Transcripciones
1. Introducción: Hola y bienvenidos a este curso. Mi nombre es Brian Camara, analista de datos, es ExxonMobil en Baraboo. Adivina estaba más interesado en la botánica, está en exactamente una desde que empecé a transitar al análisis de datos. Y la experiencia se ha resuelto perfil que pin es lo que transición al análisis de datos. En esto y muchos otros a seguir. Te mostraremos cómo supongo que estás tan interesado como yo. ¿ De acuerdo? En este curso, te presentaré a NumPy, biblioteca Python. Espera conocer más sobre cómo generar datos en NumPy, cómo realizar operaciones aritméticas, indexar y rebanar tus conjuntos de datos que generaremos usando lumpy, quienes además prestan más operaciones estadísticas y álgebra lineal con NumPy matrices. Al final de este curso, se
debe poder ver la significación del análisis de enteros NumPy. ¿ Por qué es importante? Debería poder generar en y manipular sus propios conjuntos de datos que para regenerar usando NumPy. Y también debe poder tomar una decisión firme si procede a pandas en el segundo carril. Y estoy seguro de que te interesa aprender aún más sobre análisis de
datos y las diversas bibliotecas que podemos usar en Python. ¿ De acuerdo? Por lo que encontrará esta documentación costos de producto muy interesantes. Y siempre puedes referirte a ella para conocer más sobre diversos conceptos sobre NumPy. Entonces voy a dar click en él y sólo vemos cómo se ve. Entonces así es como se ve. Por lo que te lleva a la página web numpy.org. Y desde aquí puedes seleccionar el pez Inuit uno que voy a seleccionar la pintura NumPy uno, true y Meno. Y tiene Z para llevarme a esta página manera puedo encontrar lo que quieran saber. Pero ahora digamos que quiero saber qué es NumPy. Puedo dar click aquí para llevarme a la página que para describir lo que es NumPy. Y te dará algunos ejemplos. Podemos esperar. Puedes usar NumPy y todo eso. ¿ De acuerdo? Entonces todos estos humanos preguntándose, ¿quién es esta forma cruzada? ¿ Puedo tomarlo? Sí, se puede. Este curso es para cualquier persona con alguna comprensión básica de lo que Python, no
necesitas tres f lambda dot numpy antes de que el curso en sí sea suficiente para que te pongas al día y lo sigas. Por lo que esto es sólo más una introducción básica. En las próximas clases a través de charla dentro más sobre NumPy
profundo y menos pagado en bibliotecas que puedes usar para el análisis de datos. Entonces al final del curso, tenemos algún proyecto que va a estar interesado, A pesar de que va a estar ocupado. Pero te dará un tema de oferta de lo que se trata NumPy. En el presupuesto. Tenemos la oportunidad de generar tu propio conjunto de datos. Por lo que tienes la libertad de generar los datos de tu elección. Y con estos datos, cómo espera que lo transformes para luego realizar un análisis estadístico al respecto. O la información que necesites para llevar a cabo este proyecto. Lo puedes encontrar leído en este curso. Para este curso, lo que necesitas es una cuenta de cuco. ¿ Y quién los usa para crear o configurar un entorno colaborativo de Google? Bueno, Act está en lo que respecta a los ejercicios, y finalmente el proyecto. En la siguiente clase, te
mostraré cómo configurar el entorno colaborativo de Google. Entonces, ¿qué estamos esperando? Empecemos.
2. Configuración colaborativa de Google: Sólo voy a llevarte a través de cómo configurar el entorno colaborativo de Google para esta clase. De acuerdo, Entonces en tu barra de búsqueda, escribe Google colaboratorio, cada extremo. Entonces a partir de esto se pueden ver los diversos resultados de búsqueda que solo Kim, solo
voy a golpear Done y dar clic en el primer resultado de búsqueda que vendría. Llegarán a, a plato colaborativo cuco. Está bien, solo está cargando. Después te mostrará esta pantalla. Desde aquí se puede ver que hay un consejo reciente. Por lo que este muestra los últimos cuadernos que usted ha retirado. Y también puede pasar a las Tendencias de Google muestra los cuadernos que hemos guardado en tu Google Drive. También puedes ir al camino de GitHub. Se puede ver el diverso cuaderno que se ha ahorrado. Entonces aquí para este curso. Y no hemos creado ningún cuaderno, así que solo voy a golpear run y crear un nuevo cuaderno. Creando la nueva normalidad para que secuenciemos. ¿ De acuerdo? Por lo que se crea el cuaderno para nosotros. Entonces así es como se ve. Desde arriba, puedes cambiar el título sobre mí. Sólo voy a llamarlo intro a pi para theta y luego fui a pegarle Enter. Entonces puedes ver esto actualizado con éxito el nombre del bloc de notas para mi Ok, entonces, bien, así se actualiza el o los cambios. Puedes venir aquí, puedes ver que hay un botón Conectar, debes entrar, pulsa Enter. Por lo que conecta tu cuaderno para que puedas ejecutar
el código que se estará ejecutando a lo largo la clase sobre probar diversos aspectos del curso desde la clase. Y así fue cuando estás haciendo tu proyecto, también
debes recordar cómo hacer esto hasta arriba. De acuerdo, Entonces esta es una forma de venta que puedes Ryan o es una cotización de cocina. Entonces este CIF, este punto 8, 0 a 1, p igual a 2 a 3. Termino, quiero imprimir un plus b. Así que una vez que haya escrito esta cotización, cuando la vas a ejecutar, puedes o hacer click en este o es la pelea como atajos que tenemos? Por lo que más me gusta el Turno N d1. Y luego ejecutará la celda por ti o puedes usar el Control Enter para almacenarlos trabajo. De acuerdo, así que digamos que has escrito esta cita, pero también querrías incluir algunos textos dentro de tu cuaderno. Por lo que puedes referir almohada esta celda y ves un texto. Uno, golpea ese. Y aquí puedes tomar el texto que 31, tal vez quería saludar, la industria ejecutada por Shift Enter o Control Enter. De acuerdo, así que esa es la introducción al entorno de Google Colab. Entonces, empecemos.
