เราต้องเขียนโปรแกรม Python ที่จะลบ Substring บางส่วนออกจากสตริงที่กำหนด อัลกอริทึม ขั้นตอนที่ 1: กำหนดสตริง ขั้นตอนที่ 2: ใช้ฟังก์ชัน replace เพื่อลบ Substring จากสตริงที่กำหนด ตัวอย่างโค้ด original_string = C++ is a object oriented programming language modified_string = original_string.replace(obj

ในโปรแกรมนี้ เราต้องพิมพ์วันแรกของปี เราต้องรับปีเป็น Input จากผู้ใช้ อัลกอริทึม ขั้นตอนที่ 1: นำเข้าไลบรารี datetime ขั้นตอนที่ 2: รับปีจากผู้ใช้ ขั้นตอนที่ 3: หาวันแรกของปีโดยส่งเดือน วัน และปีเป็นพารามิเตอร์ให้ฟังก์ชัน datetime.datetime() ขั้นตอนที่ 4: แสดงวันแรกโดยใช้ฟังก์ชัน strftime() ตัวอย่า

ROC − Receiver Operating Characteristics (ROC) Curve โดยใช้เมธอด metrics.plot_roc_curve(clf, X_test, y_test) เราสามารถวาดเส้น ROC Curve ได้ ขั้นตอน สร้างปัญหาการจำแนกคลาส n-class แบบสุ่ม เริ่มต้นสร้างกลุ่มจุดที่กระจายแบบ Normal (std=1) รอบยอดของ hypercube ขนาด n_informative มิติ ด้วยความยาวด้าน 2*

เราต้องสร้าง Numpy Array ในช่วงที่ผู้ใช้กำหนด เราจะใช้ฟังก์ชัน arange() ในไลบรารี NumPy เพื่อได้ผลลัพธ์ อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: รับค่าเริ่มต้น, ค่าสิ้นสุด และ Step จากผู้ใช้ ขั้นตอนที่ 3: พิมพ์ Array ด้วยฟังก์ชัน arange() ใน NumPy ตัวอย่างโค้ด import numpy as np start_va

ในโปรแกรมนี้ เราจะพิมพ์ Identity Matrix ขนาด n x n โดย n จะรับจากผู้ใช้ เราจะใช้ฟังก์ชัน identity() ในไลบรารี NumPy ซึ่งรับพารามิเตอร์เป็นมิติและชนิดข้อมูลขององค์ประกอบ อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: รับมิติจากผู้ใช้ ขั้นตอนที่ 3: พิมพ์ Identity Matrix ด้วยฟังก์ชัน numpy.identi

เราจะสร้าง Numpy Matrix ก่อน แล้วจึงหาจำนวนแถวและคอลัมน์ใน Matrix นั้น อัลกอริทึม ขั้นตอนที่ 1: สร้าง Numpy Matrix จากตัวเลขสุ่ม ขั้นตอนที่ 2: หาแถวและคอลัมน์ของ Matrix ด้วยฟังก์ชัน numpy.shape ขั้นตอนที่ 3: แสดงจำนวนแถวและคอลัมน์ ตัวอย่างโค้ด import numpy as np matrix = np.random.rand(2,3) print(m

ในโปรแกรมนี้ เราจะบวกทุกพจน์ของ Numpy Matrix โดยใช้ฟังก์ชัน sum() ในไลบรารี NumPy เราจะสร้าง Numpy Matrix แบบสุ่มก่อน แล้วจึงหาผลรวมขององค์ประกอบทั้งหมด อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: สร้าง Matrix แบบสุ่มขนาด m×n ด้วยฟังก์ชัน random() ขั้นตอนที่ 3: หาผลรวมขององค์ประกอบทั้งหมดใน

ก่อนอื่น เราจะสร้าง Polygon โดยใช้เมธอด mplPath.Path และเพื่อตรวจสอบว่าจุดที่กำหนดอยู่ใน Polygon หรือไม่ เราจะใช้เมธอด poly_path.contains_point ขั้นตอน สร้างลิสต์ของจุดเพื่อทำ Polygon สร้าง Path ใหม่ด้วย vertices และ codes ที่กำหนด ใช้ mplPath.Path() ตรวจสอบว่าจุด (200, 100) อยู่ใน Polygon หรือไม่

ในปัญหานี้ เราจะหาผลรวมของแถวทั้งหมดและคอลัมน์ทั้งหมดแยกกัน เราจะใช้ฟังก์ชัน sum() เพื่อหาผลรวม อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: สร้าง Numpy Matrix ขนาด m x n ขั้นตอนที่ 3: หาผลรวมของแถวทั้งหมด ขั้นตอนที่ 4: หาผลรวมของคอลัมน์ทั้งหมด ตัวอย่างโค้ด import numpy as np a = np.matrix(1

ในปัญหานี้ เราต้องเพิ่ม Vector/Array ให้กับ Numpy Array เราจะกำหนด Numpy Array รวมถึง Vector และบวกพวกมันเข้าด้วยกันเพื่อได้ Array ผลลัพธ์ อัลกอริทึม ขั้นตอนที่ 1: กำหนด Numpy Array ขั้นตอนที่ 2: กำหนด Vector ขั้นตอนที่ 3: สร้าง Result Array เหมือนกับ Array ต้นฉบับ ขั้นตอนที่ 4: บวก Vector เข้าไปใน

