Importowanie bibliotek

Część sekcji Dane i wykresy ścieżki Machine Learning w Coddy. Lekcja 3 z 60.

Wbudowane funkcje Pythona ograniczają się do podstaw, takich jak len i round. Aby uzyskać więcej możliwości, użyj import, by zaimportować moduł: gotowy kod. Uczenie maszynowe opiera się na NumPy:

import numpy as np

print(np.sqrt(49))                 # funkcja: nawiasy
print(np.pi)                       # wartość: bez nawiasów
print(np.round(2 * np.pi * 3, 2))  # zaokrąglij do 2 miejsc po przecinku

To wyświetla:

7.0
3.141592653589793
18.85

as np nadaje NumPy krótką nazwę, czyli alias. Kropka pozwala dostać się do jego wnętrza. Zwróć uwagę, że np.sqrt zawsze zwraca liczbę dziesiętną: 7.0, a nie 7.

Zaimportuj raz, na górze, a każdy wiersz poniżej będzie mógł używać np.

Wyzwanie

Łatwy

Pizzeria chce, aby kwadratowa pizza była tak duża jak okrągła. Program odczytuje średnicę okrągłej pizzy w centymetrach.

Zaimportuj NumPy jako np.
Oblicz pole: np.pi pomnożone przez promień do kwadratu. Promień to połowa średnicy.
Oblicz długość boku kwadratu: pierwiastek kwadratowy z pola.
Wypisz obie wartości, zaokrąglone do 2 miejsc po przecinku za pomocą np.round.

Dla pizzy o średnicy 40 cm oba kształty wyglądają tak:

Okrągła pizza o średnicy 40 cm obok kwadratowej pizzy o boku 35.45 cm; pole obu wynosi 1256.64 centymetrów kwadratowych

a program wypisuje:

Area: 1256.64
Side: 35.45

Spróbuj swoich sił

# Zaimportuj NumPy w poniższym wierszu

diameter = float(input())

# Napisz swój kod poniżej

Sprawdź się

Ta lekcja zawiera krótki quiz. Zacznij lekcję, żeby na niego odpowiedzieć i śledzić swoje postępy.

Wszystkie lekcje w sekcji Dane i wykresy

1Wprowadzenie

Witaj, uczenie maszynowe Czym jest model?Importowanie bibliotekTwój pierwszy wykres

4Przekształcanie danych

Zmiana kształtu tablic Łączenie tablic Liczby losowe Podsumowanie: symulacja rzutu kostką

7Ramki danych w pandas

Series Ramki danych Wczytywanie plików CSV Przeglądanie danych Wybieranie kolumn Podsumowanie: oceny filmów

10Wizualizacja DataFrame’ów

Wizualizacja DataFrame Wykres punktowy z kolumn Jeden kolor dla każdej grupy Histogram kolumny Powtórzenie: sprzedaż w kawiarni

2Tablice NumPy

Tworzenie tablic Kształt i rozmiar Zakresy liczb Indeksowanie i wycinanie Podsumowanie: siatka temperatur

5Wykresy liniowe i punktowe

Etykiety i tytuły Wykresy punktowe Wiele linii i legendy Kolory i znaczniki Rysunki i osie Podsumowanie: tygodniowa liczba kroków

8Filtrowanie i sortowanie

Wybieranie wierszy Filtrowanie wierszy Sortowanie wartości Nowe kolumny Podsumowanie: najlepsze produkty

11Zbiory danych dla ML

Wbudowane zbiory danych Cechy i etykiety Analiza według klas Wizualizacja klas Podsumowanie: zbiór danych Wine

3Operacje matematyczne na tablicach

Operacje matematyczne na całych tablicach Statystyki podsumowujące Statystyki według osi Rozgłaszanie Maski logiczne Podsumowanie: wyniki egzaminów

6Wykresy danych

Wykresy słupkowe Histogramy Kilka wykresów na jednym Obrazy jako tablice Podsumowanie: raport o opadach

9Grupowanie i czyszczenie

Zliczanie wartości Grupowanie danych Kilka podsumowań Brakujące wartości Powtórka: wyniki ankiety

12Wyzwania końcowe

Raport sprzedaży Odczyty z czujników Cyfry w skrócie Odkrywca pingwinów

Poćwicz samodzielnie: Kompilator Python online