PythonでNumpy Isscalar（）関数

Numpy isscalar（）関数は、要素がスカラーであるかどうかをテストするために使用されます。isscalar（）はブール値を返します。isscalar（）関数は、入力値がスカラーの場合はTrueを返し、それ以外の場合はFalseを返します。

Numpy isscalar（）

要素がスカラーであるかどうかをPythonで確認するには、numpy isscalar（）メソッドを使用します。numの型がスカラー型の場合、  isscalar（）関数はTrueを返します。

isscalar（）メソッド はnumpyで定義されており、import numpy as npとしてインポートでき、多次元配列を作成して他の数学的統計を導出できます。

構文

numpy.isscalar(input number)

パラメーター

isscalar（）関数は1つのパラメーターのみを取ります。パラメータは、スカラー値であるかどうかをテストする入力値です。

 

戻り値

isscalar（）関数はブール値を返します。これは、入力値がスカラーの場合はtrue、それ以外の場合はFalseです。

Pythonのisscalar（）メソッドのサンプルプログラム

Pythonでisscalar（）関数が機能することを示すPythonプログラムを作成します。

 

# app.py

import numpy as np

a = 999
print("a =", a, "\n")
print("Scalar: ", np.isscalar(a))

b = [999]
print("b =", b, "\n")
print("Scalar: ", np.isscalar(b))

出力

a = 999 
 
Scalar:  True
b = [999] 
Scalar:  False

この例では、999値を変数「a」にバイパスし、それがスカラーであるかどうかをisscalar（）を使用してチェックしていることを確認しました。2番目の例では、リストを使用して渡したため、Falseになりました。

5つを超える値を含むリストでisscalar（）関数を使用するプログラムを作成し、小数値を確認します。

次のコードを参照してください。

# app.py

import numpy as np
from fractions import Fraction

a = [10, 20, 30, 40, 50, 60]
print(a, "\n")
print("Scalar: ", np.isscalar(a), "\n")
print("Fraction Value: ", Fraction(10, 15), "\n")
print("Scalar: ", np.isscalar(Fraction(10, 15)))

出力

python3 app.py
[10, 20, 30, 40, 50, 60]

Scalar:  False

Fraction Value:  2/3

Scalar:  True

この例では、isscalar（）関数で長さ6のリストをバイパスすると、falseになり、上記の例では2/3である分数で渡すと、次のようにtrueになります。これは単なるスカラー値です。

結論

Python numpy isscalar（num）は、入力numのタイプがスカラーの場合にtrueを返す論理関数です。

リンク: https://appdividend.com/2020/05/04/numpy-isscalar-example-np-isscalar-function/

#python 

What is GEEK

Buddha Community

PythonでNumpy Isscalar（）関数

Numpy isscalar（）関数は、要素がスカラーであるかどうかをテストするために使用されます。isscalar（）はブール値を返します。isscalar（）関数は、入力値がスカラーの場合はTrueを返し、それ以外の場合はFalseを返します。

Numpy isscalar（）

要素がスカラーであるかどうかをPythonで確認するには、numpy isscalar（）メソッドを使用します。numの型がスカラー型の場合、  isscalar（）関数はTrueを返します。

isscalar（）メソッド はnumpyで定義されており、import numpy as npとしてインポートでき、多次元配列を作成して他の数学的統計を導出できます。

構文

numpy.isscalar(input number)

パラメーター

isscalar（）関数は1つのパラメーターのみを取ります。パラメータは、スカラー値であるかどうかをテストする入力値です。

 

戻り値

isscalar（）関数はブール値を返します。これは、入力値がスカラーの場合はtrue、それ以外の場合はFalseです。

Pythonのisscalar（）メソッドのサンプルプログラム

Pythonでisscalar（）関数が機能することを示すPythonプログラムを作成します。

 

# app.py

import numpy as np

a = 999
print("a =", a, "\n")
print("Scalar: ", np.isscalar(a))

b = [999]
print("b =", b, "\n")
print("Scalar: ", np.isscalar(b))

出力

a = 999 
 
Scalar:  True
b = [999] 
Scalar:  False

この例では、999値を変数「a」にバイパスし、それがスカラーであるかどうかをisscalar（）を使用してチェックしていることを確認しました。2番目の例では、リストを使用して渡したため、Falseになりました。

