NumPy

NumPy

NumPy is a library for the Python programming language, adding support for large, multi-dimensional arrays and matrices, along with a large collection of high-level mathematical functions to operate on these arrays
Bailee  Streich

Bailee Streich

1638804442

How to Generate Random Numbers in Python, NumPy, and Sklearn

Generating random numbers is one of the common tasks that you need to perform when writing applications. Random numbers serve many purposes — from cryptography to machine learning, random numbers play an extremely important role in making our applications work correctly. At the end of this article, you would have a much clearer picture of what functions to use to generate the random numbers you desire.

  1. Generating Random Numbers in Python
  2. Generating Random Numbers using NumPy
  3. Specifying the distribution of numbers
  4. Seeding your Random Number Generator
  5. Generating Random Numbers using sklearn

#numpy #sklearn #python #machine-learning 

How to Generate Random Numbers in Python, NumPy, and Sklearn
Bailee  Streich

Bailee Streich

1638796680

Introduction to Numpy in the UCL Data Science Society

Head of Science for the UCL Data Science Society, the society is presenting a series of 20 workshops covering topics such as introduction to Python, a Data Scientists toolkit and Machine learning methods, throughout the academic year. For each of these the aim is to create a series of small blogposts that will outline the main points with links to the full workshop for anyone who wishes to follow along

  1. What is Numpy?
  2. Numpy Arrays
  3. Mathematical operations
  4. Random numbers

#numpy #python #data-science 

Introduction to Numpy in the UCL Data Science Society
Bailee  Streich

Bailee Streich

1638788940

Complte Guide to Numpy Cross Product With Example

A cross product is a mathematical tool to find the perpendicular vector component of two vector coordinates. The cross product will be a non-commutative perpendicular vector product of the two matrix points. In this tutorial, we'll learn The Complete Guide to Numpy Cross Product

  1. Numpy Cross Product
  2. How To Calculate Cross Product Using Numpy Python?

#numpy #python 

Complte Guide to Numpy Cross Product With Example
Bailee  Streich

Bailee Streich

1638781505

How to Implement The Average Function In Numpy Python

First of all the main title of this article gives us all a clever idea of what is the use of this function. Let us know further in more detail.
In general statistics, the average is known as the value of all numbers divided by their total numbers. Take an example for this: We have six different values that slightly differ from each other.

  1. Basic Concepts
  2. Implementing The Average Function In Python

#numpy #python 

How to Implement The Average Function In Numpy Python
Bailee  Streich

Bailee Streich

1638774021

How to Use Matlab and Numpy To Generate Random Numbers and Arrays

As we know, Numpy is a famous Python library for supporting matrix computations in Python, along with a large collection of high-level mathematical functions to operate on vector, matrix, and tensor arrays . A common feature of Numpy and Matlab is their broad use in matrix computations and numerical computing. In this post, we will discuss how to generate random numbers and arrays in both Matlab and Numpy.

  1. Random Numbers and Arrays
  2. Comparing Rand Functions in Numpy and Matlab
  3. Generating Normal-Distributed Random Numbers in Numpy and Matlab

#numpy #matlab #python 

How to Use Matlab and Numpy To Generate Random Numbers and Arrays
宇野  和也

宇野 和也

1638648660

Numpy配列を.Npyおよび.Csvファイルに保存する

Numpyアレイは、Pythonデータ準備するための最も効率的なデータ構造の1つであり、scikit-learnライブラリのような機械学習モデル、およびTensorflowやKerasライブラリのような深層学習モデルは、NumPyの形式の入力データを期待します配列し、Numpy配列の形式で予測を行います

np.save

np.save()関数は、入力配列をnpy拡張子(.npy)のディスクファイルに格納するために使用されます。np save()関数は、配列をNumPy.npy形式のバイナリファイルに保存します。numpy save()関数は、ファイルarrallow_pickle、およびfile_importsを引数として取ります。

Numpy配列には、効率的に保存する必要があるが、別のPythonプログラムでのみ使用する必要がある大量のデータがある場合があります。したがって、NumPy配列を、保存と読み込みの両方に効率的なネイティブバイナリ形式で保存します。

これは、クリーンアップおよび変換されたデータなど、準備された入力データの標準であり、将来、さまざまな機械学習モデルをテストしたり、多くの実験を実行したりするための基礎として使用する必要があります。

 