3. Qué es NumPy: Entonces vamos por la introducción. Entonces 15, necesitas saber qué es NumPy. Numpy es igual que el patrón numérico es la biblioteca que es 10 que se utiliza para datos numéricos en Python. Por lo que ds estructuras de datos específicas es algoritmo lo que ayudara en importante en el análisis numérico. De acuerdo, Entonces, ¿por qué NumPy es de interés? De acuerdo, entonces ahora porque es especializado, puede realizar funciones específicas en Python, podemos utilizar esa ventaja. Sabemos que algo si es especial, ¿puede hacer qué? Puede hacer su trabajo, como beta. Entonces por eso es rápido. Yo suficiente. Por lo que esto se contribuye colectivamente a su objeto array multidimensional. Por lo que te encuentras con más frecuencia. Entonces solo significa n dimensión ahora RA, por lo que intenta, significa cuando te encuentras con un NGRI. Está bien. Por lo que entonces también veremos que el NumPy Eventbrite condensó diversas funciones para realizar cómputación a nivel de elementos con RA's. De acuerdo, entonces, ooh, tal vez sólo queremos multiplicarnos a través de los RA. Simplemente queremos multiplicar cada elemento dentro de una matriz por tal vez 10. Por lo que este solo podemos hacerlo sin ningún bucle FOR. Así que recuerda cuando estamos tratando con otras áreas, tal vez puedas llegar a, puedes crear tu matriz la parte superior derecha. Si quieres multiplicar cada elemento de la matriz y tenemos que escribir un
bucle for que para indexar todos los elementos de la matriz, multiplicándolo por 10. Pero con las matrices NumPy, no
hay necesidad de todo eso. Puedes fácilmente, lo siento, puedes multiplicar fácilmente en una frase. Por lo que hay funciones para hacer eso. De acuerdo, Así también son verdades específicas las cuales pueden leer tus mejores t-tests. Es también, había creado datos en 12, escribirlos en un disco. Existen herramientas específicas que te permiten hacer eso,
que también son operaciones de generación lineal. De acuerdo, entonces puedes generar datos que sean lineales. Entonces tal vez un dato que se basa, dos. Entonces 1357, algo así. Podrás hacerlo usando NumPy. También hay una generación de números aleatorios puede generar datos aleatorios usando NumPy. ¿ De acuerdo? Entonces en este análisis, veremos que el número se utiliza básicamente es en contenedor donde se pueden almacenar matrices de datos. Por lo que esto usualmente grandes áreas de datos. Y luego después de ordenar esto, podemos pasarles las áreas que hemos almacenado en diversos algoritmos en bibliotecas que realizarían en lo específico y cómputos. Por lo que el objetivo general es que este número de áreas sean más eficientes de lo que una vez necesitamos saber. Entonces tanto en el almacenamiento como en la manipulación de datos, Hay más específico porque el diseño es la biblioteca que está diseñada
específicamente para manejar este tipo de instrucciones. De acuerdo, entonces veamos cómo podemos empezar con NumPy. Por lo que sólo te voy a mostrar cómo puedes importar la biblioteca a tu colaborativo de Google. Entonces aquí solo entro y tipografio importaciones. Ahora pi. Entonces esta es la biblioteca. De acuerdo, tan importante es NP. Y una vez que lo importas, tienes que correr. Por lo que una vez que ejecutes el 20 para importarlo de nuevo, puedes usarlo en todo el cuaderno. Por lo que sólo voy a escribir cada turno y y se
puede ver que se importa con éxito la biblioteca numpy. Por lo que importé es NP. Eso es opcionalidad puede simplemente OK importar numpy. Pero éste te salvará cuando ahora estés haciendo el, la semana. Entonces cuando quieras hacer referencia a la biblioteca NumPy, solo
puedes referenciarla es en NP. Por lo que no sólo dijo np dot Array. Ahora estamos usando los diversos objetos dentro del laboratorio de referencia de
la biblioteca NumPy leídos usando np. Por lo que se ve que la importancia de este PNE es bastante larga. Por lo que simplemente simplifica apenas a través de formas de escribir cuando lo ejecutas a través de las diversas cotizaciones. De acuerdo, entonces en la siguiente clase, hablaremos más sobre cómo generar datos y agregar operaciones.
