Data Science do zero: Primeiras regras com o Python
Para Mais Esclarecimentos
Baixar 5.26 Mb. Pdf preview
|
- Navegue nesta página:
- CAPÍTULO 4 Álgebra Linear
| Para Mais Esclarecimentos
seaborn (http://stanford.io/1ycOjdI) é construído no topo de matplotlib e permite que você produza facilmente visualizações mais bonitas (e mais complexas). D3.js (http://d3js.org) é uma biblioteca JavaScript que produz visualizações interativas sofisticadas para a web. Embora não esteja em Python, é uma tendência e amplamente usada, e vale a pena se familiarizar com ela. Bokeh (http://bokeh.pydata.org) é a biblioteca mais nova que traz o estilo de visualização D3 para Python. ggplot (http://bit.ly/1ycOk1u) é uma portagem Python da popular biblioteca ggplot2 , que é amplamente usada para criar gráficos e diagramas de “qualidade de publicação”. Provavelmente, é mais interessante se você já é um usuário voraz de ggplot2 e um pouco opaco se não é. CAPÍTULO 4 Álgebra Linear Existe algo mais inútil ou menos útil que Álgebra? —Billy Connolly A Álgebra Linear é o ramo da matemática que lida com espaços vetoriais. Apesar de eu não achar que vou conseguir ensinar álgebra linear em um capítulo, ela sustenta um grande número de conceitos e técnicas de data science, o que significa que eu devo a você, ao menos, uma tentativa. O que aprenderemos neste capítulo, usaremos excessivamente no decorrer do livro. Vetores Abstratamente, os vetores são objetos que podem ser somados juntos (para formar vetores novos) e que podem ser multiplicados pelos escalares (por exemplo, números), também para formar vetores novos. Concretamente (para nós), os vetores são pontos em algum espaço de dimensão finita. Apesar de você não pensar em seus dados como vetores, eles são uma ótima maneira de representar dados numéricos. Por exemplo, se você tiver as alturas, pesos e idades de uma grande quantidade de pessoas, pode tratar seus dados como vetores tridimensionais ( height , weight , age ). Se você estiver ensinando uma turma com quatro testes, pode tratar as notas dos alunos como vetores quadridimensionais ( exam1 , exam2 , exam3 , exam4 ). A abordagem inicial mais simples é representar vetores como listas de números. Uma lista de três números corresponde a um vetor em um espaço tridimensional, e vice-versa: height_weight_age = [70, # polegadas, 170, # quilos, 40 ] # anos grades = [95, # teste1 80, # teste2 75, # teste3 62 ] # teste4 Um problema com essa abordagem é que queremos realizar aritmética nos vetores. Como as listas de Python não são vetores (e, portanto, não facilita a aritmética com o vetor), precisaremos construir essas ferramentas aritméticas nós mesmos. Então, vamos começar por aí. Para começar, frequentemente precisaremos de dois vetores. Os vetores se adicionam componente a componente. Isso significa que, se dois vetores v e w possuem o mesmo tamanho, sua soma é somente o vetor cujo primeiro elemento seja v[0] + w[0] , cujo segundo elemento seja v[1] + w[1] , e assim por diante. (Se eles não possuírem o mesmo tamanho, então não poderemos somá-los.) Por exemplo, somar os vetores [1, 2] e [2, 1] resulta em [1 + 2, 2 + 1] ou [3, 3] , como mostra a Figura 4-1. Figura 4-1. Somando dois vetores Podemos facilmente implementar isso com vetores zip juntos e usar uma compreensão de lista para adicionar os elementos correspondentes: Baixar 5.26 Mb. Compartilhe com seus amigos:
|