.npyファイル形式はユースケースに適しており、単に「NumPy形式」と呼ばれます。これは、save()を使用し、ファイル名と保存する配列を指定することで実現できます。

numpy save()関数の次の構文を参照してください。

 

構文

numpy.save(file, arr, allow_pickle=True, fix_imports=True)

パラメーター

ファイル:

データが保存されるファイルまたはファイル名。ファイルが文字列またはパスの場合、ファイル名に.npy拡張子が追加されていなければ、ファイル名に.npy拡張子が追加されます。ファイルがファイルオブジェクトの場合、ファイル名は変更されません。

allow_pickle:

Pythonピクルスを使用してオブジェクト配列を保存できるようにします。ピクルスを許可しない理由には、セキュリティ(ピクルス化されたデータをロードすると任意のコードが実行される可能性があります)と移植性(ピクルス化されたオブジェクトは異なるPythonインストールではロードできない場合があります)が含まれます。デフォルト:True。

fix_imports: 

Python3のオブジェクト配列内のオブジェクトをPython2互換の方法で強制的にpickle化する場合にのみ役立ちます。

arr: 保存する配列データ。

np.save()関数と例

次のコードを参照してください。

# app.py

import numpy as np

a = np.arange(5)

# a is printed.
print("a is:")
print(a)

# The array is saved in the file npfile.npy
np.save('npfile', a)

print("The array is saved in the file npfile.npy")

出力

python3 app.py
a is:
[0 1 2 3 4]
The array is saved in the file npfile.npy

あなたは見ることができます npfile.npyファイル 作業ディレクトリ内を。

Pythonでnpyファイルを読み取る方法

上記の例では、numpy配列をnpfile.npyファイルに保存しました。

次に、np.load()関数を使用してファイルを読み取り、コンソールにnpyファイルの内容を出力します。

次のコードを参照してください。

# app.py

import numpy as np

# The array is loaded into data
data = np.load('npfile.npy')

print("The data is:")
print(data)

# Data is printed from geekfile.npy
print("The data is printed from npfile.npy")

出力

python3 app.py
The data is:
[0 1 2 3 4]
The data is printed from npfile.npy

例を実行すると、ディレクトリに 'npfileという名前の新しいファイルが表示されますnpy '。

このファイルはバイナリ形式であるため、テキストエディタで直接内容を確認することはできません。

NumPy配列をCSVファイル(ASCII)に保存

コンピュータファイルに数値データを保存するための最も標準的なファイル形式は、コンマ区切りの変数形式です。

ほとんどの場合、トレーニングデータとモデルへの入力データはCSVファイルに保存されます。

モデルからの予測など、データをCSVファイルに保存すると便利な場合があります。

numpy savetxt()関数を使用して、NumPy配列をCSVファイルに保存でき ます

Numpy savetxt()関数は、ファイル名と配列を引数として受け取り、配列をCSV形式で保存します。

区切り文字も定義する必要があります。これは、ファイル内の各変数を区切るために使用される文字であり、最も一般的にはコンマです。これは、「delimiter」引数を介して設定できます。

次のコードを参照してください。

# app.py

import numpy as np

# define data
data = np.asarray([[0, 1, 2, 3, 4]])

# save to csv file
np.savetxt('npfile.csv', data, delimiter=',')

print("The numpy array is saved in npfile.csv file")

出力

python3 app.py
The numpy array is saved in npfile.csv file

npfile.csvのファイルは、プロジェクトディレクトリ内に作成されます。

この例を実行すると、NumPy配列が定義され、ファイル ' npfile.csv 'に保存されます。

配列には、10列の単一行のデータがあります。データは単一行のデータとしてCSVファイルに保存されることが期待されます。

上記の例を実行すると、「npfile.csv」の内容が表示されます。

npfile.csvファイルの内容は次のとおりです。

0.000000000000000000e+00,1.000000000000000000e+00,2.000000000000000000e+00,3.000000000000000000e+00,4.000000000000000000e+00

データが単一の行として正しく保存され、配列内の浮動小数点数が完全な精度で保存されていることがわかります。

結論

np save()関数は、numpy配列をバイナリファイルに保存するために使用されます。numpy配列をcsvファイルに保存する方法も見てきました。

最後に、Numpy save()関数の例は終わりです。

リンク: https://appdividend.com/2020/05/04/np-save-how-to-save-numpy-array-in-npy-and-csv-file/