4. Generación de datos: Por último hemos aprendido cómo podemos importar la biblioteca NumPy al colaborativo de Google. De acuerdo, entonces ahora veamos cómo podemos usarlo para generar datos. Por lo que queremos generar algunos datos e imprimirlos. A ver cómo se ve. Sí, Así que pasando por genética algo. Pero lo que necesitas saber es que hay varias formas de generar datos usando Numpy. Por lo que puedes suministrar tus propios datos o puedes usar los objetos en Python o en NumPy para generar algunos datos. De acuerdo, Así que déjame enfrentarme a datos genéricos usando algunos opuestos que existen dentro de los 95. De acuerdo, Entonces podemos decir que queremos llamar a nuestros datos theta uno igual a límite como theta. ¿ De acuerdo? Entonces recuerda cuando importamos NumPy, dijimos que estás ingresando es np. Entonces solo voy a decir np FEV1 para hacer referencia a la biblioteca numpy. Entonces en Numpy, quiero utilizar una función aleatoria y la función rand. De acuerdo, entonces cómo va esta semana, vale, déjame terminar esta. También lo es 32. Entonces, ¿cómo funciona esta pista? Entonces digo, Ok, De Numpy, quiero la función aleatoria y en aleatorio quiero usar el objeto redondo de la aleatoriedad. Bueno, entonces este creará un ROE aleatorio en esta zona será de tamaño tres por dos. Entonces cuando decimos tamaño 3 por 2 en matrices nos gusta, vale, entonces tenemos una matriz, debe tener tres filas y dos columnas. Entonces digamos que queremos que este tamaño de tres por dos es de tres filas por dos columnas. ¿ De acuerdo? Entonces esto es lo que vamos a hacer es que sólo vamos a entrar a
comprar en nuestra biblioteca NumPy Python y buscar al azar, uno que encuentre al azar al azar busca a Rand. Genero esta matriz NumPy aleatoria. ¿ De acuerdo? Entonces después de que se creó, los dos simplemente pueden llamarlo. Entonces ahora esta matriz está existente el valor de los datos de tipo, no
debería poder visualizar la matriz. Entonces sólo me voy a cambiar a, y se puede ver nuestra matriz. Y esto es todo. Podemos ver que tenemos esta fila, esta fila, esta fila. Entonces tengo tres filas, y estas tres filas, tenemos dos columnas. Esto es un colon, esta es una columna. Y en todos estos valores de datos, se crean aleatoriamente, por lo que no tienes control sobre lo que está haciendo. Supongo. Por lo que hay varias otras funciones que puedes usar para crear datos. Entonces déjame solo explorar un complemento. Está bien, le agrego un protón. Digamos que quiero usar un anti 1. Entonces, permítanme decir que los datos uno es igual para arreglar tres sirvientes. Y luego debajo de ella consigo uno. Entonces lo que hace éste, era, porque no me refería en NumPy. Click, Shift Entrar. Entonces el género es este Erin? Sí, 35. Porque ellos, ¿cómo es este fin de semana? Entonces va a NumPy. Buscamos una gama. Una vez que se arregla. Cómo arreglo las obras es así, es que este polvo de tres y sube por auto adentro pero no llega sirven adentro, así que va a siete menos uno. Entonces si tengo 10 a para subir a 10, y los datos genéricos con ella suele estar espaciada por dos. Por lo que c, 3 a 5. Entonces así es como arreglan las semanas. Por lo que puedes ver hemos visto cómo generar datos utilizando las funciones incorporadas en NumPy. En la siguiente clase, veremos cómo podemos introducir nuestros propios datos y convertirlos en una matriz NumPy.
5. Generación de datos y operaciones de datos y Arith: Hola clase. Entonces en la clase anterior, hablamos de cómo podemos usar las funciones de entrada en NumPy para generar
el, el, los datos para nosotros. Entonces, ¿quieres explorar qué pasaría si quisiera suministrar mis propios datos? Ya sabes, como cuando estás haciendo un proyecto específico, tenemos que abastecer en el TI. No puede estar usando datos aleatorios a menos que se quiera simplemente generar algo de ruido en los datos o algo así. Es decir si estás haciendo algunos algoritmos de aprendizaje automático. Pero también para nosotros, llévanos, digamos que quiero suministrar datos de alguna x, ¿de acuerdo? Esto es x, así que solo doy algunos datos sobre X. Unas que dan algunos datos sobre X. Solo quiero ir yo 8 y 10. Este intron buscado hay que recordar es que
siempre hay que hacer referencia a NumPy porque estamos usando funciones de ella. Entonces voy a usar la función promedio de numpy. Entonces voy a pasar x en él para que esté separando los datos que quería entrar en conflicto en la matriz. Entonces después de esta moneda parecida ejecutándola, vale, entonces su tendencia, la tendencia, pero luego no la llamé para que podamos ver dos, ¿de acuerdo? Y solo coordina. Por lo que puedes ver ahora los F y RA creados con 1231246 elementos en él. ¿ De acuerdo? Entonces que si tenemos otra y está bien, eso querría incorporar rutina esta matriz. Entonces aquí lo que tienes que notar
que cuando queremos las dos variables en las que quieres almacenarla,
RA, tienen que ser de la misma longitud para que tú puedas serlo, ¿verdad? Recuerda la venta. Hay una serie de roles dentro de un área. Son filas o columnas. Entonces si tienen diferente número de elementos en ellos, entonces Lou no tiene un número consistente de columnas. Por lo que significa que no generará la matriz para él. Entonces está bien, tengo x e y ahora. Necesidad de ponerlo en una matriz. Por lo que puedo venir e incluir a Y aquí. Si soy para ejecutar ahora este, dijiste que ahora está creando una matriz que tiene dos filas, tanto x como y. son cuatro columnas porque SI cuatro dimensiones dentro de cada una de las x e y. entonces así es como puedes crear las tuyas propias datos. De acuerdo, entonces en esto ahora, podemos hacer varias otras cosas. Podemos volver a hacer multiplicación a cualquier cosa. Entonces puedes ver que la parte superior aquí,