5つを超える値を含むリストでisscalar（）関数を使用するプログラムを作成し、小数値を確認します。

次のコードを参照してください。

# app.py

import numpy as np
from fractions import Fraction

a = [10, 20, 30, 40, 50, 60]
print(a, "\n")
print("Scalar: ", np.isscalar(a), "\n")
print("Fraction Value: ", Fraction(10, 15), "\n")
print("Scalar: ", np.isscalar(Fraction(10, 15)))

出力

python3 app.py
[10, 20, 30, 40, 50, 60]

Scalar:  False

Fraction Value:  2/3

Scalar:  True

この例では、isscalar（）関数で長さ6のリストをバイパスすると、falseになり、上記の例では2/3である分数で渡すと、次のようにtrueになります。これは単なるスカラー値です。

結論

Python numpy isscalar（num）は、入力numのタイプがスカラーの場合にtrueを返す論理関数です。

リンク: https://appdividend.com/2020/05/04/numpy-isscalar-example-np-isscalar-function/

#python 

PythonでNumpy Trance（）メソッドを使用する方法

Python numpy trace（）メソッドは、配列の対角線の合計を見つけるために使用されます。'arr' =のような2次元配列がある場合
 

00	01	02
10	11	12
20	21	22

我々は、すべての対角要素、すなわち（ARR [00] + ARR [11] + ARR [22]）の合計を見つけなければならなかった場合は、その後、我々は）（numpy.traceを使用する必要がありました。

ゴツゴツしたtrace（）

trace（）メソッドは、配列の対角線に沿って合計を返します。配列が2Dの場合、指定されたオフセットを持つ対角線に沿った合計が返されます。つまり、 すべてのiの項目a [i、i + offset]の合計が返されます。

配列に3つ以上の次元がある場合、axis1とaxis2で指定された軸を使用して、トレースが返される2Dサブ配列が決定されます。得られたの形状配列と同じである と AXIS1 と Axis2の 除去します。

 

構文

numpy.trace(arr, offset=0, axis1=0, axis2=1, dtype=None, out=None)

パラメーター

1.  arr：Input_Array、その対角和を見つけなければなりませんでした
2. offset：主対角線からの対角線のオフセット。その値は、正と負の両方になります。デフォルトは0です。
3. axis1、axis2：対角線を取得する2Dサブ配列の1番目と2番目の軸として使用される軸。デフォルト値は、最初の2つの軸です。
4. dtype ：返される配列とアイテムが合計されるアキュムレータのデータ型を決定します。dtypeの値がNoneで、aがデフォルトの整数精度よりも小さい整数型の精度である場合、デフォルトの整数精度が使用されます。そうでなければ、精度はと同じです。
5. out ：出力が配置される配列。そのタイプは保持され、出力を保持するために適切な形状である必要があります。

戻り値

numpy trace（）関数は、intのnd配列を返します。配列が2次元より大きい場合、対角線に沿った合計の配列が返されます。 

プログラミング例

2D配列の対角要素の合計を見つけるプログラム。

 

# Importing numpy
import numpy as np

# declaring the array
arr = np.array([[1.0, 2.0, 3.0], [4.0, 5.0, 6.0], [7.0, 8.0, 9.0]])
print("The array is: \n", arr)

# Finding sum of diagonal elements
outs = np.trace(arr)
print("Output is: \n", outs)

出力

The array is:
 [[1. 2. 3.]
 [4. 5. 6.]
 [7. 8. 9.]]
Output is:
 15.0

説明

このプログラムでは。'arr'という名前の配列を取りました。その要素は次のとおりです。

arr =（  [1.0,2.0,3.0]、

           [4.0、5.0、6.0]、

           [7.0,8.0,9.0]）。

対角要素は1.0、5.0、9.0であるため、すべての対角要素の合計は15.0になります。次に、np.trace（）メソッド内のパラメーターとして完全な配列を渡し、その戻り値を格納しました。

その後、出力を印刷しました。つまり、15.0になる合計を印刷しました。したがって、numpy.trace（）メソッドを使用して配列の対角要素の合計を見つけることができると結論付けることができます。

