, co naprawdę daje drobnoziarnistą kontrolę nad funkcją.

Parametry np.max

Funkcja numpy.max ma cztery podstawowe parametry:

• a
• axis
• out
• keepdims

Porozmawiajmy o każdym z tych parametrów osobno.

a (wymagany)

Parametr a umożliwia określenie danych, na których funkcja np.max będzie działać. Zasadniczo, określa on tablicę wejściową do funkcji.

W wielu przypadkach, ta tablica wejściowa będzie właściwą tablicą NumPy. Powiedziawszy to, numpy.max (i większość innych funkcji NumPy) będzie działać na dowolnej „tablicy jak sekwencja” danych. Oznacza to, że argumentem do parametru a może być lista Pythona, tuple Pythona lub jedna z kilku innych sekwencji Pythona.

Pamiętaj, że musisz przekazać coś do tego argumentu. Jest on wymagany.

axis (opcjonalny)

Parametr axis umożliwia określenie osi, na której zostaną obliczone wartości maksymalne.

Precyzując prościej, parametr axis umożliwia obliczenie maksimów wiersza i maksimów kolumny.

Wyjaśnię jak to zrobić bardziej szczegółowo w sekcji przykładów poniżej, ale pozwól mi szybko wyjaśnić jak działa parametr axis.

Szybki przegląd osi tablic

Na wysokim poziomie, musisz zrozumieć, że tablice NumPy mają osie.

Aksje są jak kierunki wzdłuż tablicy NumPy. W tablicy dwuwymiarowej, oś 0 jest osią, która wskazuje w dół wierszy, a oś 1 jest osią, która wskazuje poziomo w poprzek kolumn.

Parametr array określa oś do obliczenia maksimów

Więc jak to się odnosi do parametru axis?

Kiedy używamy parametru axis w funkcji numpy.max, określamy oś, wzdłuż której należy znaleźć maksima.

To efektywnie pozwala nam obliczyć maksima kolumnowe i maksima wierszowe.

Pokażę ci co mam na myśli.

Pamiętaj, że oś 0 jest osią, która wskazuje w dół, w dół wierszy.

Kiedy używamy kodu np.max(axis = 0) na tablicy, efektywnie mówimy NumPy aby obliczył maksymalne wartości w tym kierunku … kierunek osi 0.

Efektywnie, kiedy ustawimy axis = 0, określamy, że chcemy obliczyć maksima kolumnowe.

Podobnie, pamiętaj, że w tablicy dwuwymiarowej, oś 1 wskazuje poziomo. Dlatego, gdy używamy NumPy max z axis = 1, mówimy NumPy, aby obliczyć maksima poziomo, w kierunku osi 1.

To efektywnie oblicza maksima wierszy.

Pokażę Ci konkretne przykłady kodu, jak to zrobić, później w sekcji przykłady.

Pamiętaj, że parametr axis jest opcjonalny. Jeśli nie określisz osi, NumPy max znajdzie maksymalną wartość w całej tablicy NumPy.

out (opcjonalnie)

Parametr out pozwala ci określić specjalną tablicę wyjściową, w której możesz przechowywać dane wyjściowe np.max.

Nie jest często używany ten parametr (szczególnie jeśli jesteś początkujący), więc nie będziemy tego omawiać w tutorialu.

outjest parametrem opcjonalnym.

keepdims (opcjonalny)

Parametr keepdims jest trochę mylący, więc zrozumienie go będzie wymagało trochę wysiłku.

W ostatecznym rozrachunku parametr keepdims utrzymuje wymiary danych wyjściowych takie same jak wymiary danych wejściowych.

Aby zrozumieć, dlaczego może to być konieczne, przyjrzyjmy się, jak typowo działa funkcja numpy.max.

Kiedy używasz np.max na typowej tablicy NumPy, funkcja zmniejsza liczbę wymiarów. Podsumowuje ona dane.

Na przykład, powiedzmy, że masz 1-wymiarową tablicę NumPy. Używasz NumPy max na tablicy.

Kiedy używasz np.max na tablicy 1-d, wyjście będzie pojedynczą liczbą. Wartość skalarna … nie tablica 1-d.

Podsumowując, funkcje takie jak NumPy max (jak również numpy.median, numpy.mean, etc) podsumowują dane, a podsumowując dane, funkcje te produkują dane wyjściowe, które mają zredukowaną liczbę wymiarów.

Czasami jednak chcesz, aby dane wyjściowe miały taką samą liczbę wymiarów. Są sytuacje, gdy jeśli dane wejściowe są tablicą 1-d, chcesz, aby dane wyjściowe były tablicą 1-d (nawet jeśli tablica wyjściowa ma jedną wartość).

