NumPy
ภาควิชาวิศวกรรมคอมพิวเตอร์
จุฬาลงกรณ์มหาวิทยาลัย
๒๕๖๒
จุฬาลงกรณ์มหาวิทยาลัย
๒๕๖๒
NumPy
ชุดคำสั่งเพื่อการประมวลผลในงานทางวิทยาศาสตร์
เขียนง่าย สั้น และทำงานเร็วมาก
https://www.numpy.org/
ไม่ได้มากับ Python ต้องติดตั้งเพิ่ม
C:\>pip install numpy
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
2
การเก็บข้อมูล: NumPy Array
Array: คือการเก็บข้อมูลเป็นแถวลำดับเรียงกันไป
คล้ายลิสต์ แต่มีข้อแตกต่าง เช่น
–
ทุกช่องในอาเรย์เก็บข้อมูลเดียวกันหมด (มักเก็บจำนวน)
–
เก็บข้อมูลได้หลายมิติ
• 1 มิติ
: vector
[1, 2, 3, 4]
• 2 มิติ
: matrix
1
0
0
1
• n มิติ
: tensor
1
0
0
1
,
1
2
3
4
–
ใช้ tuple เป็น index เพื่อใช้ข้อมูลในอาเรย์
เช่น
a
เป็นอาเรย์ 2 มิติ
เขียน
a[(1,2)]
หรือจะเขียน
a[1,2]
ก็ได้
– มี operators และ methods ให้ใช้งานมากมาย
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
3
List vs. NumPy Array: ระยะทางทุกคู่จุด
def all_pair_distances(points):
# points
เป็น nested list เช่น
[[0,0],[0,3],[4,0]]
n = len(points) D = [[0.0]*n for i in range(n)] for i in range(n):
for j in range(i+1, n):
dx = points[i][0] - point[j][0] dy = points[i][1] - point[j][1] D[i][j] = D[j][i] = (dx**2 + dy**2)**0.5
return D
def all_pair_distances(points):
# points
เป็น NumPy array
n = len(points) X = points[:, 0] Y = points[:, 1] dX = X - X.reshape(n,1) dY = Y - Y.reshape(n,1) D = (dX**2 + dY**2)**0.5 return D
List
NumPy Array
การทดลอง n = 2000
List:
5.44 s.
NumPy: 0.337 s.
เข้าใจง่ายกว่า &
ทำงานเร็วกว่ามาก
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
4
NumPy Array ใน 2110101 (นิดเดียว)
การสร้างอาเรย์แบบต่าง ๆ
indexing
element-wise operations
broadcasting
ฟังก์ชันที่น่าสนใจ
(sum, min, max, argmin, argmax, mean, std, dot)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
5
การสร้างอาเรย์
import numpy as np
a = np.array([1,2,3,4]) # b = np.array([[1,2],[3,4]],float) # c = np.ndarray( (2,3) ) # d = np.ndarray( (2,3), int) e = np.zeros( (2,3), int) # f = np.ones( (2,3), int) # g = np.zeros_like (f, float) # h = np.ones_like( e, float) # I = np.identity( 4, int) # x = np.arange(0.0, 1.0, 0.1) #
สร้างจากลิสต์
สร้างจากลิสต์
สร้างตามขนาด ค่าไม่รู้
สร้างตามขนาด ค่า 0 หมด
สร้างตามขนาด ค่า 1 หมด
ขนาดเหมือน f ค่า 0 หมด
ขนาดเหมือน e ค่า 1 หมด
identity matrix ขนาด 4x4
[0.0, 0.1, 0.2, ..., 0.9]
int ก็ได้, float ก็ได้ (range ได้แค่ int)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
6
array.shape
array.shape คืน tuple บอกรายละเอียดของมิติ
–
a = np.ones( (3, 4) )
จะได้
a.shape
เป็น
(3, 4)
•
a.shape[0]
คือ
3
เป็นจำนวนแถว
•
a.shape[1]
คือ
4
เป็นจำนวนคอลัมน์
•
len( array.shape )
เป็นขนาดของมิติ
–
a = np.ones( (3, 4) )
จะได้
len( a.shape )
เป็น
2
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
7
array.reshape( newshape )
นำข้อมูลใน array มาจัดรูปแบบให้ตรงตาม shape
a = np.arange(8) # [0 1 2 3 4 5 6 7] b = a.reshape((2,4)) # [[0 1 2 3],
[4 5 6 7]]