3Dnumpy配列の対角要素の合計を求めます。

次のコードを参照してください。

# Importing numpy
import numpy as np

# declaring the array
arr = np.array([[[1, 2], [2, 3], [3, 4]], [
               [4, 5], [4, 5], [3, 4]], [[5, 6], [4, 5], [4, 5]]])
print("The array is: \n", arr)
print("Shape of the array is: ", np.shape(arr))
# Finding sum of diagonal elements
outs = np.trace(arr)
print("Output is: \n", outs)

出力

The array is:
 [[[1 2]
  [2 3]
  [3 4]]

 [[4 5]
  [4 5]
  [3 4]]

 [[5 6]
  [4 5]
  [4 5]]]
Shape of the array is:  (3, 3, 2)
Output is:
 [ 9 12]

説明

このプログラムでは。要素がarrである 'arr'という名前の3D配列を取得しました

=（ [[1,2]、[2,3]、[3,4]]、                                                                                                                                                 [[4,5]、[4,5]、[3,4]]、                    [[5,6]、[ 4,5]、[4,5]]）                                                                                                                                  

対角要素は（[1,2]、[4,5]、[4,5]）の配列であるため、すべての対角要素の合計も[9,12]の配列の形式になります。次に、np.trace（）メソッド内のパラメーターとして完全な配列を渡し、その戻り値を変数内に格納しました。

その後、出力を出力しました。つまり、[9,12]になる出力変数を出力しました。したがって、numpy.trace（）メソッドを使用して配列の対角要素の合計を見つけることができると結論付けることができます。

Numpy trace（）メソッドについては以上です。

リンク: https://appdividend.com/2020/08/03/numpy-trace-how-to-use-numpy-trance-method-in-python/

#python 

PythonでNumPy Log10（）メソッドを実装する

NumpyはPython言語のサードパーティライブラリであり、大規模な多次元配列と行列のサポートを追加し、これらの配列で実行する多くの高レベルの数学関数を伴います。

np.log10

Numpy log10（）は、任意のオブジェクトまたは基数10の配列の自然対数を取得するために使用される数学関数です。np.log10（）関数は、2つの引数を受け入れ、指定された配列要素の要素の自然対数の配列を返します。ここで、基数は10です。

構文

numpy.log10(array[, out] = ufunc ‘log10’)

パラメーター

log10（）関数は、最大2つの主要な引数を取ることができます。

1. array：これは、ログが計算される入力配列またはオブジェクトです。
2. out：これはオプションのフィールドです。結果が格納される位置。指定する場合は、入力が伝達する形式である必要があります。指定しない場合またはなしの場合は、新しく割り当てられたリストを返します。タプルは（唯一のキーワード引数として可能）出力の数と同じ長さを有していなければなりません。

戻り値

log10（）関数は、底が10である、指定された配列要素の自然対数の配列を返します。

 

Numpy log10（）プログラムの実装

次のコードを参照してください。

# Program to show the working of numpy.log

# Importing numpy
import numpy as np

# We will create an 1D array
arr = np.array([4, 14, 10, 63, 11, 4, 64])
# Printing the array
print("The array is: ", arr)
# Shape of the array
print("Shape of the array is : ", np.shape(arr))

# Calculating natural log of value arr[i]+1
out = np.log10(arr)
print("Natural logarithm of the given array of base 10 is ")
print(out)

出力

The array is:  [ 4 14 10 63 11  4 64]
Shape of the array is :  (7,)
Natural logarithm of the given array of base 10 is
[0.60205999 1.14612804 1.         1.79934055 1.04139269 0.60205999
 1.80617997]

説明

このプログラムでは、最初に形状7の配列を宣言し、次に配列を出力しました。次に、numpy.log10（）を呼び出して、指定された配列の項目の自然対数を計算しました。

 

log10（）のグラフィック表現

log10（）関数のグラフィック表現を見てみましょう。

# Program to show Graphical representation

# Importing numpy
import numpy as np
import matplotlib.pyplot as plt

# We will create an 1D array
arr = np.array([40, 2.4, 0.14, 63, 1.2, 1, 4])
# Printing the array
print("The array is: ", arr)
# Shape of the array
print("Shape of the array is : ", np.shape(arr))