Możesz to zrobić za pomocą parametru keepdims.

Domyślnie, keepdims jest ustawione na False. Tak więc domyślnie (jak omówiono powyżej), wymiary wyjścia nie będą takie same jak wymiary wejścia. Domyślnie wymiary danych wyjściowych będą mniejsze (ponieważ np.max podsumowuje dane).

Jeśli jednak ustawisz keepdims = True, dane wyjściowe będą miały takie same wymiary jak dane wejściowe.

To trochę abstrakcyjne bez konkretnego przykładu, więc pokażę Ci przykład tego zachowania później w sekcji przykłady.

I właściwie, teraz, gdy przejrzeliśmy parametry, jest to dobre miejsce, aby zacząć patrzeć na przykłady NumPy max.

Przykłady: jak używać funkcji numpy max

W tej sekcji pokażę konkretne przykłady, jak używać funkcji NumPy max.

Pokażę kilka wariantów tego, jak znaleźć maksymalną wartość tablicy. Pokażę, jak znaleźć maksymalną wartość tablicy 1-d, jak znaleźć maksymalną wartość tablicy 2-d, oraz jak pracować z kilkoma ważnymi parametrami numpy.max.

Run this code first

Zanim zaczniemy, jest kilka wstępnych rzeczy, które musisz zrobić, aby się odpowiednio skonfigurować.

Po pierwsze, musisz mieć NumPy poprawnie zainstalowane na swoim komputerze.

Import numpy

Po drugie, musisz mieć NumPy zaimportowane do swojego środowiska pracy.

Możesz zaimportować NumPy za pomocą następującego kodu:

import numpy as np

Zauważ, że zaimportowaliśmy NumPy jako np. Oznacza to, że będziemy odwoływać się do NumPy w naszym kodzie za pomocą aliasu np.

Ok, teraz, gdy to już skończone, spójrzmy na kilka przykładów.

Compute the max of a 1-dimensional array

Zaczniemy prosto.

Tutaj, będziemy obliczać maksymalną wartość tablicy 1-d NumPy.

Aby to zrobić, najpierw stworzymy tablicę 1-wymiarową, która zawiera kilka losowych liczb całkowitych. Aby utworzyć tę tablicę, użyjemy funkcji numpy.random.randint(). Pamiętaj, że musisz użyć funkcji np.random.seed(), aby twoja tablica NumPy zawierała takie same liczby całkowite jak te w tym przykładzie.

np.random.seed(22)np_array_1d = np.random.randint(size = 5, low = 0, high = 99)

Ta składnia utworzy tablicę 1-d o nazwie np_array_1d.

Możemy wydrukować np_array_1d używając funkcji print().

print(np_array_1d)

A oto wynik:

Wyraźnie możemy zidentyfikować maksymalną wartość, która wynosi 84.

Ale zróbmy to za pomocą kodu.

Obliczymy tutaj maksymalną wartość naszej tablicy NumPy używając funkcji np.max().

np.max(np_array_1d)

Wywołuje to następujące wyjście:

84

To jest bardzo prosty przykład, ale ilustruje technikę. Oczywiście, gdy tablica ma tylko 5 elementów, możesz wizualnie sprawdzić tablicę i znaleźć wartość maksymalną. Ale ta technika będzie działać, jeśli masz tablicę z tysiącami wartości (lub więcej!).

Oblicz maksimum tablicy 2-d

Następnie, obliczmy maksimum tablicy 2-d.

Aby to zrobić, oczywiście potrzebujemy 2-d tablicę do pracy, więc najpierw stworzymy 2-wymiarową tablicę NumPy.

Aby stworzyć naszą 2-d tablicę, użyjemy funkcji np.random.choice(). Zasadniczo, ta funkcja będzie losować losową próbkę z liczb całkowitych od 0 do 8, bez zamiany. Po wykonaniu funkcji np.random.choice(), użyjemy metody reshape(), aby przekształcić liczby całkowite w dwuwymiarową tablicę o 3 wierszach i 3 kolumnach.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

Przyjrzyjrzyjmy się temu, wypisując tablicę, np_array_2d.

print(np_array_2d)

 ]

Jak widzisz, jest to tablica 2-d z 3 wierszami i 3 kolumnami. Zawiera ona liczby całkowite od 0 do 8, rozmieszczone losowo w tablicy.

Teraz obliczmy maksymalną wartość tablicy:

np.max(np_array_2d)

Co daje następujące wyjście:

8

Ponownie, jest to bardzo prosty przykład, ale możesz użyć tego z dużo większą tablicą 2-d i będzie to działać w ten sam sposób. Kiedy już nauczysz się korzystać z tej techniki, wypróbuj ją z większymi tablicami!