c = b.reshape((4,2)) # [[0 1],
[2 3], [4 5], [6 7]]
d = c.reshape(8) # [0 1 2 3 4 5 6 7] d = c.reshape((2,3)) #
ทำไม่ได้
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
8
array.T
a.T คือ transpose ของอาเรย์ a
a มี 1 มิติ, a.T เหมือน a
a มี 2 มิติ, a.T คือ transpose ของเมทริกซ์ a
a = np.arange(8) print(a) print(a.T) b = a.reshape((2,4)) print(b) print(b.T) c = a.reshape((1,8)) print(c) print(c.T)
[0 1 2 3 4 5 6 7] [0 1 2 3 4 5 6 7] [[0 1 2 3] [4 5 6 7]] [[0 4] [1 5] [2 6] [3 7]] [[0 1 2 3 4 5 6 7]]
[[0] [1] [2] [3] [4] [5] [6] [7]]
ข้อสังเกต:
a
ไม่เหมือน
c
(shape ไม่เหมือน)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
9
Indexing
ใช้ tuple ระบุตำแหน่งในอาเรย์
import numpy as np
def count_ones( A ):
c = 0
for i in range( A.shape[0] ):
for j in range( A.shape[1] ):
if A[i,j] == 1:
c += 1
return c
เขียน
A[i, j]
เหมือนกับ
A[(i, j)]
เดี๋ยวจะรู้ว่าการนับจำนวน 1 ใน
A
เขียน
np.sum(A==1)
ก็พอ
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
10
Slicing: start : stop : step
รูปแบบ: A[ เลือกแถว , เลือกคอลัมน์ ]
ระวัง: A[ เลือกแถว ][ ตรงนี้ไม่ใช่เลือกคอลัมน์ ]
a = [[1,2,3],[4,5,6],[7,8,9],[10,11,12]] print( a[::2] ) # [[1,2,3], [7,8,9]] print( a[::2][::2] ) # [[1,2,3]] A = np.array(a) print( A[::2] )
# [[1 2 3] # [7 8 9]]
print( A[::2][::2] ) # [[1 2 3]] print( A[::2, ::2] ) # [[1 3]
เลือกแถวคู่ คอลัมน์คู่
#
[7 9]]
print( A[::-1, ::-1] ) # [[12 11 10]
[ 9 8 7] [ 6 5 4] [ 3 2 1]]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
11
Fancy Indexing
# a = [0,10,20,30,40,50,60,70,80,90] a = np.arange(0, 100, 10) b = a[0::2] # b = [0 20 40 60 80] c = a[ [8,1,9,0] ] # c = [80 10 90 0] d = c[ [True,False,False,True] ] # d=[80 0]
A = np.array([[1,2,3],[4,5,6],[7,8,9],[0,1,0]]) B = A[ [1,3,2], [2,0,1] ] # # A[1,2], A[3,0], A[2,1] B = [6 0 8]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
12
แบบฝึกหัด
เติมคำสั่งในช่องว่างให้ครบ แล้วกด Run
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
13
การนำค่าสเกล่าร์ใส่ในอาเรย์
ใส่ค่าสเกล่าร์ให้กับทุกช่องทางซ้ายของ =
A = np.zeros(8) A[2:5] = 9
[0 0 9 9 9 0 0 0]
A = np.ndarray((4,4), int) A[:, :] = 9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
9
นำ 9 ใส่ทุกแถว, ทุกคอลัมน์
B = np.zeros((4,4), int) B[:, 0::2] = 1 B[1::2, :] = 2
1
0
1
0
2
2
2
2
1
0
1
0
2
2
2
2
ใส่ 1 ในคอลัมน์คู่ของทุกแถว
ใส่ 2 ในแถวคี่ของทุกคอลัมน์
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
14
การคำนวณแต่ละค่าในอาเรย์กับค่าสเกล่าร์
คำนวณให้ตัวต่อตัว และคืนผลเป็นอาเรย์
a = np.array( [1, 2, 3, 4, 5] ) b = a + 1 c = a**2 + 1 d = a/2
# [2 3 4 5 6] # [2 5 10 17 26] # [0.5 1.0 1.5 2.0 2.5]
กด Run เพื่อดูผลของการคูณทั้งอาเรย์ด้วยค่าเดียว
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
15
หลายฟังก์ชันที่มีใน math มีใน numpy ด้วย
a = np.array( [10, 100, 1000, 10000] ) b = np.log10(a) # [1., 2., 3., 4.]