vale, déjame solo usar este tobogán. Déjame decir que quiero multiplicar dos matrices. Puedo usar x detalles en ejemplo. Entonces tal vez mod 4 multiplicación. Tomo x data y luego lo multiplico con tal vez 10. Entonces, ¿qué va a pasar aquí? ¿ Se puede hacer una pausa y tratar de reflexionar sobre ello? De acuerdo, Entonces si voy a correr este, Vamos a ver qué pasa. Por lo que entra, toma x datos. Este es el final para multiplicar cada elemento en datos x por diez. Por lo que se puede ver 10 por 10 por 10 por 10 por 10 por dos, como a lo largo de toda la matriz. Entonces así funciona la multiplicación. O puedes editar. Podemos ir y decir, vale, déjame decir, es verdad. Yo quiero, es cierto Eris puede ser X Theta más X. Y luego después de esta llamada, para que veamos lo que es cálculo, ¿de acuerdo? Entonces puedes ver este es si estás agregando una cosa importante que
tenemos que darnos cuenta que estos dos RASS para ser del mismo tamaño y dimensión. Entonces tiene que ser, si éste es cierto por dos, éste va a ser demasiado malo porque lo llama. Entonces finalmente, escupirán y fracasarán en ambas matrices. Te dirá este borde a otro. Por lo que 81 más 1, 2, 2, 4 más 4 monedas en ese orden. Por lo que de ahí este resultado. ¿ De acuerdo? Entonces de nuevo, son muchas otras cosas. De acuerdo, así que déjame multiplicar rápidamente los dos. Entonces si se multiplica por 10, pero también podemos mirar a algunos se fue a, ok. Déjame ver si, Digamos que quiero multiplicar x delta, x delta. Y luego éste para que veas entrar. Por lo que sí se multiplica. Entonces lo que hace de nuevo es elemento-sabio va a mirar el primer elemento DA y causar al siguiente busca el puño multiplicado esos dos, poner París fuera en ese orden. De acuerdo, entonces ya has visto que podemos hacer algunas operaciones aritméticas básicas con NumPy. Entonces creo que puedes seguir adelante y también explorar sintió que crypto en matrices NumPy realizan estas operaciones aritméticas. Nos vemos siguiente clase.
6. Tamaño y tipo de datos: Hola, y bienvenidos a esta clase. De acuerdo, Entonces en las clases anteriores con arriba hacia abajo mucho sobre novato, ¿cómo puedo generar datos usando el ferry como funciones NumPy. También hablamos de cómo puedes usar tus propios datos para generar matrices numpy. De acuerdo, Pero también mencionamos algo que es importante sobre R es que es el tamaño de la matriz. Y dijimos que esto está representado por fila por columna. Entonces si quieres representar el tamaño de una matriz, Siempre fila por columna. Y el amarillo también van a explorar otra cosa que es del tipo. Queremos comprobar cuál es el tipo de la matriz. Y estos se obtienen usando como la nave en dtype objetos dentro del NumPy. De acuerdo, entonces voy a empezar con esta forma. Entonces voy a determinar la forma de esta urna. De acuerdo, como estoy escribiendo, ¿
puedes intentar averiguar cuál es la forma de la matriz? Entonces voy a tipear modo. De acuerdo, Así que quiero que transmitas lo que piensas con lo que vamos a conseguir un a como QP, así sucesivamente. De acuerdo, vamos a ejecutarlo. De acuerdo, así que llega a caer como podíamos esperar. Tenemos dos filas y cuatro columnas. Espero que hayas cogido eso ¿verdad? De acuerdo, Algunos también van a revisar cuál es el tipo de datos para este. Entonces hacia dtype esta vez, y voy a Turnos Entrar. Entonces nos está diciendo que esta matriz está en estadística para el 13. De acuerdo, Así que probablemente nos encontraremos muy lejos como tipos de datos dentro de Python. Por lo que siempre puede explorar usando el dtype para comprobar los diversos tipos de datos que cada una de sus matrices cumple representan. De acuerdo, Entonces en este punto, y decir una experiencia que F cabeza usando reclamo sagrado en este punto. Está bien. Entonces lo que se dice que hace Lynn es que saca datos de dos dimensiones. Conseguimos ese, correcto, correcto. De acuerdo, Entonces por qué
yo, supongo que dentro del avión necesitas datos que sí, a través de sus emisiones. Entonces, ¿cómo se obtiene de dos dimensiones si Vf data member que tiene cuatro dimensiones rápido, mencioné, porque realmente no puede controlar esa. No puedes dejarme. Está bien. Al igual que mientras recopila datos que quiero, datos
bidimensionales, puedes tener cinco dimensiones de datos. Pero luego con NumPy, te
permite dejarme ese fest que mencioné Theta o por daño no hay datos en dos dimensiones. Entonces, ¿cómo hacemos esa? Entonces en lugar de simplemente conseguir la forma, podemos alterar la forma. ¿ Cómo sacamos que la forma, solo te
voy a demostrar que a ti está en este ejemplo. Entonces déjame generar algunos datos aleatorios y nuestro rango genera seis. De acuerdo, Entonces si quisieras ver los datos fuera se ve así, ¿es? Con estos datos? De lo que queremos hacer esto, quieres remodelar estos datos. Entonces voy a decir una remodelada alguna nave remodelando un dato Ananda formando, ser otra matriz. De acuerdo, entonces esto tiene algunos aspectos importantes. Alguna condición importante que tenemos que poner en esta función de remodelación. Por lo que es el número de dimensiones en el que se querría remodelar los datos. Y también necesita el número de atributos que
