TIL 2021.09.14|Python Basic復習2(+なぜバックエンドを探すのか)
2020 ワード
紛らわしい部分だけを整理するPostingなぜか毎回混同されています...ほほほ、先輩とお母さんの息子の機会で勉強します😂
ゼロ:指定したジオメトリの配列を作成し、すべての要素をゼロにリセットします.
ones:指定したジオメトリの配列を作成し、すべての要素を1にリセットします.背後の内敵
バックエンドの内積:2つのベクトルに対応するすべての要素の積.
ベクトルの内積は行列の積 に展開する.
バックグラウンドの内部辞書の内容
母の息子は、垂直の意味は「2つの値は関係ない.独立.「共有要素は2つもありません.」に表示されます.では,後場内積を求める理由は,二つの値の間にどれだけの相関があるかを示すためである.すなわち,空分散(Covariance)と相関(co−relation)を求めるために用いることができる.集約演算
axisが指定されていません:すべてを集約
axis=0の場合:行ごとに同じ列を統計
axis=1の場合:各カラムの同じローの合計 マトリックスプリフェッチ
前(Transpose):変換行列の行と列
arr_name. 、Tフォーマットを採用
TIL 2021.09.11 start!
1. Quiz
2.指定したジオメトリのアレイの作成と初期化
ゼロ:指定したジオメトリの配列を作成し、すべての要素をゼロにリセットします.
ones:指定したジオメトリの配列を作成し、すべての要素を1にリセットします.
a = np.zeros((3, 4),dtype=int)
pprint(a)
b = np.ones((2,3,4),dtype=int)
pprint(b)
>>shape: (3, 4), dimension: 2, size:12, dtype:int32
Array's Data:
[[0 0 0 0]
[0 0 0 0]
[0 0 0 0]]
shape: (2, 3, 4), dimension: 3, size:24, dtype:int32
Array's Data:
[[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]
[[1 1 1 1]
[1 1 1 1]
[1 1 1 1]]]
3.Numpyアレイ演算
バックエンドの内積:2つのベクトルに対応するすべての要素の積.
ベクトルの内積は行列の積
import numpy as np
va = np.array([1, 2, 3])
vb = np.array([4, 5, 6])
print(np.dot(va, vb))
> 32
💛 1 x 4 + 2 x 5 + 3 x 6 = 32バックグラウンドの内部辞書の内容
母の息子は、垂直の意味は「2つの値は関係ない.独立.「共有要素は2つもありません.」に表示されます.では,後場内積を求める理由は,二つの値の間にどれだけの相関があるかを示すためである.すなわち,空分散(Covariance)と相関(co−relation)を求めるために用いることができる.
axisが指定されていません:すべてを集約
axis=0の場合:行ごとに同じ列を統計
axis=1の場合:各カラムの同じローの合計
a = np.arange(1, 7).reshape(2, 3)
pprint(a)
>>
shape: (2, 3), dimension: 2, size:6, dtype:int32
Array's Data:
[[1 2 3]
[4 5 6]]
print("전체:", np.sum(a)) # a.sum() 과 동일
print("axis=0:", np.sum(a, axis=0))
print("axis=1:", np.sum(a, axis=1))
> 전체: 21
axis=0: [5 7 9]
axis=1: [ 6 15]
前(Transpose):変換行列の行と列
arr_name.
a = np.array([[4, 1, 7], [2, 8, 0], [3, 9, 5]])
print(a)
print(a.T)
Reference
この問題について(TIL 2021.09.14|Python Basic復習2(+なぜバックエンドを探すのか)), 我々は、より多くの情報をここで見つけました https://velog.io/@dkswldp95/TIL-2021.09.14-Python-Basic-복습2-백터의-내적을-구하는-이유テキストは自由に共有またはコピーできます。ただし、このドキュメントのURLは参考URLとして残しておいてください。
Collection and Share based on the CC Protocol