c = np.array( [np.pi, 2*np.pi, 3*np.pi] ) d = np.sin(c/2) # [ 1.0000000e+00, 1.2246468e-16, -1.0000000e+00]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
16
การเปรียบเทียบค่าในอาเรย์กับสเกล่าร์
เปรียบเทียบให้ตัวต่อตัว และคืนผลเป็นอาเรย์ True/False
a = np.array( [1, 2, 3, 4] ) b = a > 3 c = a%2 == 1
#
ได้
[False False
False
True]
#
ได้
[True False True False]
ต้องการนับจำนวนเลขคี่ในอาเรย์ a
def count_odds( a ):
return sum( a%2 == 1 )
def get_odds( a ):
return a[ a%2 == 1 ]
#
เลือกเฉพาะช่องที่
True
def get_odd_positions( a ):
pos = np.arange(a.shape[0])
return pos[ a%2 == 1 ]
ใน Python
True
มีค่า 1
False
มีค่า 0
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
17
แบบฝึกหัด
def toCelsius( f ):
# f = [ temperature in Fahrenheit, ...]
def BMI( wh ):
# [[w1,h1], [w2,h2], ...]
def distanceTo( P, p )
# distance from p to all points in P
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
18
แบบฝึกหัด: Logistic Regression
สูตรทำนายโอกาส
p
(
x
)
ที่นักเรียน
x
เรียนผ่านวิชาหนึ่ง
จากจำนวนโจทย์ที่ทำ
(
x
0
)
กับเกรดเฉลี่ยที่มี
(
x
1
)
p(x) =
1
1 + e
−logit(x)
logit(x) = −3.98 + 0.1x0 + 0.5x1
จงเขียนโปรแกรมอ่านจำนวนโจทย์และเกรดเฉลี่ยของ
นักเรียนกลุ่มหนึ่ง เพื่อคำนวณผลการทำนาย
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
19
Element-Wise Operations
x = [1,2,3] y = [4,5,6] z = x + y # concatenation
→
[1,2,3,4,5,6]
u = np.array([1,2,3]) v = np.array([4,5,6]) w = u + v # element-wise addition
# [1+4 2+5 3+6] = [5 7 9]
A = np.array([[1,2,3], [4,5,6], [7,8,9]]) I = np.identity(A.shape[0],int) B = I*A # element-wise multiplication
1
2
3
4
5
6
7
8
9
*
1
0
0
0
1
0
0
0
1
=
1
0
0
0
5
0
0
0
9
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
20
Element-Wise Logical Operators
[ True, True, False, False ]
and
[ False, True, True, False ]
[ True, True, False, False ]
or
[ False, True, True, False ]
not
[ False, True, True, False ]
[ True True
False False ]
&
[ False True True
False ]
[ True True
False False ]
|
[ False True True
False ]
~
[ False True True
False ]
ต้องใช้เครื่องหมาย &, |, ~ สำหรับการทำ and, or, not แบบตัวต่อตัว
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
21
Element-Wise Logical Operators
a = np.array( [9, 3, 0, 2, 6] ) b = a[ a < 5 ] b = a[ [False, True, True, True, False] ]
#[ 3, 0, 2 ]
