中文网站建设英文,境外网站网站有哪些,工艺品网站怎么做,html制作新闻信息展示页面关于数据科学环境的建立#xff0c;可以参考我的博客#xff1a;【深耕 Python】Data Science with Python 数据科学#xff08;1#xff09;环境搭建
Jupyter代码片段1#xff1a;简单数组的定义和排序
import numpy as np
np.array([1, 2, 3])
a np.array([9, 6, 2, …关于数据科学环境的建立可以参考我的博客【深耕 Python】Data Science with Python 数据科学1环境搭建
Jupyter代码片段1简单数组的定义和排序
import numpy as np
np.array([1, 2, 3])
a np.array([9, 6, 2, 4, 3, 1])
print(len(a))
a.sort()
print(a)
a输出结果 Jupyter代码片段2范围数组
r range(17)
print(r)
print(list(r))
a np.arange(17)
a输出结果 Jupyter代码片段3对数组的整体操作
print([3 * i for i in r])
print(3 * a)
a ** 2输出结果 Jupyter代码片段4numpy vs 循环用时比较
import timeit
t1 timeit.timeit([i ** 2 for i in range(50)])
t2 timeit.timeit(import numpy as np; np.arange(50) ** 2)
t1, t2, t1 / t2输出结果 优化的底层原理 NumPy将循环语句使用C语言进行优化Python本即用C语言写成。
进一步比较2者的速度差异
%%timeit
[i ** 2 for i in range(1000)]%%timeit
np.arange(1000) ** 2输出#196 µs ± 5.32 µs per loop (mean ± std. dev. of 7 runs, 10,000 loops each)
输出#24.04 µs ± 413 ns per loop (mean ± std. dev. of 7 runs, 100,000 loops each)
这样二者运算速度的区别就一目了然了。
Jupyter代码片段5高维数组及其子数组
a np.array([[1, 2, 3], [4, 5, 6]])
print(a)
print(a.shape)
print(a[0, :])
print(a[:, 0])
A a[0:2, 0:2]
print(A)
A a[:2, :2]
A输出结果 Jupyter代码片段6二维数组矩阵的求逆
Ainv np.linalg.inv(A)
print(Ainv)
print(A Ainv)
print(A * Ainv)
print(A Ainv)
print(np.matmul(A, Ainv))输出结果 注意 2阶单位阵处的浮点误差。
Jupyter代码片段7数组矩阵的重构
a np.arange(16)
print(a.reshape((2, 8)))
print(a)
b a.reshape((4, 4))
print(b)
a.reshape((-1, 2))输出结果 注意小坑点 使用a.reshape()并不会改变a本身需要结合赋值语句来使用。
参考文献 Reference
Learn Enough PYTHON to be Dangerous: Software Development, Flask Web Apps, and Beginning Data Science with Python, Michael Hartl, Pearson, 2023.