queremos que se representen en los nuevos datos. De acuerdo, Entonces este número de atributos corresponde al número de columnas. Entonces solo vamos a correr este y vemos cómo ruta como Oh, vale. De acuerdo, para que veas que lo ha remodelado en tres dimensiones. Entonces de uno a tres, tenemos tres dimensiones. Y también lo otro que podemos notar aquí es que nosotros si dos columnas, porque limitamos el número de atributos a true, que corresponde al número de columnas. Entonces esta cosa de las IFRS que puedes jugar en tus conjuntos de datos a la hora explorar o analizar datos con varias bibliotecas de agregar como la que acabamos de mencionar, reclamo psique. Está bien. Por lo que esto es sólo una cosa a tener en cuenta, se
utilizará en la matriz RA NumPy o en DRA. En esta clase no sólo significan lo mismo. Esa es la matriz de dimensiones. Entonces aquí te dejamos un ejercicio rápido que solo puedes localizar a np.ceros, dos terrenos, ceros. ¿ De acuerdo? Entonces esto, vale, tan neutral, como yay, tenemos corchetes verdaderos. Yo quiero que lo explores. ¿ Cómo afecta esto el resultado? Entonces si ella ha atacado por NU, Charles, siempre miró a través de la documentación. Está bien. Entonces permítanme mostrarles cómo puede mirar a través de algo en el propio documento. Entonces lo que puedes hacer es tal vez quieras revisar cómo se arregla la forma. Entonces np.array y luego pones un signo de interrogación, luego ejecutas la celda. Entonces para mostrarte aquí el infierno, qué se trata el rango y puedes mirar a través de él y explorar. De acuerdo, gracias. Te veré en la siguiente clase.
7. Recap y indexar y indexar: Hola y bienvenidos a esta clase on, solo
voy a hacer una recapitulación rápida sobre las dos últimas operaciones ferrosas que hemos cubierto en las clases anteriores. Y enfatiza cuando la fe de que cuando él y tres operaciones sabias por elementos, necesitas asegurarte de que tu r sea nuestro mismo tamaño antes de poder hacer eso. De acuerdo, entonces si no son del mismo tamaño, entonces no se pueden realizar operaciones a nivel de elementos en las diversas áreas que importan. Entonces te he mostrado antes cómo comprobar el tamaño de una matriz. Por lo que siempre puede comprobar el tamaño de una matriz
antes de calificar para hacer las operaciones a nivel de elemento. Por lo que hemos visto la mayoría de las operaciones. Entonces éste sólo se está multiplicando, tomando esta matriz, lo estamos multiplicando por el mismo RA. Al tomar esta matriz, estamos restando las mismas áreas, lo que significa que terminamos con 0 porque simplemente estamos restando lo mismo. Y así también se puede dividir. Se puede tomar una matriz, una dividida por una matriz. Entonces esto es elemento-sabio va a tomar bien, una vez que la cara, bien, entonces en este caso, este va a ser el valor de los puños en las primeras columnas está tomando una dividida por 1. Ponga esto en la matriz. Hace que uno varíe de verdad. Lo pone en la primera presentación, en la segunda columna, y así sucesivamente. Entonces así es como está despertando de nuevo también dibujó un exponencial. Se puede tomar una matriz, ésta, y luego elevarla al camino
al pastor abierto cinco es lo mismo que tomar la raíz cuadrada de ésta. Por lo que irá y llevará uno a la potencia 0.5, depósito
total abierto por todos los elementos de la matriz. ¿ De acuerdo? Entonces también puedes revisar como operaciones booleanas,
booleanas otra vez, checa, vale, tengo una en la parte superior. Quiero comprobar, ¿esta matriz es mayor que la matriz anterior? Entonces si es cierto, te
daré un resultado. Entonces, ¿cuál sería el resultado? Digamos que en este caso, se
puede explorar ese, averiguar cuál será el resultado. Recuerda que éste es sabio por elementos, está comprobando valor por valor y dándonos un resultado. De acuerdo, así que queremos pasar a indexar y cortar. De acuerdo, entonces estoy en esta clase, sólo
voy a hablar de una dimensión es un daño único. Ahora Alice, con eso vamos a trabajar en esta clase. De acuerdo, Así que digamos que tenemos una matriz. ¿ De acuerdo? Entonces éste, tengo que demostrarlo. Tenemos esto. Yo sólo voy a copiarlo para que podamos ejecutarlo. ¿ De acuerdo? De acuerdo, Entonces esta es la salida, esta es la matriz. Digamos a. Queremos averiguar cuál es el en la posición cinco. Podemos indexar la posición Phi y luego hacemos clic y nos dirá que la posición cinco, tenemos el valor cinco. ¿De acuerdo? Entonces permítanme mostrarles cómo se determinan las
posiciones antes de que puedan llamar. De acuerdo, Entonces esta es la matriz, ¿verdad? Cuando dices que quieres comprobar la posición cinco, recuerda
siempre que cuando estás indexando, la primera 500 es posición es 0. Entonces paso de 0, 1, 2, 3, 4, 5. Y eso se ve a ambos pelear con el valor phi. Ahí es donde obtuvimos el resultado phi. Entonces va a revisar la matriz y averiguar cuál es una posición 5 y 10 lo desplazan. Por lo que contar desde nueve monedas porque o no es que negativo nueve y negativo cuatro. ¿ De acuerdo? Entonces estos, puedes probarlos en tu tipo,
vale, así que podemos decir de cinco a ocho en este caso me va a dar el valor está entre 58. En este caso, también, va a seleccionar los valores en el rango 58 para luego reemplazarlos con tos. Para que puedas hacer todo lo que quieras con la matriz. Para que veas que es chico mutante, puedes cambiar su contenido, es genuino. Y entonces éste, asignará todos los valores. Entonces solo selecciona todos los archivos, especifica lejos yo partiendo de ella, no hay área específica en ella. Seleccionará todo en la matriz y luego lo asignará a 64. Espero que hayas entendido y aprendido algo de esto en los próximos dos de clase, ahora mírelo para dañar ahora.
