今回はMatplotlibで作成したグラフをPythonTeXに半自動的にLaTeXドキュメントに埋め込む方法を説明する。何故半自動なのかは察してください。 なおPythonTeXに関しては PythonTeXで遊ぶ - 何かを書き留める何か に拙い解説がある。なおMatplotlib自体の解説はありません。Google先生にお尋ねください。 とりあえず以下のファイルを作成する。名前はmatsample.texとする。 なお1から9までの整数をランダムに重複を許して10個選び、それを折れ線グラフでプロットするものである。 \documentclass[a4j]{jsarticle} \usepackage[T1]{fontenc} \usepackage[utf8]{inputenc} \usepackage{lmodern} \usepackage[dvipdfmx]{graphicx}

Flaskですがあんまり書かれてなさそうなので書いておきます。 Flaskはmitsuhiko先生が作ったmicroframeworkです。 Flaskが指すmicroは単純に小さいというわけではなく、他のライブラリをつなぎ、シンプルなAPIを 提供する小さなフレームワークのようなイメージです。 Flaskは werkzeug jinja2 に依存し、単体の機能はそれらに任せています. Flaskそれらをうまくつなぎ合わせ、シンプルなAPIをユーザに提供しています。 そのため、Flaskは1ファイルで構成されています。 （つなぎの部分なので小さい。APIのドキュメント込みで900行を切っている） 一応Flaskはmicroframeworkとしていますが、コアはwerkzeugです。 werkzeugは大規模サイトなどの実績もあり、大変便利なライブラリです。 Flask自体で提供されていな

Introduction Complete this tutorial to deploy a sample Python Django app to Heroku. The tutorial assumes that you have: A verified Heroku Account Python version 3.12 installed locally - see the installation guides for OS X, Windows, and Linux. An Eco dynos plan subscription (recommended) Using dynos and databases to complete this tutorial counts towards your usage. We recommend using our low-cost

統計学とは 昨日は先物取引を例に金融データをモデル化・シミュレーションする例を説明しました。 統計学はそもそも様々な応用分野で成熟してきたものです。その源流は主に次の 3 つに大別されます。 国の実態をとらえるための「統計」 大量の事象をとらえるための「統計」 確率的事象をとらえるための「統計」 19 世紀の半ばにアドルフ・ケトレーによって社会現象・自然現象いずれも数量的にとらえる「統計」として成立しました。「近代統計学の父」の功績からまだ 150 年前後しか経過していないというわけです。 今日はここで再び基本に立ち返り、様々な分野におけるキーワードを整理し、データ分析における基礎知識を固めて行きましょう。 統計的手法 人文・社会科学の分野ではアンケートなどの社会調査、自然科学の分野では実験によりデータが集められます。これらは変数として扱われます。 実験計画 どのようなデータを収集して変数

準備 データ処理用にnumpy、プロット用にpyplot、3次元なのでmpl_toolkits.mplot3dをインポートします。 from mpl_toolkits.mplot3d import Axes3D import matplotlib.pyplot as plt import numpy as np 描画するデータの作成 3次元で描画するにはメッシュ(2次元の網目)を作成するために2次元の配列を用意する必要があります。 まずarangeメソッドでx,yそれぞれを1次元領域で分割します。 x = np.arange(-3, 3, 0.25) y = np.arange(-3, 3, 0.25) 2次元メッシュを作成するにはmeshgridメソッドを利用します。この関数の戻り値はX,Yに対応する行列で、Xは行にxの配列を、Yは列にyの配列を入れたものになっています。 X, Y =

データのパターンマッチと並行分散処理が強いElixirと、Python／Kerasによる機械学習を組み合わせると、ビッグデータ分析の強力なフレームを作れる、という内容です