在这个问题中，我们将找到两个 NumPy 数组的交集。两个数组的交集是一个数组，其中包含两个原始数组中共同的元素。算法步骤1：导入 NumPy。步骤2：定义两个 NumPy 数组。步骤3：使用 numpy.intersect1d() 函数查找数组之间的交集。步骤4：打印相交元素的数组。示例代码import numpy as np array_1 = np.array([1,2,3,4,5]) print("数组 1：", array_1) array_2 = np.array([2,4,6,8,10]) print("数组 2：", array_2) intersection = np.intersect1d(array_1, array_2) print("两个数组之间的交集是：", intersection)输出数组 1： [1 2 3 4 5] 数组 2： [2 4 6 8 10] 两个数组之间的交集是： [2 4]

在这个问题中，我们必须将一个向量/数组添加到一个 NumPy 数组。我们将定义 NumPy 数组和向量，并将它们相加以获得结果数组。算法步骤1：定义一个 NumPy 数组。步骤2：定义一个向量。步骤3：创建一个与原始数组相同的数组。步骤4：将向量添加到原始数组的每一行。步骤5：打印结果数组。示例代码import numpy as np original_array = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9], [10, 11, 12]]) print("原始数组：", original_array) vector = np.array([1, 1, 0]) print("向量： ... 阅读更多

在这个问题中，我们将分别找到所有行和所有列的总和。我们将使用 sum() 函数来获得总和。算法步骤1：导入 NumPy。步骤2：创建一个 mxn 维的 NumPy 矩阵。步骤3：获得所有行的总和。步骤4：获得所有列的总和。示例代码import numpy as np a = np.matrix('10 20; 30 40') print("我们的矩阵：", a) sum_of_rows = np.sum(a, axis = 0) print("所有行的总和：", sum_of_rows) sum_of_cols = np.sum(a, axis = 1) print("所有列的总和：", sum_of_cols)输出我们的 ... 阅读更多

首先，我们将使用 mplPath.Path 方法创建一个多边形，并且要检查给定点是否在多边形内，我们将使用该方法，poly_path.contains_point。步骤创建点列表以构成多边形。使用 mplPath.Path() 创建一个具有给定顶点和代码的新路径。使用 contains_point() 方法检查点 (200, 100) 是否存在于多边形中。返回（封闭）路径是否包含给定点。=> True使用 contains_point() 方法检查点 (1200, 1000) 是否存在于多边形中。返回（封闭）路径是否包含给定点。=> False示例import matplotlib.path as mplPath import ... 阅读更多

在这个程序中，我们将使用 NumPy 库中的 sum() 函数添加 NumPy 矩阵的所有项。我们将首先创建一个随机的 NumPy 矩阵，然后我们将获得所有元素的总和。算法步骤1：导入 NumPy。步骤2：使用 random() 函数创建一个随机的 m×n 矩阵。步骤3：使用 sum() 函数获得矩阵中所有元素的总和。示例代码import numpy as np matrix = np.random.rand(3, 3) print("NumPy 矩阵是：", matrix) print("矩阵的总和是：", np.sum(matrix))输出NumPy 矩阵是： [[0.66411969 0.43672579 0.48448593] [0.76110384 ... 阅读更多

我们将首先创建一个 NumPy 矩阵，然后找出该矩阵的行数和列数。算法步骤1：创建一个随机数的 NumPy 矩阵。步骤2：使用 numpy.shape 函数查找矩阵的行和列。步骤3：打印行数和列数。示例代码import numpy as np matrix = np.random.rand(2,3) print(matrix) print("给定矩阵中行的总数和列的总数是：", matrix.shape)输出[[0.23226052 0.89690884 0.19813164] [0.85170808 0.97725669 0.72454096]] 给定矩阵中行的总数和列的总数是： (2, 3)

在这个程序中，我们将打印一个大小为 nxn 的单位矩阵，其中 n 将作为用户的输入。我们将使用 NumPy 库中的 identity() 函数，该函数接收元素的维度和数据类型作为参数。算法步骤1：导入 NumPy。步骤2：从用户处获取维度作为输入。步骤3：使用 numpy.identity() 函数打印单位矩阵。示例代码import numpy as np dimension = int(input("输入单位矩阵的维度：")) identity_matrix = np.identity(dimension, dtype="int") print(identity_matrix)输出输入单位矩阵的维度：5 [[1 0 0 0 0] [0 1 0 0 0] [0 0 1 0 0] [0 0 0 1 0] [0 0 0 0 1]]

我们必须在用户提供的范围内创建一个 NumPy 数组。我们将使用 NumPy 库中的 arange() 函数来获得输出。算法步骤1：导入 NumPy。步骤2：从用户处获取 start_value、end_value 和 Step。步骤3：使用 NumPy 中的 arange() 函数打印数组。示例代码import numpy as np start_val = int(input("输入起始值：")) end_val = int(input("输入结束值：")) Step_val = int(input("输入步长值：")) print(np.arange(start_val, end_val, Step_val))输出输入起始值：5 输入结束值：50 输入步长值：5 [ 5 10 15 20 25 30 35 40 45]

ROC - 接收者操作特征 (ROC) 曲线。使用 metrics.plot_roc_curve(clf, X_test, y_test) 方法，我们可以绘制 ROC 曲线。步骤生成一个随机的 n 类分类问题。这最初会在一个“n_informative”维超立方体的顶点周围创建正态分布（std=1）的点簇，其边长为“2*class_sep”，并将相等数量的簇分配给每个类。它在这些特征之间引入了相互依赖性，并向数据添加了各种类型的进一步噪声。使用 make_classification() 方法。使用 train_test_split() 方法将数组或矩阵拆分为随机列车。使用 fit() 方法根据给定的训练数据拟合 SVM 模型。使用 plot_roc_curve() 方法绘制接收者操作特征 (ROC) 曲线。要 ... 阅读更多

在这个程序中，我们必须打印该年的第一天。我们必须将年份作为用户输入。算法步骤1：导入 datetime 库。步骤2：从用户处获取年份作为输入。步骤3：通过将月份、日期和年份作为参数传递给 datetime.datetime() 函数来获取该年的第一天。步骤4：使用 strftime() 函数显示第一天。示例代码现场演示import datetime year = int(input("输入年份：")) firstday = datetime.datetime(year, 1,1) print(" ", year, " 的第一天 = ", firstday.strftime("%A"))输出 2021 的第一天 = 星期五