Algorithms For Dummies

 

   

  PART 1 

 Getting Started

an output of 

array([0, 1, 2, 3])

. You can even use vectors in more complex 

math scenarios, such as 

2 ** myVect

, where the output is 

array([ 2,  4,  8, 

16], dtype=int32)

. When used in this manner, however, 

numpy

 often assigns a 

specific type to the output, even when you define a vector using standard Python 

integers.

As a final thought on scalar and vector operations, you can also perform both logi-

cal and comparison tasks. For example, the following code performs comparison 

operations on two arrays:

a = np.array([1, 2, 3, 4])

b = np.array([2, 2, 4, 4])

  

a == b

array([False,  True, False,  True], dtype=bool)

  

a < b

array([ True, False,  True, False], dtype=bool)

Starting with two vectors, 

a

 and 

b

, the code checks whether the individual ele-

ments in a equal those in b. In this case, 

a[0]

 doesn’t equal 

b[0]

. However, 

a[1]

 

does  equal 

b[1]

.  The  output  is  a  vector  of  type 

bool

  that  contains  true  or 

false   values  based  on  the  individual  comparisons.  Likewise,  you  can  check  for 

instances when 

a < b

 and produce another vector containing the truth-values in 

this instance.

Logical operations rely on special functions. You check the logical output of the 

Boolean  operators  AND,  OR,  XOR,  and  NOT.  Here  is  an  example  of  the  logical 

functions:

a = np.array([True, False, True, False])

b = np.array([True, True, False, False])

  

np.logical_or(a, b)

array([ True,  True,  True, False], dtype=bool)

  

np.logical_and(a, b)

array([ True, False, False, False], dtype=bool)

  

np.logical_not(a)

array([False,  True, False,  True], dtype=bool)

  

np.logical_xor(a, b)

array([False,  True,  True, False], dtype=bool)

---

CHAPTER 5