ในปัญหานี้ เราจะหาส่วนร่วม (Intersection) ระหว่างสอง Numpy Arrays ส่วนร่วมของสอง Arrays คือ Array ที่มีองค์ประกอบร่วมกันในทั้งสอง Arrays ต้นฉบับ อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: กำหนดสอง Numpy Arrays ขั้นตอนที่ 3: หาส่วนร่วมระหว่าง Arrays โดยใช้ฟังก์ชัน numpy.intersect1d() ขั้นตอ

ในโปรแกรมนี้ เราจะหาความต่างของเซต (Set Difference) ของสอง Numpy Arrays เราจะใช้ฟังก์ชัน setdiff1d() ในไลบรารี NumPy ฟังก์ชันนี้รับสองพารามิเตอร์: array1 และ array2 และคืนค่าที่ไม่ซ้ำกันใน array1 ที่ไม่อยู่ใน array2 อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: กำหนดสอง Numpy Arrays ขั้นตอนที

ในโปรแกรมนี้ เราต้องพิมพ์องค์ประกอบของ Numpy Array ในช่วงที่กำหนด ฟังก์ชัน Numpy ที่แตกต่างกันที่ใช้คือ numpy.where() และ numpy.logical_and() อัลกอริทึม ขั้นตอนที่ 1: กำหนด Numpy Array ขั้นตอนที่ 2: ใช้ np.where() และ np.logical_and() เพื่อหาตัวเลขในช่วงที่กำหนด ขั้นตอนที่ 3: แสดงผลลัพธ์ ตัวอย่างโค

นี่เป็นโปรแกรมง่ายๆ ที่เราต้องย้อนกลับลำดับ Numpy Array เราจะใช้ฟังก์ชัน numpy.flip() สำหรับวัตถุประสงค์นี้ อัลกอริทึม ขั้นตอนที่ 1: นำเข้า numpy ขั้นตอนที่ 2: กำหนด Numpy Array ด้วย numpy.array() ขั้นตอนที่ 3: ย้อนกลับ Array ด้วยฟังก์ชัน numpy.flip() ขั้นตอนที่ 4: แสดง Array ตัวอย่างโค้ด import nu

ในปัญหานี้ เราต้องจัดเรียง Pandas Series เราจะกำหนด Pandas Series ที่ไม่ได้จัดเรียง และจะจัดเรียงมันโดยใช้ฟังก์ชัน sort_values() ในไลบรารี Pandas อัลกอริทึม ขั้นตอนที่ 1: กำหนด Pandas Series ขั้นตอนที่ 2: จัดเรียง Series ด้วยฟังก์ชัน sort_values() ขั้นตอนที่ 3: แสดง Series ที่จัดเรียงแล้ว ตัวอย่างโ

โดยใช้ Pandas เราสามารถสร้าง DataFrame พร้อมเวลาและความเร็ว และหลังจากนั้น เราสามารถใช้ DataFrame เพื่อได้กราฟที่ต้องการ ขั้นตอน สร้าง Generator ใหม่ด้วย BitGenerator เริ่มต้น (PCG64) ใช้ Pandas สร้าง DatetimeIndex ความถี่คงที่ จาก 2020-01-01 ถึง 2021-01-01 สุ่มตัวอย่างจากการแจกแจง Log-normal สร้า

ในโปรแกรมนี้ เราจะเพิ่มองค์ประกอบให้กับ Pandas Series เราจะใช้ฟังก์ชัน append() สำหรับงานนี้ โปรดทราบว่าเราสามารถ append ได้เฉพาะ Series หรือ list/tuple ของ Series เท่านั้น อัลกอริทึม ขั้นตอนที่ 1: กำหนด Pandas Series คือ s1 ขั้นตอนที่ 2: กำหนด Series อีกตัวคือ s2 ขั้นตอนที่ 3: Append s2 เข้าไปใน s

ฟังก์ชัน mean() ในไลบรารี Pandas สามารถใช้หาค่าเฉลี่ยของ Series ได้ อัลกอริทึม ขั้นตอนที่ 1: กำหนด Pandas Series ขั้นตอนที่ 2: ใช้ฟังก์ชัน mean() คำนวณค่าเฉลี่ย ขั้นตอนที่ 3: แสดงค่าเฉลี่ย ตัวอย่างโค้ด import pandas as pd series = pd.Series([10,20,30,40,50]) print(Pandas Series: \n, series) series_

ในโปรแกรมนี้ เราจะหาส่วนเบี่ยงเบนมาตรฐานของ Pandas Series ส่วนเบี่ยงเบนมาตรฐานเป็นสถิติที่วัดการกระจายของชุดข้อมูลสัมพันธ์กับค่าเฉลี่ย และคำนวณเป็นรากที่สองของความแปรปรวน อัลกอริทึม ขั้นตอนที่ 1: กำหนด Pandas Series ขั้นตอนที่ 2: คำนวณส่วนเบี่ยงเบนมาตรฐานของ Series โดยใช้ฟังก์ชัน std() ในไลบรารี Pa

ในโปรแกรมนี้ เราจะเปรียบเทียบสอง Pandas Series และจะแสดงความแตกต่างใน Series โดยความแตกต่างหมายถึงตำแหน่งดัชนีที่องค์ประกอบไม่ตรงกัน อัลกอริทึม ขั้นตอนที่ 1: กำหนดสอง Pandas Series คือ s1 และ s2 ขั้นตอนที่ 2: เปรียบเทียบ Series โดยใช้ฟังก์ชัน compare() ใน Pandas Series ขั้นตอนที่ 3: แสดงความแตกต่าง