mgur

mgur

Developer.

© 2024

Dark Mode

Numpy i Pandas
Dec 25, 2019
  • Python

Najciekawsze rzeczy, które pomagają mi w pracy z bibliotekami Numpy i Pandas.

Powtórka

Macierz:

\(M_{2 \times 3} = \left( \begin{array}{ccc} x_{11} & x_{12} & x_{12} \\ x_{21} & x_{22} & x_{23} \\ \end{array} \right)\) Dodawanie skalaru do macierzy:

\[2 + \left( \begin{array}{ccc} 1 & 2 \\ 3 & 4\\ \end{array} \right) = \left( \begin{array}{ccc} 2+1 & 2+2 \\ 2+3 & 2+4\\ \end{array} \right) = \left( \begin{array}{ccc} 3 & 4 \\ 5 & 6\\ \end{array} \right)\]

Dodawanie dwóch macierzy:

\(\left( \begin{array}{ccc} 1 & 3 \\ 5 & 7\\ \end{array} \right) + \left( \begin{array}{ccc} 2 & 4 \\ 6 & 8\\ \end{array} \right) = \left( \begin{array}{ccc} 3 & 7 \\ 11 & 5\\ \end{array} \right)\) Iloczyn skalarny:

# numpy:
np.matmul(a,a)
np.dot(a,a)
\[\left[ \begin{array}{ccc} 0 & 2 & 4 & 6 \\ 8 & 10 & 12 & 14\\ \end{array} \right] \cdot \left[ \begin{array}{ccc} 1 & 3 & 5 \\ 7 & 9 & 11 \\ 13 & 15 & 17 \\ 19 & 21 & 23\\ \end{array} \right] = \left[ \begin{array}{ccc} 180 & 204 & 228 \\ 500 & 588 & 676\\ \end{array} \right]\] \[[\begin{matrix} 0 & 2 & 4 & 6\end{matrix} ] \cdot [\begin{matrix} 1 & 7 & 13 & 19\end{matrix} ] = 0 \times 1 + 2 \times 7 + 4 \times13 +\ldots = 180\] \[[\begin{matrix} 0 & 2 & 4 & 6\end{matrix} ] \cdot [\begin{matrix} 3 & 9 & 15 & 21\end{matrix} ] = 0 \times 3 + 2 \times 9 + 4 \times 15 +\ldots = 204\] \[[\begin{matrix} 0 & 2 & 4 & 6\end{matrix} ] \cdot [\begin{matrix} 5 & 11 & 17 & 23\end{matrix} ] = 0 \times 5 + 2 \times 11 + 4 \times 17 + \ldots = 228\] \[[\begin{matrix} 8 & 10 & 12 & 14\end{matrix} ] \cdot [\begin{matrix} 1 & 7 & 13 & 19\end{matrix} ] = 8 \times 1 + 10 \times 7 + 12 \times 13 +\ldots = 500\]
  • Liczba kolumn w lewej macierzy musi być równa liczbie wierszy w prawej macierzy.
\[M_{2 \times 3} \cdot M_{3 \times 2} = M_{2 \times 2}\] \[M_{4 \times 3} \cdot M_{3 \times 2} = M_{4 \times 2}\]
  • Matryca wyników ma zawsze taką samą liczbę wierszy jak lewa i taką samą liczbę kolumn jak prawa.

  • Kolejność ma znaczenie. Mnożenie A-B nie jest tym samym co mnożenie B-A.

  • Dane w lewej macierzy powinny być ułożone jako wiersze, natomiast dane w prawej macierzy jako kolumny.

Numpy

import numpy as np

s = np.array(5) # scalar

v = np.array([1,2,3]) #vector

m = np.array([[1,2,3], [4,5,6], [7,8,9]]) #matrix 3x3

t = np.array([[[[1],[2]],[[3],[4]],[[5],[6]]],[[[7],[8]],\
    [[9],[10]],[[11],[12]]],[[[13],[14]],[[15],[16]],[[17],[17]]]]) # tensor 3x3x2x1

Reshape:

v = np.array([1,2,3,4])
x = v.reshape(1,4)
x = v.reshape(4,1)

Indexing and slicing numpy arrays

The Ultimate NumPy Tutorial for Data Science Beginners

Pandas

Replace

cleanup_nums = {"num_doors":     {"four": 4, "two": 2},
                "num_cylinders": {"four": 4, "six": 6, "five": 5, "eight": 8,
                                  "two": 2, "twelve": 12, "three":3 }}
                                  
obj_df.replace(cleanup_nums, inplace=True)

Stylowanie komórek