numpy

Python-pandas-索引与筛选掌握 .loc、.iloc 和布尔索引是高效使用 Pandas 的核心技能。重要: 当索引是 0,1,2…时，.loc[1] 和 .iloc[1] 看起来一样但含义完全不同！

03 NumPy 入门：机器学习中的数组和矩阵前两篇分别介绍了机器学习的基本流程和 Python 环境。接下来要认识机器学习代码里最常见的数据结构：数组和矩阵。

乱七八糟的屋子

【C++数值计算】NumCpp超详细入门教程（纯正Numpy语法、零学习成本、C++首选科学计算库、性能压测对比）NumCpp 是一款纯头文件、跨平台、零依赖、开源免费的 C++ 科学计算库，是目前语法最纯正、复刻度最高的 C++ Numpy 替代库。

python神经网络编程入门（二十）——RNN LSTM 数学原理与结构拆解上一篇用"传送带 + 收费站"的比喻建立了 LSTM 的整体直觉：细胞状态 ctc_tct 是高速公路，三个门（遗忘门、输入门、输出门）是收费站。R-N-N 在 30 步后梯度归零，而 L-S-T-M 在 50 步后还剩 7.7%——差距一目了然。

NumPy快速入门NumPy 的主要对象就是同质多维数组。它是一种元素表，这些元素通常是相同类型的数值，通过一组非负整数来索引。在 NumPy 中，这些维度被称为轴。

NumPy 数组 vs PyTorch Tensor一句话总结： NumPy 是 CPU 上的普通计算工具；Tensor 是专为深度学习设计的硬件加速 + 自动求导版“超级 NumPy”。

数据分析(1/3)——Numpy数组基础学习笔记同质性是指这个数组里面的元素要是一个类型，但你发现我写的是整型1和字符串型的array，为什么能打印而不报错？仔细看会发现打印结果的1并不是整型，它被添加了引号改成了字符串类型

python神经网络编程入门（十七）——RNN BPTT算法（上）：梯度沿时间轴传播的链式法则先花 30 秒回顾一下上一篇（第十六篇）。我们把 RNN 的前向传播真正"跑"了起来：上一篇结尾我们说了：cache 是第四章 BPTT 的粮仓。今天就是"开仓放粮"的日子——前向传播把每个时间步的中间量都算好、存好了，反向传播的任务，就是沿着时间轴倒着走回去，把损失对每个权重的"贡献"（梯度）一笔一笔算出来。

Python 环境配置（二）安装jupyter、matplotlib、numpy库只有 Pycharm 的 Professional 版才支持 Jupyter Notebook，请注意版本

同步数据中，只需要几秒钟 & milvus向量数据库不可用 dify1.16.1 升级后踩坑记录dify 从1.14.2 升级到1.16.1后，打开编辑好的工作流，页面出现 “同步数据中，只需要几秒钟” ，出现报错

未知违规用户

大模型项目：知识库构建工具与 LangChain 操作ChromaDB之前的课程学习了 ChromaDB 基础操作和 LangChain 集成。今天深入底层向量化方案对比和各方案的完整代码流程，并掌握重排序（Reranker）的用法与作用。

huameinan狮子

数据分析基础：numpy学习

numpy与pandas 的介绍在 Python 的数据科学版图中，NumPy 和 Pandas 是两座不可撼动的基石。如果把数据分析比作一场烹饪，那么 NumPy 就是那个高效的多功能切菜机，而 Pandas 则是那个有条不紊的食材收纳柜与记账本。

广州景颐光电

3种NumPy向量化实测：光源数据处理从2.3秒压到12.3ms上周我们团队接手了一个数据清洗的活，处理一批实验室光源测试设备采集的均匀性数据。原始数据是CSV格式，每行代表一个测量点，包含波长、反射率、均匀性百分比这些字段。总量大概10万条，按说也不算多，但同事小李用纯Python写了个处理脚本，跑下来居然要2秒多。他当时还自我安慰："数据量大嘛，正常。"

梅雅达编程笔记

零基础学 Python 第15章 | 类与对象：面向对象编程入门上一章你学了模块——把代码拆分到不同文件，方便管理和复用。但到目前为止，你写的所有代码都是面向过程的：一步一步告诉计算机"先做这个，再做那个"，用函数把重复逻辑封装起来。

梅雅达编程笔记

零基础学 Python 第14章 | 模块、包与第三方库上一章你学会了异常处理，程序再也不会因为一个意外错误而整个崩溃了。但回过头想想——从头到尾这么十几章，我们用的 print()、input()、len() 这些函数，都是从哪来的？

Tableau的基础使用官网上下载desktop版本https://www.tableau.com/zh-cn官方提供了学习的数据

梅雅达编程笔记

编程启蒙｜Scratch 转 Python 系列第9天：字典/哈希表积木双向对照（AI大模型参数配置表实战）🏷️ 系列：Scratch 转 Python 编程启蒙系列 📅 天数：Day 9 🎯 主题：字典 dict 双向对照 + AI大模型参数配置实战 👶 适合人群：零基础青少年（建议已学完 Day 1-7）

08-应用部署MiniMind 提供了 OpenAI 兼容的 API 服务，可以直接替换 OpenAI API 使用：

02-Tokenizer原理与实现大语言模型的输入输出都是数字（整数索引），但人类使用的是自然语言文本。Tokenizer 就是连接两者的"翻译器"：