NumPy + Pandas + matplotlibでデータプロッティングしてみる - WonderPlanet DEVELOPER BLOG
今回のエンジニアブログを担当する藤岡です。 D3.js等のデータ可視化ライブラリは沢山存在していますが、 このエントリでは、「NumPy + Pandas + matplotlib」でデータプロッティングを行います。 所謂データ分析ツールのフロントエンド側の処理を3つのライブラリで実装してみようかと思います。 「データ分析Python」と呼ばれるものですね。 NumPyとは？ NumPyは数値計算を効率的に行うためのPythonの拡張モジュールです。 多次元配列の扱いを簡単にしてくれたり、大規模な高水準の数学関数ライブラリを提供してくれます。 公式サイト: http://www.numpy.org/ Pandasとは？ Pythonのデータ分析ライブラリで、Rライクな機能を提供してくれるモジュールです。 データ操作の為のDataFrameオブジェクトや、データセットの整形、柔軟な変形機能を
Numpy.hpp - .npyファイルを手軽に扱うためのヘッダライブラリ
Introduction ご存知の通り，C++は画像処理などの大規模計算に適した言語であり，Pythonはこれらの結果を簡単にscipyやmatplotlibを使って可視化できます．そのため，多くの研究者はコアの計算をC++で行う一方で，データ整理や実験結果の可視化にはPythonを用いるアプローチが一般的でした． その際に重要となってくるのは，Numpy標準のファイル形式である.npyファイルを読み書きするための，C++ライブラリの存在です．これまでにもlibnpyなどに代表されるいくつかのライブラリが存在していましたが，予めコンパイルする必要があるため気軽に使えない，またMSVCなどの環境で使用できないなどのいくつかの欠点がありました． Numpy.hppはこれらの問題を解決するために作られたライブラリです．Numpy.hppの特徴は次の2つです． Header-only: Numpy
Pythonで数値計算のコツ：for文書いたら負けかなと思っている – はむかず！
転職してから1年とちょっとが経ち、Pythonをメイン言語としてからも同じくらいが経った。最近やっとnumpy/scipyの使い方のコツがわかってきたと思うので、マサカリ飛んでくるのを覚悟でなんか書いてみようと思う。 転職して初めてPythonを使ったというわけではない（実際wafのwscriptとかは書いたことある）が、まあでもほぼ初心者同然だった。学習曲線でいうとPythonはすごく良い言語だと思う。Python本体の言語仕様については、わりとすぐに覚えることができた。だが一方、numpy/scipyについては、そう簡単ではなく習得するにはそれなりに時間がかかったと思う。 ケーススタディ たとえば\(N\times M\)行列\(B\), \( M\times L \)行列\( C \), \( M \)次元ベクトル\(a=(a_k)_{1\leq k \leq M}\)が与えられて
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
NumPyで2元1次方程式の解を求める - 偏った言語信者の垂れ流し
NumPyの行列計算って強力なんすね。いろいろ試してみてる。 3x + 2y = 14 x + y = 6こういう2元1次方程式の解を求める場合。 NumPyだとnumpy.linalg.solveで逆行列の積を求められるので係数のarrayを作って使えばいいらしい。 >>> A = numpy.array([[3, 2], [1, 1]]) >>> P = numpy.array([14, 6]) >>> X = numpy.linalg.solve(A, P) >>> X.astype(int) array([2, 4]) x = 2, y = 4となる。 これは便利だなー。 参考 numpy.linalg.solve — NumPy v1.11 Manual numpy.linalg.invとnumpy.linalg.solveを用いた逆行列計算 - 睡眠不足？！ 高速数値計算ライブ
numpy.linalg.invとnumpy.linalg.solveを用いた逆行列計算 - シリコンの谷のゾンビ
(Tokyo.SciPyに毎度お邪魔させて頂いているのにも関わらず今まで全くNumPyとかSciPyとか使っていなかったのだけれど) 最近ようやくNumPyやSciPyを(ほんの)少しずつ使うようになってきた．機械学習関連に限らず必ずと言っていいほどお世話になる逆行列計算． そういえば逆行列と何かの積を取る場合，numpy.linalg.inv()じゃなくてnumpy.linalg.solve()の方が速いよ，ということをどこかで聞いていた気がするので「単位行列との積を取れば逆行列単体の計算も速くなるんじゃね?」ということをお思いついて速度差を比較してみた． というわけで以下の4つのケースの速度を比較 Aの逆行列を計算 (numpy.linalg.inv) Aの逆行列を計算 (numpy.linalg.solve) Aの逆行列を計算 (numpy.linalg.inv) し，bの積を計算