# Calculating natural log of value arr[i]+1
out = np.log10(arr)
print("Natural logarithm of the given array of base 10 is ")
print(out)

# Ploting of original array in Graph
# Color will be in Green
plt.plot(arr, arr, color='green', marker='x')

# Ploting of natural log array in Graph
# Color will be in blue
plt.plot(out, arr, color='blue', marker='o')

# Showing the Graphical represntation
plt.title("numpy.log10()")
plt.xlabel("Natural Log Array")
plt.ylabel("Original Array")
plt.show()

出力

The array is:  [40.    2.4   0.14 63.    1.2   1.    4.  ]
Shape of the array is :  (7,)
Natural logarithm of the given array of base 10 is
[ 1.60205999  0.38021124 -0.85387196  1.79934055  0.07918125  0.
  0.60205999]

説明

このプログラムでは、最初に形状7の配列を宣言し、次に配列要素がfloatデータ型である配列を出力しました。

次に、numpy.log10（）を呼び出して、指定された配列の要素の自然対数を計算しました。

その後、グリーンラインの使用を示す2Dグラフに元の配列をプロットしました。

次に、自然対数を見つけた後に取得したout配列をプロットしました。これは、青い線を使用していることを示しています。

上記の画像で結果を確認できます。

結論

Numpy log10（）関数は、ユーザーがxの常用対数を計算するのに役立ちます。xはすべての入力配列項目に属します。

numpy log10（）メソッドについては以上です。

リンク: https://appdividend.com/2020/08/05/numpy-log10-example-np-log10-function-in-python/

#python 

PythonでNumpy Polyfit（）メソッドを使用する

Polynomial.fitクラスのメソッドは、数値的に安定しているため、新しいコードに推奨されます。これは、点（x、y）に対する次数degの近似多項式p（x）= p [0] * x ** deg +…+ p [deg]です。Pythonでnumpypolyfit（）メソッドを使用する方法を見てみましょう。

ゴツゴツしたポリフィット

numpyのの関数polyfit（）メソッドは、多項式関数内の我々のデータを適合させるために使用されます。np.polyfit（）メソッドは、いくつかのパラメーターを受け取り、deg、deg-1、…0の順序で二乗誤差を最小化する係数pのベクトルを返します。

多項式フィットを最小二乗します。これは、次数degの多項式p（X）を点（X、Y）に適合させます。

構文

numpy.polyfit (X, Y, deg, rcond=None, full=False, w=None, cov=False)

パラメーター

この関数は、最大7つのパラメーターを取ります。

 

 X： array_like、

サイズ（M）の形状があるとします。Mの例のサンプルでは、​​x座標（X [i]、Y [i]）を表します。

Y： array_like、

（M、）または（M、K）の形をしています。これは、サンプルポイントのy座標（X [i]、Y [i]）を表します。 

 

あなた：int、

これは整数値であり、多項式を適合させる度合いを指定する必要があります。

rcond：フロート。これはオプションのパラメーターです。

はめあいの相対条件数を記述します。最大の特異値に対してこれよりも小さい特異値は無視されます。

full：ブール型のオプションのパラメータです

これはスイッチとして機能し、戻り値の性質を判断するのに役立ちます。値がfalse （デフォルト）に設定されている場合、係数のみが返されます。値がtrueに設定されると、特異値分解からの診断情報が追加で返されます。

w：array_like、shape（M、）、オプション

これらは、サンプルポイントのY座標に適用される重みです。ガウスの不確実性については、1 /シグマを使用する必要があります（1 /シグマ** 2ではありません）。

cov：boolまたはstr、オプションのパラメーター

指定され、Falseに設定されていない場合、推定値だけでなく、その共分散行列も返します。共分散は、デフォルトでchi ** 2 / sqrt（N-dof）によってスケーリングされます。つまり、重みは、相対的な意味を除いて信頼できないと推定され、削減されたchi2が1になるようにすべてがスケーリングされます。cov = 'unscaled'の場合、重みは1 / sigma ** 2であり、sigmaは不確実性の信頼できる推定値であることがわかっているため、スケーリングは関連するため省略されます。