#numpy #csv 

Numpy配列を.Npyおよび.Csvファイルに保存する
Jarvis  Maggio

Jarvis Maggio

1638648000

Great Free NumPy Resources on GitHub

Numpy is an essential data science python library. This is a great github repo that will teach you the fundamentals and beyond. If you want to start learning numpy, that's learn numpy for algorithm, then take a look at this:-
https://github.com/ageron/handson-ml2/blob/master/tools_numpy.ipynb

#github #numpy #python 

Great Free NumPy Resources on GitHub
坂本  篤司

坂本 篤司

1638626400

PythonのNumpy Argwhere()関数

Numpy argwhere()関数は、要素ごとにグループ化された、ゼロ以外の配列要素のインデックスを検索します。np.argwhere()はnp.transpose(np.nonzero())と同じです。argwhere()関数の出力は、配列のインデックス作成には適していません。この目的のために、代わりに非ゼロ(a)を使用してください。

np.argwhere

numpy.argwhere()メソッドは、要素ごとにグループ化された、ゼロ以外の配列項目のインデックスを検索するために使用されます。np.argwhere()関数は、配列のようなパラメーターを受け取り、配列要素のインデックスを返します。

構文

numpy.argwhere(a)

パラメーター

np argwhere()関数は、データ型がarray_likeである1つのパラメーターaを取ります。

まず、numpyライブラリをインポートしてから、データを定義します。

 

次に、np argwhere()関数を使用して、ゼロ以外の要素のインデックスを検索します。

# app.py

import numpy as np

data = [[ 11, 0, 21], [0, 19, 18]]
print(data)
nonZeroIndices = np.argwhere(data)
print(nonZeroIndices)

出力

python3 app.py
[[11, 0, 21], [0, 19, 18]]
[[0 0]
 [0 2]
 [1 1]
 [1 2]]

上記のコードでは、11はゼロではなく、そのインデックスは[0、0]であり、0行0列の11要素が存在することを意味します。したがって、[0,0]を返します。インデックスが[0、2]の21個の要素についても同じです。

 

行が1ではないためインデックスが[1、1]である19についても同じであり、その行では列も1です。そのため、インデックスが[1、1]である18についても同じように[1、1]が返されます。 2]。

np argwhere()関数に条件を適用します

論理条件をnpargwhere()関数に渡して、条件を満たす指定された要素のインデックスを取得します。

4より大きい要素のインデックスのみが必要だとします。

次のコードを参照してください。

# app.py

import numpy as np

data = np.arange(8).reshape(2, 4)
print(data)
nonZeroIndices = np.argwhere(data > 4)
print('The indices of the elements that are > 4')
print(nonZeroIndices)

出力

python3 app.py
[[0 1 2 3]
 [4 5 6 7]]
The indices of the elements that are > 4
[[1 1]
 [1 2]
 [1 3]]

上記のコードでは、np arange()関数を使用して(2、4)配列を作成しました。

4より大きい要素のインデックスのみを印刷しています。

データ配列から、0行には4より大きい値を持つ要素がないことがわかります。したがって、出力には0行はありません。

別の条件を見てみましょう。それに基づいて、インデックスを取得します。

# app.py

import numpy as np

data = np.arange(8).reshape(2, 4)
print(data)
nonZeroIndices = np.argwhere(data != 3)
print('The indices of the elements that are > 4')
print(nonZeroIndices)

出力

python3 app.py
[[0 1 2 3]
 [4 5 6 7]]
The indices of the elements that are > 4
[[0 0]
 [0 1]
 [0 2]
 [1 0]
 [1 1]
 [1 2]
 [1 3]]

上記の例では、要素値が3ではないインデックスのみを取得しています。そうでない場合、値が0の要素であっても、すべてのインデックスが出力されます。

最後に、Numpy argwhere()関数の例は終わりです。 

リンク: https://appdividend.com/2020/04/30/numpy-argwhere-example-np-argwhere-function/

#numpy 

PythonのNumpy Argwhere()関数
宇野  和也

宇野 和也

1638607020

Numpy配列でNaNを使用する

Python NumPyは、算術演算用のバイナリ浮動小数点のIEEE標準(IEEE 754)を使用します。これは、数値ではないことは無限大と同等ではないことを意味します。NaN と NAN の別名です nan

np.nan

numpy nanは、Not aNumberのIEEE754浮動小数点表現です。NaNは「を表していない番号「、およびその一次定数は、アレイ内の任意の不足している数値のプレースホルダとして機能することです。

nan値は、numpyで定義された定数です:nan、inf。NaNは貧乏人のマスクとして使用できます。つまり、元の値が何であるかを気にしない場合です。

NaN値を処理するためのいくつかの異なる方法についてはすでに説明しましたが、NumPyのいくつかのNaN関数についてもう少し詳しく説明したいと思います。

 