8. indexación y cortes de array de array 2D: Hola y bienvenidos a esta clase. Por lo que en la clase anterior hablamos de indexar y rebanar matrices unidimensionales. En esta clase exploraremos dos dimensiones. Y la idea es que tienes cuando sacaste ambas se pueden explorar 234
dimensiones, con lo que estés trabajando. De acuerdo, entonces esta es la matriz que creé. Por lo que podemos ver que tiene dos filas y tres columnas. Entonces lo que queremos hacer es ahora tratar de ver cómo funciona el índice en el trabajo aquí. ¿ Cómo hace la semana de rebanado aquí? De acuerdo, entonces lo que voy a hacer es que voy a decir 2 D array. Y voy a indexar la posición uno. ¿ Qué, qué crees que pasaría cuando hagamos esto? Entonces voy a ejecutar esta única entrada que confirmaríamos. Está bien. Por lo que se puede ver que es imprimir la fila, cierto. ¿ Por qué está imprimiendo el camino a, en el video anterior veríamos que puede sacudir bien, 01 y luego debería imprimirnos a través. Pero entonces ahora hay confusión. Hay dos filas, por lo que no puede contar a lo largo de ésta. Entonces lo que hace, conos tonifican por la fila, la columna baja por la columna. Por lo que tomará esta fila es 0, este rho es uno. Entonces si soy el índice, por qué necesito imprimirme, la fila era eso lo que corresponde al índice uno. ¿ De acuerdo? Una vez si quiero imprimir para eso, está esta posición en el índice uno. Entonces eso es lo que tengo que hacer es eso, ¿de acuerdo? He logrado llamar a la verdadera fila dos. Ahora quiero indexar solo o dentro de la fila true. Entonces éste ahora es normal a lo que hicimos en la dimensión única. Por lo que éste representará por ciento 0, 1, 2 ordenados. Y ahora giro si quiero imprimir para está en la posición 0 a lo largo del eje. Entonces aquí está guardando algunas notas. Primero eliges la fila que quieres usando la indexación ahí abajo, todas las columnas. Este es índice 0, este es índice uno. Entonces si quiero querer verdad, entonces es index1. Y entonces ahora puedo moverme a lo largo de la fila. Este es el índice 0, índice 1, índice true. Entonces si quiero cuatro, puedo decir fácilmente la posición 0. Entonces si voy a escribir este, si voy a correr éste, vamos a ver. Entonces vemos que nos dan cuatro. Entonces esto es sólo una confirmación. Entonces con éste está bien podemos hacer rebanadas. Pero entonces éste, si tuvieras que hacerlo de esta manera a partir del ejemplo anterior, No
es que vaya a ir y rebanar o
la, las filas que estarán antes del camino a la carretera tres en este caso, porque si es índice siempre es 11 menos el número de filas. Por lo que este es el índice epsilon en la fila tres. Y los dos despejan todo antes de las tres. Si tuviéramos que dibujar este. Entonces éste despejaría todo antes de la fila antes de las tres, ¿verdad? Esto es lo quinto que hace. Después de limpiar que entra en su papel y rebanar todo desde uno hasta el borde. De acuerdo, así que vamos a la cima aquí. Entonces esto es algo así como una organización oficial que puede ayudarte a entender lo que está pasando. De acuerdo, Entonces este es el primer índice cuando un drenaje con matrices bidimensionales. Entonces cuando decimos, cuando decimos 10, esto representaba la x es la x,
la y x es, la y x es, y entonces el eje x representaría la indexación a lo largo de la fila. Por lo que esto realmente puede ayudarte a visualizar lo que está pasando. Entonces si digo que 000 se metieron en la posición en esta, en la primera fila y en la quinta posición de esa fila. Si digo que 10 se establece una fila, pero en la primera posición en tetra, solo digo. En la siguiente clase estaremos hablando de cómo podemos dibujar indexación booleana. Nos vemos en clase.