b = a[ 2 < a < 5 ] # b = a[ 2 < a and a < 5 ] # b = a[ 2 < a & a < 5 ] # b = a[(2 < a) & (a < 5)] # Ok
ผิด
ผิด
ผิด
#a[[T,T,F,F,T] & [F,T,T,T,F]] #a[ [F,T,F,F,F] ] # [3]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
22
ตัวอย่าง : Matrix Translation
x y
[[-7 2]
[-5 7] [-1 0]]
[[ 0 -1]
[ 2 4] [ 6 -3]]
ต้องการย้ายทุกจุดไปทางขวา 7, ลงล่าง 3 คือบวกทุดจุดด้วย [7, -3]
M1 = np.array([ [-7,2],[-5,7],[-1,0] ]) T = np.array(
[ [7,-3],[7,-3],[7,-3] ]
)
M2 = M1 + T
[[-7 2]
[-5 7] [-1 0]]
+
[[7 -3]
[7 -3] [7 -3]]
ได้
[[ 0 -1]
[ 2 4] [ 6 -3]]
มีวิธีง่ายกว่านี้ โปรดติดตาม...
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
23
แบบฝึกหัด
def sum_2_rows( M ):
def sum_left_right( M ):
def sum_upper_lower( M ):
def sum_4_quadrants( M ):
def sum_4_cells( M ):
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
24
Broadcasting
•
เมื่อนำอาเรย์ 2 ตัวมาคำนวณแบบ element-wise
แต่อาเรย์ทั้งสองมีขนาดไม่เท่ากัน
•
ระบบจะ broadcast อาเรย์ตัวเล็ก (หรืออาจทำทั้ง
สองตัว) ให้มีขนาดเท่ากันก่อนทำงาน
•
แต่บางครั้งก็ broadcast ไม่ได้
2
3
+
1
2
3
4
5
6
2
3
2
3
2
3
+
1
2
3
4
5
6
2
3
4
+
1
2
3
4
5
6
2
3
4
+
1
2
3
4
5
6
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
25
ตัวอย่าง: Matrix Translation
x y
[[-7 2]
[-5 7] [-1 0]]
[[ 0 -1]
[ 2 4] [ 6 -3]]
ต้องการย้ายทุกจุดไปทางขวา 7, ลงล่าง 3 คือบวกทุดจุดด้วย [7, -3]
M1 = np.array([ [-7,2],[-5,7],[-1,0] ]) T = np.array([ [7,-3],[7,-3],[7,-3] ]) M2 = M1 + T
M1
กับ
T
มีขนาดเท่ากัน
M2 = M1 + np.array( [7, -3] )
เขียนแค่นี้ก็พอ
[[-7 2]
[-5 7] +
[7, -3]
[-1 0]]
[[-7 2]
[-5 7] [-1 0]]
+
[[7 -3]
[7 -3] [7 -3]]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
26
ตัวอย่าง: broadcast ตัวเล็กให้เท่าตัวใหญ่
x = np.array([[1,2],[3,4],[5,6]]) u = np.array([2]) + x
2
+ 1
2
+ 2
2
+ 3
2
+ 4
2
+ 5
2
+ 6
(1)
(3, 2)
(3, 2) (3, 2)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
28
ตัวอย่าง: broadcast ตัวเล็กให้เท่าตัวใหญ่
x = np.array([[1,2],[3,4],[5,6]]) w = np.array([10 20]) + x
10
+ 1
20
+ 2
10
+ 3
20
+ 4
10
+ 5
20
+ 6
(2)
(3, 2)
(3, 2) (3, 2)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
29
ตัวอย่าง: broadcast ตัวเล็กให้เท่าตัวใหญ่
x = np.array([[1,2],[3,4],[5,6]]) v = np.array([[10],[20],[30]]) + x
10
+ 1
10
+ 2
20
+ 3
20
+ 4
30
+ 5
30
+ 6
(3, 1) (3, 2)
(3, 2) (3, 2)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
30
ตัวอย่าง: broadcast ทั้ง 2 ตัว
1
2
3
+