使用するデータの大部分はあなたに提供されます。Pandasを使用してDataFrameをインポートするときに見たように、欠落している値は自動的にプレースホルダーとしてNaNに置き換えられます。ただし、NumPyで同じ動作を直接模倣することもできます。

構文

numpy.nan

次のコードを参照してください。

 

# app.py

import numpy as np

myarr = np.array([1, 0, np.nan, 3])

print(myarr)

出力

python3 app.py
[ 1.  0. nan  3.]

これから取り除いてほしい重要なことは、すべての整数がfloatに変換されていることです。これは、NumPyがNaNデータ型をfloatとして定義しているためです。暗黙的なアップキャストにより、すべての要素がfloatデータ型に変換されました。 

NaNアイテムは、数学演算が使用されている場合も、他のすべてのアイテムよりも優先されます。

コンソールでnan値を確認​​してください。

# app.py

import numpy as np

print(np.nan)

出力

python3 app.py
nan

2つのNaN値を比較して、それらが同じかどうかを確認してみましょう。

# app.py

import numpy as np

print(np.nan == np.nan)

出力

python3 app.py
False

Numpy isnan()

Numpy isnan()関数は、要素ごとにNaNをテストし、結果をブール配列として返します。Numpyは、算術演算用の2進浮動小数点のIEEE標準(IEEE 754)を使用しています。これは、数値ではないことは無限大と同等ではないことを意味します。

# app.py

import numpy as np

print(np.isnan(np.nan))

出力

python3 app.py
True

結論

機械学習またはAIのデータを準備するときは、最初にチェックしてから、前処理フェーズですべてのNaN要素を削除または交換したことを確認することが重要です。

単一のNaN要素が欠落していると、データ全体に伝播する能力があるため、最終結果に重大な問題が発生する可能性があります。

最後に、Numpynan定数の例は終わりです。

リンク: https://appdividend.com/2020/05/04/numpy-nan-example-nan-constants-in-numpy-explanied/

#numpy 

Numpy配列でNaNを使用する
宇野  和也

宇野 和也

1638530101

Numpy iscomplex()メソッドの使用方法

Python Numpy iscomplex()関数はbool配列を返します。ここで、入力要素が複雑な場合はTrueです。

Numpy iscomplex()

Numpy iscomplex()関数は、要素が複素数であるかどうかをテストします。複素数のみをチェックし、InfinityまたはNaN値はチェックしません。iscomplex()関数は、ブール配列のブール値の結果を返します。 

np iscomplex()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ます。また、Pythonのライブラリであるnumpyを使用して、多次元配列を作成したり、その他の数学的統計を導出したりできます。

構文

numpy.iscomplex(input array)

パラメーター

np iscomplex()関数は1つのパラメーターのみを取ります。唯一のパラメーターは、入力配列またはそれが複素数であるかどうかを確認する入力です。

 

戻り値

iscomplex()関数はブール配列を返します。これは、入力配列に渡された数値が複素数であるかどうかに関係なく結果をもたらします。

Pythonのiscomplex()メソッドのサンプルプログラム:

Pythonでのiscomplex()関数の動作を示すプログラムを作成します。

 

# app.py

import numpy as np

print("Complex - : ", np.iscomplex(933), "\n")  # Scalar Values

print("Complex - : ", np.iscomplex([444, 555]), "\n")


# checking for complex numbers
print("Complex - ", np.iscomplex([2+3j, 3+1j]), "\n")

print("Complex - ", np.iscomplex([2+1j, 4+2j]), "\n")

出力

python3 app.py
Complex - :  False

Complex - :  [False False]

Complex -  [ True  True]

Complex -  [ True  True]

説明

この例では、関数isinf()で2つのスカラー値をバイパスすることを確認しました。複素数を表していないため、Falseになります。それでも、例の他の値のうち、複素数が存在するため、trueを示しています。

arange()関数を使用して配列を作成するプログラムを作成し、配列の要素が複雑かどうかを確認します。

次のコードを参照してください。

# app.py

import numpy as np

a = np.arange(24).reshape(6, 4)
print("List = ", a)
print("\n")
print("Is complex -  ", np.iscomplex(a))