Następnie, zróbmy coś bardziej skomplikowanego.

… w następnych przykładach będziemy obliczać maksima kolumn i maksima wierszy.

Obliczanie maksymalnej wartości kolumn tablicy 2-d

Na początek: obliczymy maksymalne wartości kolumn tablicy.

Aby to zrobić, musimy użyć parametru axis. Konkretnie, musimy ustawić axis = 0 wewnątrz funkcji numpy.max.

Przejrzyjmy szybko dlaczego.

Parametr axis określa, którą oś chcemy podsumować

Pamiętajmy, że tablice NumPy mają osie, a osie są jak kierunki wzdłuż tablicy. W tablicy 2-d, oś 0 jest osią, która wskazuje w dół, a oś 1 jest osią, która wskazuje poziomo.

Możemy użyć tych osi do określenia kierunku, wzdłuż którego użyć np.max.

Więc powiedzmy, że chcemy obliczyć maksymalne wartości kolumn. Jest to równoważne z obliczaniem średnich w dół.

Praktycznie, aby obliczyć maksima kolumn, musimy obliczyć maksima w kierunku osi-0.

Compute max with axis = 0

Pokażę ci jak.

Tutaj ponownie utworzymy naszą 2-d NumPy array. Jest ona taka sama jak tablica 2-d NumPy, którą utworzyliśmy w poprzednim przykładzie, więc jeśli już uruchomiłeś ten kod, nie musisz uruchamiać go ponownie.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

I możemy ją wydrukować:

print(np_array_2d)

 ]

Ponownie, jest to tablica 2-d z 3 wierszami i 3 kolumnami. Zawiera ona liczby całkowite od 0 do 8, rozmieszczone losowo w tablicy.

Obliczmy teraz maksima kolumnowe za pomocą numpy.max z axis = 0.

# CALCULATE COLUMN MAXIMAnp.max(np_array_2d, axis = 0)

Wywołuje to następującą tablicę wyjściową:

array()

Oceńmy, co się tutaj stało.

Ustawiając axis = 0, określiliśmy, że chcemy, aby funkcja NumPy max obliczyła maksymalne wartości w dół wzdłuż osi 0.

To całkiem proste, o ile rozumiesz osie NumPy i sposób ich działania w funkcjach NumPy.

Oblicz maksimum wiersza z axis = 1

Podobnie, możemy obliczyć maksima wiersza ustawiając parametr axis na axis = 1.

Oto kod, który ponownie utworzy zbiór danych 2-d:

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

print(np_array_2d)

 ]

A teraz obliczmy maksima wierszy:

np.max(np_array_2d, axis = 1)

Z następującymi wynikami:

array()

To powinno mieć sens, jeśli już przeczytałeś i zrozumiałeś poprzednie przykłady.

Kiedy ustawiamy axis = 1, mówimy numpy.max, aby obliczył maksymalne wartości w kierunku osi 1. Ponieważ oś 1 jest osią, która biegnie poziomo wzdłuż tablicy, to efektywnie oblicza maksymalne wartości wzdłuż wierszy tablicy 2-d:

Ponownie, jest to całkiem proste, tak długo, jak naprawdę rozumiesz osie tablic NumPy. Jeśli nadal masz problemy ze zrozumieniem osi, polecam przejrzeć nasz tutorial o osiach tablicowych NumPy.

Jak używać parametru keepdims z np.max

Na koniec przyjrzyjmy się parametrowi keepdims.

Zanim to zrobimy, pozwól mi wyjaśnić, dlaczego go potrzebujemy.

Jak zauważyłem wcześniej, funkcja NumPy max podsumowuje dane, gdy jej używasz. W rzeczywistości, wiele funkcji NumPy, które obliczają statystyki podsumowujące (jak np.mean, np.median, np.min, itp) podsumowują dane przez samą ich naturę. Kiedy obliczasz statystykę podsumowującą, z definicji podsumowujesz dane.

Ma to ważne konsekwencje związane z wymiarami danych.

Gdy podsumowujesz swoje dane za pomocą funkcji takiej jak numpy.max, dane wyjściowe funkcji będą miały zmniejszoną liczbę wymiarów.

Na przykład, powiedzmy, że obliczasz maksymalną wartość tablicy dwuwymiarowej. Jeśli użyjesz numpy.max na tej tablicy 2-d (bez parametru axis), to wyjście będzie pojedynczą liczbą, skalarem. Skalary mają zerowe wymiary. Dwa wymiary na wejściu, zero wymiarów na wyjściu.

Funkcja NumPy max skutecznie zmniejsza wymiary między wejściem a wyjściem.

