La version de Python utilisée est la 3.5.1. Il est pratique d'installer numpy ・ (scipy ・) matplotlib ・ sympy en tant que package, mais je ne l'utiliserai pas cette fois.
Si vous avez installé Python en tant que package sous Linux, vous pouvez également l'installer à partir du package. D'autres utilisent pip. (Pour Windows, démarrez à l'avance le shell d'alimentation de l'invite de commande avec les privilèges d'administrateur et installez le package wheel avec pip (pip install wheel
). Si l'installation avec pip échoue, https: // pypi Veuillez télécharger la roue qui correspond à l'architecture Python (32/64 bits) / version à partir de .python.org / pypi / wheel / à l'avance, puis la transmettre à " pip install
")
Pour la série Unix, commencez par le terminal. (python3
)
Dans le cas de Windows, vous pouvez le démarrer à partir du shell d'alimentation de l'invite de commande si vous passez le chemin, mais vous ne pouvez pas utiliser de chaînes de caractères qui ne sont pas dans Shift-JIS telles que 鷗.
Le premier est le calcul de base.
>>> 1 + 1
2
>>> 2**3
8
>>> 1/2
0.5
>>> 1 % 2
1
>>> 5 % 3
2
>>> 0.5 * 0.25
0.125
Les paramètres, l'utilisation et la suppression des variables sont les suivants.
>>> x = 5
>>> x ** 2
25
>>> del(x)
Utilisez ensuite diverses fonctions.
Premier,
>>> import math as MT
>>> MT.sin(MT.pi * 0.25)
0.7071067811865476
Ensuite, demandons 610!.
Prenez le logarithme régulier des deux côtés de
Remplaçant $ n = 610 $
Si vous trouvez 610! Tel quel, le nombre de chiffres sera dangereux, alors trouvez-le avec le coefficient $ a \ fois 10 ^ b \ quad (1 \ leq a <10 \ wedge b \ in \ mathbb {Z}) $.
$610! = a \times 10^b $
Prenez le logarithme régulier des deux côtés de
De $ 0 \ leq \ log_ {10} a <1 \ wedge b \ in \ mathbb {Z} $
C'est,
Ce sera.
Relation:
Si vous écrivez ceci en Python, cela ressemblera à ceci:
>>> val = 0
>>> for i in range(2,611):
val += MT.log10(i)
>>> print("610! = ", 10 ** (val - MT.floor(val)), "×10^", MT.floor(val), sep = "")
610! = 8.382616099017579×10^1435
Wow ~ C'est McDobotakuri ~ (bâtons de lecture)
Avec numpy / scipy, vous pouvez faire des choses plus avancées telles que des opérations matricielles / vectorielles. (par exemple, «numpy.array»)
De plus, sympy peut transformer des expressions variables et résoudre des équations. (par exemple, sympy.symbols
)
matplotlib peut dessiner des graphiques. Autrement dit, vous pouvez retirer le travail de gnuplot.
Recommended Posts