Web Login Service
› This page is for LHD/NIFS collaborators only. › Input your email address used for LHD/NIFS collaboration into the "Login Name" field. Before using this authentication system, please set your password via a web page. › More info and help. National Institute for Fusion Science, National Institutes of Natural Sciences
Pythonによる数値計算 | mono's Tech Blog
Python ～入門編～の続き． 実際にPythonを使って数値計算をしてみる・ ライブラリのインストール 今回インストールするのは以下の3つ． NumPy 大規模な多次元配列や行列のサポート、これらを操作するための大規模な高水準の数学関数ライブラリを提供．MATLABと書き方が似ているため，その代替物として使われたりもする． SciPy 数学、科学、工学のための数値解析ソフトウェア． NumPy を基礎にしていて，統計、最適化、積分、線形代数、フーリエ変換、信号・イメージ処理、遺伝的アルゴリズム、ODE (常微分方程式) solver、特別な関数、その他のモジュールを提供する． Matplotlib NumPyの拡張で，グラフとプロットするためのライブラリ． NumPyとSciPyはここから，Matplotlibはここ(downloadリンクは右に地味にあって見にくい)からダウンロードで
numpyを使って主成分分析 - Pashango’s Blog
古いソースが出てきたので、とりあえずメモ #coding:utf-8 import numpy #主成分分析関数 def PCA(P): m = sum(P) / float(len(P)) P_m = P - m l,v = numpy.linalg.eig( numpy.dot(P_m.T,P_m) ) return v.T #分析する標本集合 points = numpy.array([ [-1,-2, 1], [ 1, 0, 2], [ 2,-1, 3], [ 2,-1, 2]]) pca = PCA(points) print pca #[[第1主成分],[第2主成分],[第3主成分]...] #[[-0.83339667 -0.33030475 -0.44311259] # [-0.4891064 0.06746508 0.86961106] # [ 0.25734204 -0
pythonで多次元配列を扱う - たこ焼き食べた.net
pythonで配列を扱うライブラリとして有名なのはnumpyというものです。 Python はインタプリタ言語であり、数学のアルゴリズムはC言語などのコンパイル言語やJavaなどと比べて低速に動作する場合が多い。NumPy はこうした問題を、多次元配列と、配列を操作する多数の関数や演算子を提供することでこの問題を解こうとしている。これにより、配列や行列の操作として記述できるアルゴリズムは、等価な C のコードとほぼ同等の速度で動作する。 NumPy - Wikipedia とあるように、非常に高速にかつ簡単に行列計算を行なうことができます。 matplotlibは、numpyの行列を処理してグラフの作成をしています。 また、データ処理にも活躍してくれることでしょう。 というわけで、自分がよく使う関数等をまとめておきます。 参考資料 参考になる、参考にしたWebサイトのリストを挙げておきます
ぐうたらの部屋
配列を操作する from numpy import * # 配列の作成 a = array([1,2,3]) b = array((10,11,12) # 配列の加算 結果:array([11,13,15]) a + b # 配列のデータ型を確認 結果:dtype('<i4') a.dtype # 配列の割り算 結果:array([0,0,1]) a/3 # データ型を指定して、配列の作成 a = array([1,2,3], dtype=float) # 配列版range関数 ,arangeを使用して、配列作成 data = array([0.5, 1.2, 2.2, 3.4, 3.5, 3.4, 3.4, 3.4], float) t = arange(len(data), dtype='float') * 2*pi/(len(data)-1) # すべての配列を出力する。 t[:]
数式をnumpyに落としこむコツ
Tokyo.SciPy #2 にて発表した、数式(あるいは数式入りのアルゴリズム)から実装に落とす場合、何に気をつけるのか、どう考えればいいのか、というお話。 対象は、どうやって数式をプログラムすればいいかよくわからない人、ちょっとややこしい数式になると四苦八苦してしまい、コードに落とすのにすごく時間がかかってしまう人、など。 ここでは実行速度についてはひとまずおいといて、簡潔で間違いにくい、ちゃんと動くコードを書くことを目標にしています。
高速数値計算ライブラリ「Numpy」覚書き - Pashango’s Blog
Pythonで一番有名で普及しているライブラリと言っても過言ではない「Numpy」の覚書きです。かなり多機能な数値計算ライブラリで、内部はC言語で記述されているため超高速に動作します。 ベクトル ベクトルの長さ＆正規化 import numpy a = numpy.array([[2,2]]) #ベクトルの長さ length = numpy.linalg.norm(a) #length=>2.8284271247461903 #ベクトルの正規化 a / numpy.linalg.norm(a) #=>array([[ 0.70710678, 0.70710678]]) 内積＆外積 import numpy v1 = numpy.array((1,0,0)) v2 = numpy.array((0,1,0)) #内積 numpy.dot(v1,v2) #=> 0 #外積 numpy.cros
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
http://kyoko.lab.tkikuchi.net/edu/ip2010/scipy