Czasami jednak nie chcesz zmniejszonej liczby wymiarów. Mogą być sytuacje, w których potrzebujesz, aby wyjście miało technicznie takie same wymiary jak wejście (nawet jeśli wyjście jest pojedynczą liczbą).

Możesz wymusić takie zachowanie za pomocą parametru keepdims.

Set keepdims equal to true (i zachowaj te same wymiary)

Domyślnie parametr keepdims jest ustawiony na False. Jak właśnie wyjaśniłem, oznacza to, że dane wyjściowe nie muszą mieć tych samych wymiarów co dane wejściowe, domyślnie.

Ale jeśli ustawisz keepdims = True, zmusi to wyjście do posiadania tej samej liczby wymiarów co wejście.

To może cię zdezorientować, więc spójrzmy na solidny przykład.

Po pierwsze, po prostu stwórzmy tablicę 2-d.

To jest ta sama tablica, którą stworzyliśmy wcześniej, więc jeśli już uruchomiłeś ten kod, nie musisz go ponownie uruchamiać. Zasadniczo, ten kod tworzy tablicę 2-d z liczbami od 0 do 8, ułożonymi losowo w tablicy 3 na 3.

np.random.seed(1)np_array_2d = np.random.choice(9, 9, replace = False).reshape((3,3))

Dla jasności, spójrzmy na to przez wydrukowanie:

print(np_array_2d)

A oto tablica:

 ]

Ponownie, ta tablica zawiera liczby całkowite od 0 do 8, ułożone losowo w tablicy NumPy 3by-3.

Ile ma wymiarów?

Prawdopodobnie jest to dla ciebie oczywiste, ale możemy bezpośrednio pobrać liczbę wymiarów przez wyodrębnienie atrybutu ndim z tablicy.

np_array_2d.ndim

I to mówi nam liczbę wymiarów:

2

Więc, np_array_2d jest tablicą dwuwymiarową.

A teraz użyjmy np.max, aby obliczyć maksymalną wartość tablicy.

np.max(np_array_2d)

Maksymalna wartość to 8.

A ile wymiarów ma wyjście? Możemy to sprawdzić, odwołując się do atrybutu ndim na końcu funkcji np.max():

np.max(np_array_2d).ndim

Ile wymiarów ma wartość wyjściowa?

0.

Wynikiem funkcji np.max jest wartość maksymalna (8), która jest skalarem. Ten skalar ma zerowe wymiary.

Re-run np.max with keepdims = True

Teraz ponownie uruchommy kod z keepdims = True.

np.max(np_array_2d, keepdims = True)

Wywołuje to następujące wyjście:

array(])

I sprawdźmy wymiary:

np.max(np_array_2d, keepdims = True).ndim

2

Tutaj, gdy uruchomimy np.max na np_array_2d z keepdims = True, wyjście ma 2 wymiary.

Pamiętajmy, że maksymalna wartość jest taka sama: 8. Chodzi tylko o to, że wymiary wyjścia są inne. Ustawiając keepdims = True, zmieniamy strukturę danych wyjściowych … zamiast być skalarem, dane wyjściowe są w rzeczywistości 2-d NumPy array z pojedynczą wartością (8).

Jeśli chcesz nauczyć się nauki o danych w Pythonie, naucz się NumPy

Jeśli czytałeś inne tutoriale na blogu Sharp Sight poświęconym nauce o danych, wiesz jak ważna jest manipulacja danymi.

Jeśli poważnie myślisz o nauce o danych, naprawdę musisz opanować podstawy manipulacji danymi. Ogromną częścią przepływu pracy w nauce o danych jest właśnie czyszczenie i manipulowanie danymi wejściowymi.

Jeśli pracujesz w Pythonie, jedną z podstawowych umiejętności, które musisz znać jest NumPy. Numpy jest krytyczny dla czyszczenia, manipulacji i eksploracji danych.

Jeśli chcesz nauczyć się data science w Pythonie, naucz się NumPy i naucz się go dobrze.

Aby uzyskać więcej samouczków dotyczących nauki o danych w Pythonie, zapisz się na naszą listę e-mailową

Powiedziawszy to, jeśli chcesz nauczyć się NumPy i nauki o danych w Pythonie, zapisz się na naszą listę e-mailową.

Na blogu Sharp Sight regularnie publikujemy samouczki dotyczące nauki o danych.

Gdy się zapiszesz, dostaniesz darmowe tutoriale na temat:

• NumPy
• Pandas
• Base Python
• Scikit learn
• Machine learning
• Deep learning
• … i wiele więcej.

Kiedy opublikujemy tutoriale, wyślemy je bezpośrednio do Twojej skrzynki odbiorczej.

Chcesz nauczyć się nauki o danych w Pythonie? Zapisz się już teraz.

.