Criando arrays

Parte da seção Dados e gráficos do Journey de Machine Learning da Coddy. Lição 5 de 60.

Lembra das 150 flores de íris? Para um modelo, elas são 600 números em um array NumPy, uma linha por flor:

Os dados das íris representados como uma grade de números: linhas de 0 a 3 e a linha 149 exibidas, uma linha por flor, e quatro colunas: comprimento da sépala, largura da sépala, comprimento da pétala, largura da pétala

Este capítulo cria arrays como esse, começando com uma lista. np.array transforma uma lista em um array:

temps = np.array([21, 23, 19])
print(temps)
print(type(temps))

Isso imprime:

[21 23 19]
<class 'numpy.ndarray'>

Sem vírgulas: é assim que você identifica um array. E um array contém um tipo, então um número decimal faz com que todos os valores sejam decimais:

print(np.array([1, 2.5, 3]))

Isso imprime:

[1.  2.5 3. ]

Um tipo compartilhado é o que permite ao NumPy fazer cálculos rapidamente com um milhão de valores.

Desafio

Fácil

Uma locadora de caiaques contabiliza os caiaques alugados de segunda a quarta-feira. O programa lê essas três quantidades e, em seguida, a previsão para quinta-feira, um número decimal.

Crie um array rented com as três quantidades e imprima-o.
Crie um array week com as três quantidades e a previsão, nessa ordem, e imprima-o.
Imprima o tipo de week.

Para 8, 15, 4 e 12.5, a saída é:

[ 8 15  4]
[ 8.  15.   4.  12.5]
<class 'numpy.ndarray'>

Viu como uma previsão decimal transformou todas as quantidades em números decimais?

Experimente você mesmo

import numpy as np

# Caiaques alugados de segunda a quarta-feira, depois a previsão para quinta-feira
monday = int(input())
tuesday = int(input())
wednesday = int(input())
forecast = float(input())

# Escreva seu código abaixo