Operações Matemáticas Básicas
Agora que você está familiarizado com o conceito de broadcasting, vamos discutir algumas operações matemáticas básicas no NumPy.
Operações Escalares
Lembre-se, o broadcasting permite realizar operações matemáticas entre dois arrays de formatos compatíveis ou entre um array e um escalar.
1234567891011import numpy as np array = np.array([1, 2, 3, 4]) # Scalar addition result_add_scalar = array + 2 print(f'Scalar addition: {result_add_scalar}') # Scalar multiplication result_mul_scalar = array * 3 print(f'Scalar multiplication: {result_mul_scalar}') # Raising an array to a scalar power result_power_scalar = array ** 3 print(f'Scalar exponentiation: {result_power_scalar}')
Como pode ser observado, cada operação é realizada elemento a elemento no array. Essencialmente, um escalar é transmitido para um array com o mesmo formato do nosso array original, onde todos os elementos possuem o mesmo valor. Portanto, a operação é executada em cada par de elementos correspondentes dos dois arrays.
Operações Entre Dois Arrays
Se os formatos de dois arrays forem compatíveis, a transmissão é realizada se necessário e, novamente, a operação ocorre elemento a elemento:
123456789101112import numpy as np arr1 = np.array([1, 2, 3, 4]) arr2 = np.array([5, 6, 7, 8]) # Element-wise addition result_add = arr1 + arr2 print(f'Element-wise addition: {result_add}') # Element-wise multiplication result_mul = arr1 * arr2 print(f'Element-wise multiplication: {result_mul}') # Element-wise exponentiation (raising to power) result_power = arr1 ** arr2 print(f'Element-wise exponentiation: {result_power}')
Divisão, subtração e outras operações aritméticas funcionam de maneira semelhante. Aqui está outro exemplo onde o segundo (direito) array é transmitido:
123456789101112import numpy as np arr1 = np.array([[1, 2, 3], [4, 5, 6]]) arr2 = np.array([5, 6, 7]) # Element-wise addition result_add = arr1 + arr2 print(f'Element-wise addition: {result_add}') # Element-wise multiplication result_mul = arr1 * arr2 print(f'Element-wise multiplication: {result_mul}') # Element-wise exponentiation (raising to power) result_power = arr1 ** arr2 print(f'Element-wise exponentiation:\n{result_power}')
arr_2 é transmitido para um array 2D com duas linhas idênticas, cada uma contendo o array [5, 6, 7].
Aplicações
Essas operações matemáticas são essenciais para tarefas como escalonamento, normalização e transformação de dados em aprendizado de máquina e análise estatística. Elas possibilitam operações eficientes elemento a elemento para combinar conjuntos de dados, realizar simulações numéricas e aplicar filtros em processamento de imagem e sinal. Além disso, essas operações são amplamente utilizadas em computação científica e aplicações orientadas a dados.
Swipe to start coding
Você está analisando os dados de vendas trimestrais de dois produtos em 2021 e 2022, armazenados em dois arrays 2D:
sales_data_2021: vendas trimestrais de cada produto em 2021, com cada linha representando um produto específico;sales_data_2022: vendas trimestrais de cada produto em 2022, com cada linha representando um produto específico.
Calcule o crescimento da receita trimestral para cada produto em percentual.
Solução
Obrigado pelo seu feedback!
single
Pergunte à IA
Pergunte à IA
Pergunte o que quiser ou experimente uma das perguntas sugeridas para iniciar nosso bate-papo
Awesome!
Completion rate improved to 3.7Operações Matemáticas Básicas
Deslize para mostrar o menu
Agora que você está familiarizado com o conceito de broadcasting, vamos discutir algumas operações matemáticas básicas no NumPy.
Operações Escalares
Lembre-se, o broadcasting permite realizar operações matemáticas entre dois arrays de formatos compatíveis ou entre um array e um escalar.
1234567891011import numpy as np array = np.array([1, 2, 3, 4]) # Scalar addition result_add_scalar = array + 2 print(f'Scalar addition: {result_add_scalar}') # Scalar multiplication result_mul_scalar = array * 3 print(f'Scalar multiplication: {result_mul_scalar}') # Raising an array to a scalar power result_power_scalar = array ** 3 print(f'Scalar exponentiation: {result_power_scalar}')
Como pode ser observado, cada operação é realizada elemento a elemento no array. Essencialmente, um escalar é transmitido para um array com o mesmo formato do nosso array original, onde todos os elementos possuem o mesmo valor. Portanto, a operação é executada em cada par de elementos correspondentes dos dois arrays.
Operações Entre Dois Arrays
Se os formatos de dois arrays forem compatíveis, a transmissão é realizada se necessário e, novamente, a operação ocorre elemento a elemento:
123456789101112import numpy as np arr1 = np.array([1, 2, 3, 4]) arr2 = np.array([5, 6, 7, 8]) # Element-wise addition result_add = arr1 + arr2 print(f'Element-wise addition: {result_add}') # Element-wise multiplication result_mul = arr1 * arr2 print(f'Element-wise multiplication: {result_mul}') # Element-wise exponentiation (raising to power) result_power = arr1 ** arr2 print(f'Element-wise exponentiation: {result_power}')
Divisão, subtração e outras operações aritméticas funcionam de maneira semelhante. Aqui está outro exemplo onde o segundo (direito) array é transmitido:
123456789101112import numpy as np arr1 = np.array([[1, 2, 3], [4, 5, 6]]) arr2 = np.array([5, 6, 7]) # Element-wise addition result_add = arr1 + arr2 print(f'Element-wise addition: {result_add}') # Element-wise multiplication result_mul = arr1 * arr2 print(f'Element-wise multiplication: {result_mul}') # Element-wise exponentiation (raising to power) result_power = arr1 ** arr2 print(f'Element-wise exponentiation:\n{result_power}')
arr_2 é transmitido para um array 2D com duas linhas idênticas, cada uma contendo o array [5, 6, 7].
Aplicações
Essas operações matemáticas são essenciais para tarefas como escalonamento, normalização e transformação de dados em aprendizado de máquina e análise estatística. Elas possibilitam operações eficientes elemento a elemento para combinar conjuntos de dados, realizar simulações numéricas e aplicar filtros em processamento de imagem e sinal. Além disso, essas operações são amplamente utilizadas em computação científica e aplicações orientadas a dados.
Swipe to start coding
Você está analisando os dados de vendas trimestrais de dois produtos em 2021 e 2022, armazenados em dois arrays 2D:
sales_data_2021: vendas trimestrais de cada produto em 2021, com cada linha representando um produto específico;sales_data_2022: vendas trimestrais de cada produto em 2022, com cada linha representando um produto específico.
Calcule o crescimento da receita trimestral para cada produto em percentual.
Solução
Mude para o desktop para praticar no mundo realContinue de onde você está usando uma das opções abaixoObrigado pelo seu feedback!
single