4
5
(3, 1) (2)
1
1
2
2
3
3
+
4
5
(3, 2)
(2)
1
1
2
2
3
3
+
4
5
4
5
4
5
(3, 2) (3, 2)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
32
แบบฝึกหัด: Outer Product
จงเขียนโปรแกรมสร้างอาเรย์ที่เก็บสูตรคูณแม่ 1 ถึง 12 ข้างล่างนี้
ด้วยคำสั่ง NumPy โดยไม่ต้องใช้วงวน
[[ 1 2 3 4 5 6 7 8 9 10 11 12]
[ 2 4 6 8 10 12 14 16 18 20 22 24] [ 3 6 9 12 15 18 21 24 27 30 33 36] [ 4 8 12 16 20 24 28 32 36 40 44 48] [ 5 10 15 20 25 30 35 40 45 50 55 60] [ 6 12 18 24 30 36 42 48 54 60 66 72] [ 7 14 21 28 35 42 49 56 63 70 77 84] [ 8 16 24 32 40 48 56 64 72 80 88 96] [ 9 18 27 36 45 54 63 72 81 90 99 108] [ 10 20 30 40 50 60 70 80 90 100 110 120] [ 11 22 33 44 55 66 77 88 99 110 121 132] [ 12 24 36 48 60 72 84 96 108 120 132 144]]
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
34
ฟังก์ชันที่น่าสนใจของ NumPy
np.sum
np.max, np.argmax
np.min, np.argmin
np.mean, np.std
np.dot
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
35
np.sum
a =
1
2
3
4
5
10
9
8
7
6
11
12
13
14
15
20
19
18
17
16
sum
sum
sum
sum
15
40
65
90
sum sum
sum
sum
sum
np.sum(a,
axis=1
)
42
42
42
42
42
np.sum(a,
axis=0
)
np.sum(a) ของทั้งหมดได้ 210
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
36
np.min
a =
1
2
3
4
5
10
9
8
7
6
11
12
13
14
15
20
19
18
17
16
min
min
min
min
1
6
11
16
min min
min
min
min
np.min(a,
axis=1
)
1
2
3
4
5
np.min(a,
axis=0
)
np.min(a) ของทั้งหมดได้ 1
np.max ก็คล้าย np.min แต่ได้ค่ามากสุด
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
37
np.argmin
a =
1
2
3
4
5
10
9
8
7
6
11
12
13
14
15
20
19
18
17
16
min
min
min
min
0
4
0
4
min min
min
min
min
np.argmin(a,
axis=1
)
0
0
0
0
0
np.argmin(a,
axis=0
)
np.argmin(a) ของทั้งหมดได้ 0
np.argmax ก็คล้าย np.argmin แต่ได้ตำแหน่งของค่ามากสุด
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
38
np.mean
a =
1
2
3
4
5
10
9
8
7
6
11
12
13
14
15
20
19
18
17
16
mean
mean
mean
mean
3.0
8.0
13.0
18.0
mean mean
mean
mean
mean
np.mean(a,
axis=1
)
10.5
10.5
10.5
10.5
10.5
np.mean(a,
axis=0
)
np.mean(a) ของทั้งหมดได้ 10.5
np.std ก็คล้าย np.mean แต่ได้เบี่ยงเบนมาตรฐาน
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
39
np.dot
np.dot(vector, vector)
1
2
3
·
4
5
6
= 1 ·
4
+ 2 ·
5
+ 3 ·
6
= 2
np.dot(vector, matrix)
1
2
3
·
4
7
5
8
6
9
=
[ [1 2 3]·[4 5 6] [1 2 3]·[7 8 9] ]
=
32
50
1
2
3
4
5
6
·
2
3
=
[ [1 2]·[2 3] [3 4]·[2 3] [5 6]·[2 3] ]