9. indexación booleano: Bienvenido de nuevo. Entonces en esta clase sólo vamos a correr por la indexación booleana. Entonces cómo funciona este es que estamos tratando de
transmitir en matriz de cadenas a un área de números. Entonces tenemos a Sarah Blake quizá nombres en nuestro ejemplo. Entonces queremos echar un vistazo, Vale, en este array nims, ¿cuántos está bien Bob? O simplemente estamos pasando por esto. Está Bob aquí. Si se mantuvo cierto, si no es su culpa, si es si no es falsa si es verdad. Entonces como si fuera a correr este,
un bar MC a Bob, así que sólo está pasando por la matriz. Comprobando formas Bob, devuelve un booleano, verdadero o falso. De acuerdo, entonces después de eso, lo que queremos lograr es que también tengamos un delta de igual tamaño a éste, donde el archivo se corresponde con los nombres que tenemos aquí. Por lo que ahora se sumará al índice, los datos serían nombrados según Pope. Esperamos obtener los valores que corresponden al nombre Bob. De acuerdo, Entonces recuerda que estamos indexando, tal vez estamos especificando que queremos llegar a ocho, podemos dar esas posiciones específicas. Ahora uno recibe presuposiciones cuando Pope aparece en el RHS. Entonces este ya fue nombrado Bob con un RTOS o estamos indexando lo verdadero Eso nos debe dar las posiciones o los datos o
los archivos que corresponden a ambos en la matriz de datos. Entonces así es justamente como esta está funcionando. Para que puedas probarlo por tu cuenta y ver cómo va. Por lo que tenemos en Excel ejercicio en este punto. Y así fue a modificar el ejemplo del que acabo de hablar. Entonces lo que quiero que hagan es seleccionar las filas,
el nombre Pope, y pasar esto en matriz de datos de indexación. Y luego revisas lo que nuestros hijos, después de comprobar el tamaño. Quiero que repitas este mismo procedimiento, pero seleccionando el nombre es Bob y Joe al mismo tiempo. Entonces en esta ocasión no estás seleccionando solo bot, sino que también están seleccionando a Joe por encima de eso. Entonces, ¿cómo puedes hacer eso? Necesitas recordar a tus operadores, tus operadores booleanos, o ¿cómo terminas con t y 0? Para que eso te ayudara. De acuerdo, así que eso nos lleva al final de esta clase. En la siguiente clase hablaremos algunas estadísticas actuales de Vitamix vienen redes usando matrices NumPy.
10. Métodos estáticos en las formas de matadas: Hola y bienvenidos a esta clase donde estamos hablando de métodos matemáticos y estadísticos. En esta clase, solo voy a estar pasando por algunas de las operaciones estadísticas que puedes realizar usando NumPy. Por lo que despertamos con esta matriz. Lo generaremos usando la función aleatoria. De acuerdo, entonces queremos ver cómo podemos explorar. Por lo que generalmente haciendo un truco suficientes estadísticas, generalmente
queremos saber cuál es el medio como esta suma. ¿ De acuerdo? Pero empecemos por encontrar, digamos el medio. Por lo tanto, si desea encontrar el medio para asequible para los datos, puede ir fácilmente y escribir el nombre de la matriz. Puntos significan tantas funciones. Entonces no olvides este paréntesis. Y luego corres. Está bien, así que está diciendo que está bien, para ejecutar este, está bien, así que ahora debería despertar caso. Por lo que puedes ver ahora nos da la media para este dataset almacenado en la matriz. De acuerdo, ¿y si también quisieras encontrar la suma? Nosotros queremos sumar, ok, huawei, ¿qué? Podemos ir. Para algunos miembros, la función que necesitas los paréntesis, adquiriendo marcas. Entonces aquí va a encontrar esta suma. De acuerdo, entonces hay de nuevo este tema cuando estamos lidiando con estas operaciones. Cuando tenemos una matriz que no se ve dimensional. Entonces podemos especificar una onda viajante que queremos sumar, podamos especificar eso,
vale, entonces queremos sumar a través de X es por eso que queremos sumar a través de x es 0. Entonces lo hacemos especificando cuándo ejecutamos el código. Entonces podemos decir que queremos encontrar la forma principal que hacemos y encontrar un Min uno para encontrarlo a lo largo de la x. que puedas ver, incluso cuando estoy escribiendo, puedes ver todas las cosas que puedes modificar. Modificar las x, el tipo de datos fuera, mantener dimensiones. Por lo que todos estos puedes jugar alrededor de ellos. Entonces solo voy a especificar eje aquí y fui a encontrar a través de la x es uno. Por lo que restaurante y pruebas. De acuerdo, así que ahora viene, luego corre y nos da algún bien. Simplemente mira a través de las x y encuentra el medio. Y luego simplemente lo pone en forma de matriz. De acuerdo, entonces esto es solo algunos de los ejemplos de las operaciones estadísticas que puedes hacer con NumPy. Por lo que de nuevo, IV también explora cómo puedes encontrar la desviación estándar, la varianza, la media, acumulativa, producto
acumulativo o esto, también
puedes explorarlos. Por lo que en este punto, nuestros consejos les gusta realmente familiarizarse con la documentación NumPy. Por lo que hay formas de cómo implementar esto y de ayudar realmente si quieres una carrera en el análisis de datos. De acuerdo, entonces en el siguiente video estaremos hablando algún álgebra lineal y también fuera a transformar datos. De acuerdo, aún te veo en la siguiente clase.
