Создание массивов

Часть раздела Данные и графики путешествия по Machine Learning на Coddy. Урок 5 из 60.

Помнишь 150 цветов ириса? Для модели это 600 чисел в одном массиве NumPy — по одной строке на каждый цветок:

Данные об ирисах представлены в виде сетки чисел: показаны строки с 0-й по 3-ю и строка 149, по одной строке на каждый цветок, и четыре столбца: длина чашелистика, ширина чашелистика, длина лепестка, ширина лепестка

В этой главе создаются массивы, подобные ему, начиная со списка. np.array преобразует список в массив:

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

Это выводит:

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

Без запятых: так можно распознать массив. А массив содержит элементы одного типа, поэтому из-за одного десятичного числа все значения становятся десятичными:

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

Это выводит:

[1.  2.5 3. ]

Именно общий тип позволяет NumPy быстро выполнять математические операции над миллионом значений.

Задание

Легко

В пункте проката каяков подсчитывают количество каяков, арендованных с понедельника по среду. Программа считывает эти три значения, а затем прогноз на четверг — десятичное число.

Создай массив rented из трёх значений и выведи его.
Создай массив week из трёх значений и прогноза, именно в таком порядке, и выведи его.
Выведи тип week.

Для значений 8, 15, 4 и 12.5 результат будет таким:

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

Видишь, как один десятичный прогноз превратил все значения в десятичные?

Попробуйте сами

import numpy as np

# Количество каяков, арендованных с понедельника по среду, затем прогноз на четверг
monday = int(input())
tuesday = int(input())
wednesday = int(input())
forecast = float(input())

# Напишите свой код ниже