=
8
18
28
np.dot(matrix, matrix) ก็คือการคูณ matrix
1
2
3
4
5
6
×
7
8
9
10
11
12
=
58
64
139
154
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
40
เขียน np.???(a,b) หรือ a.???(b) ก็ได้
import numpy as np
x = np.array([[1,2,3],[4,5,6]]) y = np.array([[7,8],[9,10],[11,12]])
a = np.dot(x, y) a = x.dot(y)
b = np.sum(x,axis=0) b = x.sum(axis=0)
c = np.mean(x, axis=1) c = x.mean(axis=1)
http://cs231n.github.io/python-numpy-tutorial/#numpy
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
41
ตัวอย่าง: รายได้รวมในสัปดาห์
ร้านขายอาหารตามสั่งมีราคาอาหารคือ
ข้าวแกง
25 บาท
ข้าวผัด
30 บาท
สุกี้ทะเล
45 บาท
ในสัปดาห์ที่ผ่านมาขายอาหารได้ดังนี้
จันทร์
อังคาร
พุธ
พฤหัส
ศุกร์
ข้าวแกง
75
120
70
90
80
ข้าวผัด
80
90
100
70
50
สุกี้ทะเล
50
45
70
65
50
25
30
45
75
120
70
90
80
80
90
100
70
50
50
45
70
65
50
25
30
45
·
75
120
70
90
80
80
90
100
70
50
50
45
70
65
50
=
6525
7725
7900
7275
5750
daily income
weekly income
np.sum( ... )
→
35175
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
42
รายงานรายได้ประจำสัปดาห์
ร้านขายอาหารตามสั่งมีราคาอาหารคือ
ข้าวแกง
25 บาท
ข้าวผัด
30 บาท
สุกี้ทะเล
45 บาท
ในสัปดาห์ที่ผ่านมาขายอาหารได้ดังนี้
จันทร์
อังคาร
พุธ
พฤหัส
ศุกร์
ข้าวแกง
75
120
70
90
80
ข้าวผัด
80
90
100
70
50
สุกี้ทะเล
50
45
70
65
50
MO --> 6525 TU --> 7725 WE --> 7900 TH --> 7275 FR --> 5750 weekly income = 35175 daily average = 7035.0 Best sales day = WE Sales loss on: MO, TH, FR ------------- Curry Rice --> 10875 Fried Rice --> 11700 Seafood Suki --> 12600 Best menu = Seafood Suki
ขาดทุนเมื่อ
< 7500
6525
7725
7900
7275
5750
dailyincomes = np.dot(prices, dailysales) weeklyincome = np.sum(dailyincomes) dailyaverage = np.mean(dailyincomes) best_day_index = np.argmax(dailyincomes)
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
43
รายงานรายได้ประจำสัปดาห์
กด Run เพื่อสร้างรายงานของหน้าที่แล้ว
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
44
แบบฝึกหัด: ใครคะแนนรวมต่ำกว่าคะแนนเฉลี่ย
ID Midterm Final Project
data = np.array([[610011, 80, 90, 70],
[610022, 50, 80, 68], [610033, 70, 85, 80], [610044, 60, 50, 90], [610055, 90, 74, 70]])
weight = np.array([0.3, 0.5, 0.2])
คะแนนรวมของ
610011 = 0.3
×
80 + 0.5
×
90 + 0.2
×
70 = 83.0
อยากรู้ว่าใครบ้างที่คะแนนรวมต่ำกว่าคะแนนเฉลี่ยของทั้งหมด
2110101 วิศวกรรมคอมพิวเตอร์ จุฬาฯ (14/09/67)
45