出力

python3 app.py
List =  [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]
 [16 17 18 19]
 [20 21 22 23]]


Is complex -   [[False False False False]
 [False False False False]
 [False False False False]
 [False False False False]
 [False False False False]
 [False False False False]]

この例では、配列を作成した後、配列のすべての要素が複雑かどうかを確認したことがわかります。

結論

Numpy iscomplex()関数は、bool配列を返すために使用されます。ここで、入力要素が複雑な場合はTrueです。テストされるのは、入力タイプが複雑な場合ではなく、入力にゼロ以外の虚数部があるかどうかです。

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

#numpy 

Numpy iscomplex()メソッドの使用方法
Dominic  Feeney

Dominic Feeney

1638207720

How to Implement Convolutions and Pooling in Python TensorFlow & Numpy

In this tutorial, we'll learn how to implement convolutions and pooling from scratch in Python and Numpy. It’s a big achievement, but it doesn’t mean you should write your deep learning framework from scratch. TensorFlow is highly optimized, and our from-scratch implementation isn’t.

  1. How Pooling Works
  2. MaxPooling From Scratch in Python and Numpy
  3. Max Pooling From Scratch on a Real Image
  4. Verification — Max Pooling With TensorFlow

#tensorflow #python #computervision #numpy 

How to Implement Convolutions and Pooling in Python TensorFlow & Numpy
Paula  Hall

Paula Hall

1638206700

How to Use A Time Series Forecast on Training Data using Numpy, Pandas

I created the program in Google Colab, a free online Jupyter Notebook. The great thing about Google Colab, and the entire range of Google products for that matter, is the fact that it is portable, which means that any code written using Google Colab can be called up on any computer that has an internet connection and a search engine. One thing that I don’t particularly like about Google Colab is the fact that is does not have an undo function, which means that if the user is not careful, valuable code could be overwritten or deleted.

#numpy #numpy #python #matplotlib 

How to Use A Time Series Forecast on Training Data using Numpy, Pandas
Noah Saunders

Noah Saunders

1638003801

Numba Explained in 30 Mins

Numba Explained in 30 Mins

Understanding Numba - the Python and Numpy compiler. This tutorial will explain how Numba works, and when and how to use it for numerical algorithms, focusing on how to get very good performance on the CPU.

Do you have numerical code written in Python and Numpy? Do you wish it ran faster, using the full potential of your CPU?

Then you should try Numba, a JIT compiler that translates a subset of Python and Numpy code into fast machine code.

This talk will explain how Numba works, and when and how to use it for numerical algorithms, focusing on how to get very good performance on the CPU.

To understand this talk, only a basic knowledge of Python and Numpy is needed.

You will learn how Python compiles functions to bytecode and how Numba compiles bytecode to machine code. Why algorithms implemented using Numpy sometimes don't yield great performance, and how to do better using Numba. You will learn about the @numba.jit and @numba.vectorize decorators and how to create functions that use the CPU well by using e.g. multi-threading (several CPU cores), vector instructions (single instruction multiple data) and fast math (trade float accuracy for speed).

You will also learn when it does and doesn't make sense to use Numba, by contrasting it briefly with some other options for high-performance computing from Python: PyPy, C, C++, Cython, Numexpr, Dask, PyTorch, Tensorflow and Google JAX

#numba #python #numpy

 

Numba Explained in 30 Mins
Dominic  Feeney

Dominic Feeney

1637609220

How to Implement Convolutions in TensorFlow-Python (Computer Vision)

After reading, you’ll know how to write your convolution function from scratch with Numpy. You’ll apply filters such as blurring, sharpening, and outlining to images, and you’ll also learn the role of padding in convolutional layers.