11. Álgebra linear con arreglos con mates numeradas: Clase de bienvenida. Entonces, por último, quisiera hablar de álgebra lineal con NumPy. ¿ De acuerdo? Entonces este es el mismo ejemplo que vamos a citar. Escribí algún tiempo. Entonces solo lo voy a ejecutar como recuerdo solo. De acuerdo, Entonces entra y corre. De acuerdo, entonces lo que queremos lograr, así que acabo de crear algunos datos, x e y. entonces x e y, podemos hacer muchas cosas con él. Podemos realizar un producto de punto, x punto y si quieres realizar un producto de punto. Por lo que solo puedes ver que esta es la función que usas se encuentra en NumPy. Por lo que definitivamente necesitas np y luego enseñaste como la función que tomará x e
y y realizará el retrato holandés entre esos dos en orina y respuesta. Entonces ya ves, este es el punto-producto que obtuvimos cuando calculamos, cuando tomamos en x e y. bien, Así que aparte del nacimiento del giro total leído a través, por supuesto, necesitamos transformarnos de nuevo a transformaciones usando han sido usando NumPy. Pero para que puedas transformar o alterar o encontrar infestar, definitivamente
necesitas importar otra biblioteca u otro objeto dentro del NumPy. Entonces lo que podemos hacer es eso, vale, podemos entrar aquí e importar esto de NumPy. Entonces un ensueño va a NumPy. Entonces vamos a buscar esto. Y una vez que lo consigue cuando está en NP. De acuerdo, entonces, ¿qué estamos haciendo aquí? Ya importamos este, pero sólo queremos escuchar pies en una forma que estamos familiarizados con el sitio de acoplamiento. Entonces será más fácil para mí. Entonces va a encontrar un en fase para todo eso. Como podría preguntarme si AF en array, puedo obtener la interfaz. ¿ De acuerdo? Entonces cuando ejecutamos este, una vez que lo ejecutemos, así podemos crear otra celda aquí. ¿ Qué queremos dibujar? De acuerdo, vamos a crear algunos datos. Este, así que estoy creando algunos datos y restaurando Newton en RAX. Entonces una vez que tengamos los datos aquí, vale, para que puedas ejecutarlo. Este es el conjunto de datos, por lo que el FX. Entonces podemos, hay otra matriz aquí, comillas. Por lo que éste utiliza los productos top y también subyace
al, las transpone X Theta uno es una transposición, lleva un punto-producto. De acuerdo, así que esto va a despertar al condado. Yo creo un ADA, ejecuto este. Entonces tengo que llamarlo para que veamos el resultado. De acuerdo, Entonces esto es lo que obtenemos. Después de que hayamos hecho la transposición, realizaremos el punto-producto. Llegamos a esta parte. De acuerdo, Entonces esto es esta calórica y dos, para que también podamos hacer lo inverso. Se puede ir e invertir de éste. Entonces puedes ejecutarlo en Excel, obtener algunos resultados. Entonces así es como podemos explorar, explorar muchas otras cosas. Cuando se trata de matrices, puedes hacer muchas cosas. Usando álgebra lineal, puede transformar los datos. También puedes explorar esto. Que la documentación NumPy. Siento que eso es lo que me ayudó mucho. Cuando estaba haciendo.
12. Conclusión y descripción de proyectos: Hola clase. Este es el final de nuestro curso. Si tenemos alguna pregunta o inquietud, por favor siéntase libre de teclearlos en la discusión. Como cabría esperar, hay un proyecto interesante que tenemos que probar. Tus manos en. Opia está emocionada como yo. Entonces solo te voy a pasar por la descripción del proyecto en este video. Entonces para tu proyecto, tendrás que generar aleatoriamente un conjunto de datos de tu elección y llamarlo x Después de haber generado el dataset, quiero que sigas adelante y encuentres la forma y cinta de tu conjunto de datos. Después de esto, quiero que cambies tu x Ese es el conjunto de datos que has generado en dos dimensiones en una entidad. De acuerdo, después de todo esto, la parte más interesante será para que sepas en forma tabular siempre diversas operaciones estadísticas que hemos aprendido en este curso en puertas que hemos explorado en tu tiempo libre. También quisiera que pruebes explorando
estas operaciones estadísticas a lo largo de x especificadas. Por lo que puedes dibujar para x es igual a 1, x es igual a 0. Por lo que Duan debido a explorar diversas y condiciones que se
puede pasar por las operaciones estadísticas que tenemos prestamos. Por último, quisiera que lo regeneraran dos por tres array de datos fuera de los huevos que has generado y almacenado esto en su variable y En todos estos, quisiera que
recordaran los conceptos que has aprendido a lo largo de la curso para aplicar eligiendo la función de entrada correcta para usar en la que esperaría lograr la meta para el proyecto. Después de todo esto out1
to, para explicar cada una de las funciones u orbitales que se utilizan para que
sepamos que realmente entiendes lo que estamos haciendo. Y aerotransportado para recordar todo para los entregables se deben bajo el documento presentado con sus soluciones, esto puede ser un PDF o un documento Word. También quiero que entregues tu cuaderno llamado para que pueda ver cómo
hemos pasado por este proyecto desde el principio hasta el final.
Brian Tafadzwa Gomora, Enthusiast