戻り値

ndarray、shape（deg + 1、）または（deg + 1、K）を返します

このメソッドは、Y配列の形状が（M、）の場合、またはY配列の形状が（M、K）の場合、形状（deg + 1）のn次元配列を返します。形状（deg + 1、K）が返されます。Yが2次元の場合、K番目の データセットの係数はp [：、K]にあります。

プログラミング例：

numpy.polyfit（）メソッドの動作を示すプログラム。

# importing the numpy module
import numpy as np

# Creating a dataset
x = np.arange(-5, 5)
print("X values in the dataset are:\n", x)
y = np.arange(-30, 30, 6)
print("Y values in the dataset are:\n", y)

# calculating value of coefficients in case of linear polynomial
z = np.polyfit(x, y, 1)
print("\ncoefficient value in case of linear polynomial:\n", z)

# calculating value of coefficient in case of quadratic polynomial
z1 = np.polyfit(x, y, 2)
print("\ncoefficient value in case of quadratic polynomial:\n", z1)

# calculating value of coefficient in case of cubic polynomial
z2 = np.polyfit(x, y, 3)
print("\ncoefficient value in case of cubic polynomial:\n", z2)

出力

X values in the dataset are:
 [-5 -4 -3 -2 -1  0  1  2  3  4]
Y values in the dataset are:
 [-30 -24 -18 -12  -6   0   6  12  18  24]

coefficient value in case of linear polynomial:
 [6.00000000e+00 4.62412528e-16]

coefficient value in case of quadratic polynomial:
 [ 1.36058326e-16  6.00000000e+00 -2.24693342e-15]

coefficient value in case of cubic polynomial:
 [ 1.10709805e-16  0.00000000e+00  6.00000000e+00 -8.42600032e-16]

説明

上記のプログラムでは、np.arange（）メソッドを使用してデータセット（x、y）を作成し、データセット内のさまざまなポイントを表示しています。

我々は、フォームの線状（次数1を有する）のような様々な程度の多項式にこれらのデータ点にフィットする場合は、Y = MX + C、我々はのための2つの定係数値有する必要がm個の C、使用して計算されますnumpy.polyfit（）関数。

同様に、フォームである（度2を有する）二次方程式の場合にはY = AX ** 2 + BX + C、我々はのための3つの定常係数値持っている必要があり、B、及びC、ありますnumpy.polyfit（）関数を使用して計算されます。

y = ax ** 3 + bx ** 2 + cx + dの形式の3次多項式の場合も同じです。我々はのための4つの定常係数値を持っている必要があり、B、C、およびD、numpy.polyfit（）関数を用いて計算されます。

np.polyfit（）メソッドを使用して線形回帰を実装する

次のコードを参照してください。

import numpy as np
import matplotlib.pyplot as plt

x = np.arange(0, 30, 3)
print("X points are: \n", x)
y = x**2
print("Y points are: \n", y)
plt.scatter(x, y)
plt.xlabel("X-values")
plt.ylabel("Y-values")
plt.plot(x, y)
p = np.polyfit(x, y, 2)  # Last argument is degree of polynomial

print("Coeeficient values:\n", p)

predict = np.poly1d(p)
x_test = 15
print("\nGiven x_test value is: ", x_test)
y_pred = predict(x_test)
print("\nPredicted value of y_pred for given x_test is: ", y_pred)

出力

X points are:
 [ 0  3  6  9 12 15 18 21 24 27]
Y points are:
 [  0   9  36  81 144 225 324 441 576 729]
Coeeficient values:
 [ 1.00000000e+00 -2.02043144e-14  2.31687975e-13]

Given x_test value is:  15

Predicted value of y_pred for given x_test is:  225.00000000000009

説明

プログラムpolyfit2.pyで、データセット（x、y）メソッドを作成し、データセット内のさまざまなポイントを表示してグラフにプロットします。

今、私たちはフォームである二次多項式である次数2の多項式、にこのデータセットに合うようにしたいY = AX ** 2 + BX + C、我々は3つの定常係数の値を計算する必要がありますので、b、およびcは、numpy.polyfit（）関数を使用して計算されます。

