NumPy: copy

numpy.copy() в библиотеке NumPy используется для создания копии массива или подмассива. Когда ты присваиваешь один массив другому, оба массива начинают указывать на одни и те же данные. Используя numpy.copy(), ты создаешь новый массив, который содержит копию данных из оригинального массива. Это позволяет изменять его без изменения оригинала.

#практика #numpy

NumPy: shape

Функция shape используется для получения размерности массива. Она возвращает кортеж, показывающий количество элементов в каждом измерении массива. Например, если у тебя есть массив arr размером (3, 4), то arr.shape вернет (3, 4), указывая на то, что у массива три строки и четыре столбца.

#практика #numpy

NumPy: reshape

reshape() — это функция библиотеки NumPy, которая используется для изменения формы массива без изменения его данных. Она позволяет переформатировать массив в новую форму, указанную в аргументе функции. Например, если у тебя есть одномерный массив из 12 элементов, ты можешь использовать reshape() для преобразования его в двумерный массив размером 3x4 или 4x3.

#практика #numpy

NumPy: stack

numpy.stack() — это функция в библиотеке NumPy, которая объединяет несколько массивов в один. Например, если у тебя есть несколько одномерных массивов, ты можешь использовать numpy.stack() для объединения их в один многомерный массив.

#практика #numpy

NumPy: where

Ты можешь выполнить поиск определенного значения в массиве и вернуть индексы, которые найдут совпадение. Для поиска в массиве используй метод where().

#практика #numpy

NumPy: nditer

numpy.nditer — это функция, которая позволяет эффективно выполнить итерацию по элементам массива NumPy. Она предоставляет удобный способ обхода элементов массива, особенно если тебе нужно работать с несколькими массивами одновременно или выполнить операции на низком уровне.

#практика #numpy

NumPy: array_split

Ты можешь использовать array split() для разделения массивов, передав ему массив, который хочешь разделить, и количество разделений. Если в массиве меньше элементов, чем требуется, он соответствующим образом корректируется с конца.

#практика #numpy

NumPy: Линейная алгебра

В данной статье автор рассказывает, как с помощью библиотеки NumPy можно решать задачи линейной алгебры. Рассматривается перемножение векторов и матриц, индексирование и транспонирование и многое другое.

👉Читать статью

#статьи #numpy

NumPy: Математические операции

NumPy позволяет проводить математические операции, не используя циклы. Ты можешь складывать, вычитать, умножать и делить массивы. Также можешь возводить в степень. Кроме этого, NumPy предоставляет богатый набор встроенных функций. Некоторые примеры показаны на скриншоте.

#практика #numpy

NumPy: Индексация и срезы

Индексация — одна из самых мощных функций NumPy. Ты можешь работать с любым элементом массива или с целыми его частями. В данном примере мы получаем доступ к конкретному элементу, а также к конкретному столбцу. Также мы обнуляем нижний правый угол массива. Срезы позволяют выделить части массива, не копируя его.

#практика #numpy

Корреляция

Корреляция — это статистическая мера, показывающая взаимосвязь между двумя переменными. Она измеряется коэффициентом корреляции, который может принимать значения от -1 до 1.

Значение 1 говорит о положительной линейной зависимости (чем больше X, тем больше Y). Значение -1 говорит об отрицательной линейной зависимости (чем больше X, тем меньше Y). Значение 0 означает отсутствие линейной зависимости.

#практика #numpy

Распределение данных

Распределение данных описывает, как значения в наборе данных распределены. Одним из наиболее распространённых распределений является нормальное распределение, которое имеет форму колокола и характеризуется симметрией относительно среднего значения. В данном примере мы получаем гистограмму, показывающую нормальное распределение данных.

#практика #numpy

Ковариация и матрица ковариации

Ковариация показывает, как два признака изменяются вместе. Положительная ковариация - это когда переменные растут одновременно. Отрицательная ковариация - когда одна переменная растёт, другая уменьшается. Если ковариация ≈ 0, то признаки независимы.

Если у нас есть несколько переменных, их взаимосвязи можно описать с помощью матрицы ковариации. Это квадратная матрица, где каждая ячейка (i, j) показывает ковариацию между Xi и Xj.

#практика #numpy