Podstawowe obliczenia

Podobnie jak w MATLAB-ie, w Pythonie możesz wykonywać podstawowe obliczenia. Większość standardowych operatorów jest taka sama w obu językach.


Dodawanie	`+`
Odejmowanie	`-`
Mnożenie	`*`
Dzielenie	`/`
Potęgowanie	`**`

Jedna ważna różnica dotyczy operatora potęgowania. W Pythonie operator ^ ma zupełnie inne zastosowanie – pamiętaj, aby używać **, gdy chcesz podnieść liczbę do potęgi.

To ćwiczenie jest częścią kursu

Python dla użytkowników MATLAB-a

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# Print 2 minus 3
print(____)

Edytuj i uruchom kod

To ćwiczenie jest częścią kursu

Python dla użytkowników MATLAB-a

SkillTag.level.beginnerSkillTag.label

4.8+

Rozpocznij kurs za darmo

Ten rozdział wprowadzi cię w świat Pythona – z perspektywy użytkownika MATLAB-a. Poznasz podobieństwa i różnice między MATLAB-em a Pythonem, nauczysz się korzystać z metod i pakietów oraz zapoznasz się z popularną biblioteką NumPy.

Exercise 1: Witaj w Pythonie!Exercise 2: Podstawowe obliczenia

Bieżące ćwiczenie

Exercise 3: Prognozowanie inwestycji Exercise 4: Typy zmiennych Exercise 5: Metody i pakiety Exercise 6: Manipulowanie ciągami znaków za pomocą metod Exercise 7: Używanie pakietów Pythona Exercise 8: Tablice i wykresy Exercise 9: Pierwsze kroki z tablicami NumPy Exercise 10: Wykres ruchu rowerowego Exercise 11: Co wpływa na długość życia zwierząt?

W tym rozdziale rozwiniesz wiedzę o NumPy. Zagłębisz się w tablice NumPy – odpowiednik macierzy z MATLAB-a – wykonując na nich operacje matematyczne i indeksowanie. Poznasz też kolejną ważną strukturę danych w Pythonie: listę. Na koniec nauczysz się tworzyć własne wykresy swoich tablic przy użyciu Matplotlib.

Exercise 1: Zanurzamy się w tablice NumPy Exercise 2: Prognozowanie w czasie Exercise 3: O ile droższe są awokado ekologiczne?Exercise 4: Indeksowanie tablic NumPy Exercise 5: Pobieranie kolumn z tablic NumPy Exercise 6: Ruch rowerowy w ciągu tygodnia Exercise 7: Filtrowanie tablic za pomocą indeksowania logicznego Exercise 8: Listy Exercise 9: Eksploracja list Exercise 10: Tworzenie tablic NumPy z list Exercise 11: Operacje na listach i tablicach Exercise 12: Dostosowywanie wykresów Exercise 13: Kolory, style linii i legendy Exercise 14: Kodowanie danych kolorem i rozmiarem Exercise 15: Określanie typów silników w zdarzeniach z udziałem dzikich zwierząt

Ten rozdział przedstawia potężne struktury danych w Pythonie: słownik oraz DataFrame z biblioteki pandas. Nauczysz się tworzyć słowniki za pomocą par klucz-wartość, a także przeglądać je i modyfikować. Następnie poznasz jeden z najważniejszych pakietów w Pythonie – pandas. Skupisz się na strukturze DataFrame, która porządkuje dane tabelaryczne w wygodny i przejrzysty sposób. Na koniec zobaczysz, jak przekształcać różne typy danych w obiekty DataFrame, aby łatwiej pracować z danymi.

Exercise 1: Słowniki Exercise 2: Które klucze?Exercise 3: Pobieranie danych Exercise 4: Modyfikowanie słowników Exercise 5: Wprowadzenie do DataFrame Exercise 6: Eksploracja DataFrame w pandas Exercise 7: Wizualizacja danych z DataFrame Exercise 8: Dostęp do DataFrames w pandas Exercise 9: Dostęp do wierszy i kolumn Exercise 10: Wiele twarzy .iloc Exercise 11: Tworzenie DataFrames w pandas Exercise 12: Z pliku CSV Exercise 13: Ze słownika list Exercise 14: Z listy słowników

Kurs zakończysz, ucząc się sterowania przepływem w Pythonie. Poznasz pętle `for`, które pozwalają iterować po różnych strukturach danych. Zapoznasz się też z instrukcjami warunkowymi: `if`, `else` i `elif`, a także z operatorami porównania w Pythonie (większy od, mniejszy od itd.), które decydują o tym, które linie kodu zostaną wykonane. Na koniec wrócisz do tablic NumPy i zobaczysz, jak używać operatorów porównania do ich filtrowania.

Exercise 1: Iterowanie po danych Exercise 2: Iterowanie przez listy Exercise 3: Nakładanie wielu wykresów na jednym rysunku Exercise 4: Porównania i przepływ sterowania Exercise 5: Liczenie różnych typów samolotów Exercise 6: Wyszukiwanie określonych wierszy w DataFrame Exercise 7: Filtrowanie danych Exercise 8: Indeksowanie logiczne do szybkiej analizy Exercise 9: Wartości logiczne w akcji!Exercise 10: Indeksowanie logiczne i wizualizacja w Matplotlib Exercise 11: Świetna robota!