写在前面
关于数据科学环境的建立,可以参考我的博客:
【深耕 Python】Data Science with Python 数据科学(1)环境搭建
往期数据科学博文:
【深耕 Python】Data Science with Python 数据科学(2)jupyter-lab和numpy数组
Jupyter代码片段1:欧拉常数e
import math, numpy as np
print(math.e)
print(np.e)
math.e == np.e
输出结果:
Jupyter代码片段2:圆周率Π和τ
print(np.pi)
print(math.tau)
math.tau == 2 * np.pi
输出结果:
Jupyter代码片段3:三角函数和对数运算
print(np.cos(math.tau))
print(np.sin(math.tau))
print(np.log(np.e))
print(np.log10(np.e))
输出结果:
Jupyter代码片段4:作用于数组上的Numpy函数
print(np.arange(5))
angles = math.tau * np.arange(5) / 4
print(angles)
a = np.cos(angles)
a
输出结果:
Jupyter代码片段5:使用isclose()函数抵消浮点误差
print(np.isclose(0.01, 0))
print(np.isclose(10 ** (-16), 0))
print(np.isclose(a, 0))
a[np.isclose(a, 0)] = 0
a
输出结果:
Jupyter代码片段6:使用linspace()函数进行区间划分
angles = np.linspace(0, math.tau, 5)
print(angles)
a = np.cos(angles)
a[np.isclose(a, 0)] = 0
print(a)
angles = np.linspace(0, math.tau, 100)
print(angles)
print(np.cos(angles))
输出结果(剩余的值省略):
参考文献 Reference
《Learn Enough Python to be Dangerous——Software Development, Flask Web Apps, and Beginning Data Science with Python》, Michael Hartl, Boston, Pearson, 2023.