これらの係数値は、データポイントに関して多項式関数が持つことができる最適な適合を示します。いくつかの与えられたx_test値に基づいて、y値を予測できます。これも示されています。

最後に、このチュートリアルは以上です。

リンク: https://appdividend.com/2020/06/03/numpy-polyfit-method-in-python/

#python 

PythonでNumpy Log2（）を実装する方法

NumPyはPython言語のサードパーティライブラリであり、大規模な多次元配列と行列のサポートを追加し、これらの配列で実行する多くの高レベルの数学関数を伴います。

np.log2

np.log2（）は、ユーザーがxの2を底とする対数を計算するのに役立つ数学関数です。ここで、xはすべての入力配列要素に属します。numpy log2（）関数は、2つのパラメーターを受け入れ、底が2である自然対数の配列を返します。

np.log2（）関数は、任意のオブジェクトまたは配列の自然対数を取得するために使用されます。この場合、配列の対数を見つけると、底は2になります。

構文

numpy.log2(array[, out] = ufunc ‘log2’)

パラメーター

log2（）関数は、最大2つの主要な引数を取ることができます。

 

1. array：これは、ログが計算される入力配列またはオブジェクトです。
2. out：これはオプションのフィールドです。結果が格納される位置。指定する場合は、入力が伝達する形式である必要があります。指定しない場合またはなしの場合は、新しく割り当てられたリストを返します。タプルの長さは、出力の数と同じである必要があります（キーワード引数としてのみ可能）。

戻り値

log2（）関数は、底が2である、指定された配列要素の自然対数の配列を返します。

numpy.log（）の動作を示すプログラム

次のコードを参照してください。

 

# Program to show working of numpy.log

# Importing numpy
import numpy as np

# We will create an 1D array
arr = np.array([4, 14, 10, 63, 11, 4, 64])
# Printing the array
print("The array is: ", arr)
# Shape of the array
print("Shape of the array is : ", np.shape(arr))

# Calculating natural log of value arr[i]+1
out = np.log2(arr)
print("Natural logarithm of the given array of base 2 is ")
print(out)

出力

The array is:  [ 4 14 10 63 11  4 64]
Shape of the array is :  (7,)
Natural logarithm of the given array of base 2 is
[2.         3.80735492 3.32192809 5.97727992 3.45943162 2.
 6.        ]

説明

このプログラムでは、最初に形状7の配列を宣言し、次に配列を出力しました。次に、numpy.log2（）を呼び出して、指定された配列の要素の自然対数を計算しました。

log2（）のグラフィック表現

次のコードを参照してください。

# Program to show Graphical representation

# Importing numpy
import numpy as np
import matplotlib.pyplot as plt

# We will create an 1D array
arr = np.array([40, 2.4, 14, 63, 1.2, 1, 4])
# Printing the array
print("The array is: ", arr)
# Shape of the array
print("Shape of the array is : ", np.shape(arr))

# Calculating natural log of value arr[i]+1
out = np.log2(arr)
print("Natural logarithm of the given array of base 2 is ")
print(out)

# Ploting of original array in Graph
# Color will be in Green
plt.plot(arr, arr, color='green', marker='x')

# Ploting of natural log array in Graph
# Color will be in blue
plt.plot(out, arr, color='blue', marker='o')

# Showing the Graphical represntation
plt.title("numpy.log2()")
plt.xlabel("Natural Log Array")
plt.ylabel("Original Array")
plt.show()

出力

The array is:  [40.   2.4 14.  63.   1.2  1.   4. ]
Shape of the array is :  (7,)
Natural logarithm of the given array of base 2 is
[5.32192809 1.26303441 3.80735492 5.97727992 0.26303441 0.
 2.        ]

説明

このプログラムでは、最初に形状7の配列を宣言し、次に配列要素がfloatデータ型である配列を出力しました。次に、numpy.log2（）を呼び出して、指定された配列の要素の自然対数を計算しました。

その後、グリーンラインの使用を示す2Dグラフに元の配列をプロットしました。自然対数を求めて得られたout配列をプロットしました。これは、青い線を使用して示しています。

上記の画像で結果を確認できます。

Numpy log2（）関数の例は以上です。

リンク: https://appdividend.com/2020/08/04/numpy-log2-method-example-in-python/

#python