In this tutorial, we'll learn How to Implement Convolutions in TensorFlow-Python (Computer Vision)

  1. How Convolutions Work
  2. Dataset and Image Loading
  3. Declare Filters for Convolutions
  4. Implement Convolution From Scratch
  5. Implement Convolution with Padding From Scratch

#python #tensorflow #numpy 

How to Implement Convolutions in TensorFlow-Python (Computer Vision)

PythonのNumpylogical_and()メソッド

Numpyのlogical_and()メソッドは、x1 ANDx2の真理値を要素ごとに計算するために使用されます。

np.logical_and()

NP。logical_and()関数は、結果算出I及び すべての要素のために、I B、対応する要素とARRAY1のをI配列2のアレイの形式で結果を返します。logical_and()関数は、numpyのlogical_and()メソッドが機能するために同じ形状である必要がある入力配列を取ります。

構文

numpy.logical_and(arr1, arr2, out=None, where=True, dtype=None)

パラメーター)

  1. ARR1:要素含むarray_like入力Iを。
  2. ARR2:Bの要素含むarray_like入力Iを。
  3. out:(ndarray、None、またはndarrayのタプル[オプションのパラメーター]結果の積が配置される代替出力配列を定義します。これは、期待される出力と同じまたはブロードキャスト可能な形状である必要があります。
  4. ここで、(array_like)[オプションのパラメーター] Trueの場合、これらは演算子が適用される位置です。Falseの場合、これらは出力配列でそのままにしておく位置です。
  5. dtype:[オプションのパラメーター]返される配列のタイプを定義します。

戻り値

要素ごとの論理ANDは、配列の形式になります。

Numpylogical_andの例

次の例を検討してください。

次の例は、logical_and()メソッドの使用法を示し、論理および演算子の真理値表を確立します。

 

import numpy as np

arr1 = [0, 0, 1, 1]
arr2 = [0, 1, 0, 1]
arr3 = np.logical_and(arr1, arr2)
print(arr3)

arr4 = [False, False, True, True]
arr5 = [False, True, False, True]
arr6 = np.logical_and(arr4, arr5)
print(arr6)

出力

[False False False  True]
[False False False  True]

例2

次のコードは、配列要素が複素数の場合を示しています。

import numpy as np

arr1 = [3+4j, 3+4j]
arr2 = [1, 0]
arr3 = np.logical_and(arr1, arr2)
print(arr3)

出力

[ True False]

例3

次のコードは、空の配列が渡される場合を示しています。

 

import numpy as np

arr1 = []
arr2 = []
arr3 = np.logical_and(arr1, arr2)
print(arr3)

出力

[]

例4

次の例は、異なる形状の配列が渡される場合を示しています。

import numpy as np

arr1 = [0, 0, 1, 1]
arr2 = [1, 0, 1, 0, 1]
arr3 = np.logical_and(arr1, arr2)
print(arr3)

出力

Traceback (most recent call last):
  File "app.py", line 5, in <module>
    arr3 = np.logical_and(arr1, arr2)
ValueError: operands could not be broadcast together with shapes (4,) (5,)

例5

次のコードは、whereパラメーターの使用法を示してます。

import numpy as np

arr1 = [0, 0, 1, 0]
arr2 = [0, 0, 1, 0]
arr3 = np.logical_and(arr1, arr2, where=[True, False, True, False])
arr4 = np.logical_and(arr1, arr2)
print(arr3)
print(arr4)

出力

[False  True  True  True]
[False False  True False]

例6

次のコードは、dtypeが要素のデータ型を指定する場合を示しています。

import numpy as np

arr1 = [0, 0, 1, 1]
arr2 = [0, 0, 1, 1]
arr3 = np.logical_and(arr1, arr2, dtype=np.double)
print(arr3.dtype == np.bool)
print(arr3.dtype == np.int)

出力

True
False

例7

次のコードは、単純なプログラミングコンテキストでのこのメソッドのアプリケーションを示しています。

一連の数字が与えられた場合、xからyの範囲内にある数字の数を見つけます(両方を含む)。

import numpy as np

n = int(input("Count: "))
numbers = []

x = int(input("x: "))
y = int(input("y: "))

for i in range(n):
    numbers.append(int(input()))

new_arr = np.array(numbers)
valid_arr = np.logical_and(new_arr >= x, new_arr <= y)

count = 0
for i in valid_arr:
    if(i):
        count += i

print("Result: ", count)

出力

Test Case 1:
Count: 5
x: 10
y: 20
1
2
11
12
21
Result:  2

Test Case 2:
Count: 4
x: 1
y: 3
1
2
3
4
Result:  3

numpyのlogical_and()関数については以上です。

リンク: https://appdividend.com/2020/07/02/numpy-logical_and-example-np-logical_and-in-python/

#python #numpy 

PythonのNumpylogical_and()メソッド