numpy

清水白石008

NumPy 向量化实战指南：从原理到实践的性能革命那是我职业生涯中的一个转折点。当时，我负责优化一个图像处理系统，用于实时分析医疗影像。原有的 Python 代码处理一张 4K 图像需要 3 分钟，这在临床应用中完全不可接受。我尝试了各种优化：代码重构、算法调整、甚至考虑用 C++ 重写。

CentOS 7 删除文件却不释放空间？从 inode、文件描述符到 VFS 的底层原理解析这是在帮一个用户看服务器遇到的问题，他用的是Hostease的独立服务器，因为服务器用的时间也比较长了，磁盘比较满，所以做了一次清理，但是在删除文件之后，发现他删除掉几百个G的数据之后，磁盘空间并没有空出来。

关于深度学习的d2l库的安装本人在学习的时候，发现在softmax回归的简洁实现中的代码无法执行：现有的d2l中已经将train_ch3删除。

Day2--python三大库-numpy1.索引，切片和迭代1.副本与视图在Numpy中，尤其是在做数组运算或数组操作中，返回结果不是数组的副本就是视图。

数据分析三剑客之PandasPython在数据处理上独步天下：代码灵活、开发快速；尤其是Python的Pandas包，无论是在数据分析领域、还是大数据开发场景中都具有显著的优势：

Quintus五等升

深度学习自用笔记本文主要记录一些学习过程中的笔记One-hot编码是一种非常方便且容易理解的表示方法，原理如下：对于N个不同的字，生成一个长度为N的向量，每个向量中只有一位是1，其余位全是0，以此来表示N个不同的字

人工智能之视觉领域计算机视觉第三章 NumPy 与图像矩阵第三章 NumPy 与图像矩阵学习目标：理解“图像 = 数字矩阵”的本质，掌握 OpenCV 与 NumPy 的协同工作机制，能对图像进行基础的矩阵操作。

星川皆无恙

豆瓣电影数据爬虫分析：基于 Python 的豆瓣电影数据可视化分析系统在影视行业数字化发展的背景下，豆瓣电影作为国内主流的电影评分与评论平台，沉淀了海量的电影数据。本项目旨在基于 Python 构建一套豆瓣电影数据可视化分析系统，通过数据爬取 - 清洗 - 分析 - 可视化的全流程，挖掘电影评分分布、类型趋势、导演 / 演员影响力、制片地区分布等核心信息，既为电影爱好者提供数据参考，也为行业从业者提供趋势洞察。

人工智能从入门到精通：NumPy 与 Pandas 数据分析基础💡 掌握 NumPy 数组的基本操作和运算 💡 理解 NumPy 的广播机制和向量化运算 💡 学会使用 Pandas 进行数据读取、清洗和处理 💡 掌握 Pandas 的数据索引、切片和聚合操作 💡 通过实战项目，提升数据分析能力

NumPy 与 Pandas 中「有无返回值函数」的易错点整理【个人主页：玄同765】大语言模型（LLM）开发工程师｜中国传媒大学·数字媒体技术（智能交互与游戏设计）

语文天才高斯

Dify Sandbox 如何安装第三方库（matplotlib / numpy / pandas 通用方法）在使用 Dify 进行应用开发的过程中，很多同学可能会遇到这样的问题：在 Sandbox 中无法直接 pip install 新库，导致一些功能（比如绘图、数据分析）没法使用。因为官方sandbox有很多关于权限的设置，那是一个更好的沙盒方案，但是个人实际使用过程中，Dify的代码节点完全是个人编辑，所以也不存在代码注入风险，希望有更大的权限，安装更多依赖包例如numpy>2.0，matplotlib，scikit-learn 减少一些看不懂的报错

Numpy的常用计算属性介绍平方差: 与平均值偏差平方的平均值标准差: 方差的平方根正态分布: 正态分布（Normal Distribution），也叫高斯分布，是统计学中最常见、最重要的连续概率分布之一。它的核心特点可以用一句话概括：大多数数据集中在平均值附近，越远离平均值的数据越少，整体形状像一口“钟”——所以也叫“钟形曲线”。

Python核心语法-NumpyJupyter 是一个开源的交互式计算环境，广泛应用于数据科学、机器学习、科学研究等领域，主要组件有Jupyter Notebook和Jupyter Lab。JupyterLab作为Jupyter Notebook 的继承者，提供了更现代化和功能丰富的界面。JupyterLab的多文档界面、内置协作功能和扩展系统使其成为数据科学家和研究人员的首选。

CANN原生Numpy库AsNumpy的架构设计与数值计算优化技术深度解析cann 组织链接：https://atomgit.com/cann asnumpy仓库解读链接：https://atomgit.com/cann/asnumpy

啊阿狸不会拉杆

《机器学习导论》第 10 章-线性判别式目录前言10.1 引言10.2 推广线性模型代码：线性回归 vs 线性判别式基础对比代码解释：10.3 线性判别式的几何意义

brave and determined

CANN教程：NPU原生NumPy接口asnumpy详解引言CANN 组织链接： https://atomgit.com/cann asnumpy仓库链接：https://atomgit.com/cann/asnumpy

啊阿狸不会拉杆

《机器学习导论》第 5 章-多元方法目录章节核心思维导图5.1 多元数据核心概念完整代码（多元数据基础操作）代码运行效果5.2 参数估计核心概念

[深度学习]常用的库与操作或者拼接第0维，其余维度要完全一致拼接第1维，其余维度要完全一致拼接指定的axis维，除了axis维，其余维度要完全一致

啊阿狸不会拉杆

《机器学习导论》第3章 -贝叶斯决策理论本文避开复杂公式，用通俗比喻 + 完整 Python 代码 + 效果对比图，拆解贝叶斯决策的核心知识点，所有代码可直接运行（Mac 系统 Matplotlib 中文已适配），每个知识点配综合案例，零基础也能懂！

【刘二大人】PyTorch深度学习实践笔记 —— 第四集：反向传播（凝练版）在第三讲中，我们学习了梯度下降算法。对于简单的线性模型（如 y = w ⋅ x y = w \cdot x y=w⋅x），我们可以手动推导损失函数对权重的导数公式（ ∂ L o s s ∂ w \frac{\partial Loss}{\partial w} ∂w∂Loss）。