🥴 Numpy (5)

📌 Matrix

データ解析には行列が欠かせない.

📌 加算

加算を行う場合、形状は同じでなければなりません.そして、shapeは保持され続けます.

a + b

np.sum(a,b,axis=書き込み軸)

a = np.array([[1, 2, 3], 
              [2, 3, 4]])
np.sum(a, axis = 0) # 위에서 아래로 더하기
np.sum(a, axis = 1) # 왼쪽에서 오른쪽으로 더하기

📌 減算

減算を行う場合は、同じ形状でなければなりません.そして、shapeは保持され続けます.

a - b

📌 乗算(Dot Product)

乗数≠Dot product
乗算なら上のように形が同じでいいです.
同じ位置にある場合は、>通常乗算を使用します.
通常乗数a*bを使用します.

np.dot(a, b)

a = np.array([[1, 2, 3], 
              [2, 3, 4]])
b = np.array([[3, 4, 5], 
              [1, 2, 3]])
a * b

Dot製品の場合、接触の形状は同じでなければなりません.

a = np.array([[3, 4, 5], 
              [1, 2, 3],
              [7, 8, 9]])
b = np.array([[1, 2],
              [3, 4],  
              [5, 6]])
np.dot(a,b)             

📌 Broadcasting

a = np.array([[1, 2, 3], 
              [2, 3, 4]])
a+3
a-3 
a*3 
a/3

このように自分で形を調整するので、それを規範的に演算する必要はありません~!

😀 終了..。

データ解析では行列が重要であるため,Broadcastingの計算をどのように理解し,使用するかが重要である~!

np.および(a,b,axis=軸)>演算≠a+b>が同一位置にある場合、演算

np.点(a,b)>dot product≠a*b>が同一位置にある場合、演算

必ず左右が違うことを覚えておいてください.それぞれ必要なものがある