1.4. NumPy：数値データの作成と操作 — Scipy lecture notes
配列：科学技術計算の基本的な道具 並んだ離散的なデータ の頻繁な操作： 実験やシミュレーションでの離散化された時間 測定機器に記録された信号 画像のピクセル Numpy モジュールは以下を可能にします. 上のようなデータの集まりの作成を1度ですませる データ配列のバッチ処理を実現（要素に対するループは不要） データ配列 := numpy.ndarray >>> import numpy as np >>> a = np.array([0, 1, 2]) >>> a array([0, 1, 2]) >>> print a [0 1 2] >>> b = np.array([[0., 1.], [2., 3.]]) >>> b array([[ 0., 1.], [ 2., 3.]])
NumPy — NumPy
NumPy is the fundamental package for scientific computing with Python. It contains among other things: a powerful N-dimensional array object sophisticated (broadcasting) functions tools for integrating C/C++ and Fortran code useful linear algebra, Fourier transform, and random number capabilities Besides its obvious scientific uses, NumPy can also be used as an efficient multi-dimensional containe
Scipy,Numpy,matplotlibの初心者向けリソースのメモ - cslabの日記
ちなみに、ScipyはNumpyに依存していて、NumpyはN次元配列を効率的にあつかえる機能が実装されている、らしい。 Scipyのとっかかりとしては、「科学技術計算のために Python を始めよう」のリソースがOK http://www.ike-dyn.ritsumei.ac.jp/~uchida/scipy-lecture-notes/index.html roscipy 2010 のチュートリアルからの講義和訳らしい。 scipyのTutorialも必須だろう。 http://docs.scipy.org/doc/scipy/reference/tutorial/index.html scipyで各種ファイルを読み込む http://docs.scipy.org/doc/scipy/reference/tutorial/io.html matlabのmatファイル、wekaのar
「数式を numpy に落とし込むコツ」を HMM に当てはめてみる - 木曜不足
数式をnumpyに落としこむコツ View more presentations from Shuyo Nakatani という発表を Tokyo.SciPy #2 でさせてもらったのだが、発表＆資料作成の時間の関係で、実際に数式を解釈する例を2つしか入れられなかったのが残念なところ。 今、社内 PRML 読書会で 13章の隠れマルコフをやっつけていて、その Baum-Welch の更新式がちょうどいい題材になっていることに気付いたので、ここで取り上げてみる。 (PRML 式 13.36) 結構複雑な印象のある数式だが、こいつも資料の流れに従えば簡単に実装できてしまうことを見ていこう。 数式を読み解く 数式を書き換える numpy に「逐語訳」する というわけでまず「読み解き」だが、これが一番重要なステップ。 特に今回の式の場合は , , の正体をちゃんと見極めておかないといけない。 「正
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。 Read less
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
Amazon.co.jp: Pythonによるデータ分析入門 ―NumPy、pandasを使ったデータ処理: Wes McKinney (著), 小林儀匡 (翻訳), 鈴木宏尚 (翻訳), 瀬戸山雅人 (翻訳), 滝口開資 (翻訳), 野上大介 (翻訳): 本
PyData founded by NumFOCUS - Numpy Foundation for Open Code for Usable Science