1번

<aside> 💡 다음 중 Numpy에 대한 설명으로 옳은 것을 고르세요. (4번)

1. Numpy를 통해 만들 수 있는 리스트 ndarray는 파이썬의 array와 type이 같다
2. Numpy를 통해 만들 수 있는 ndarray와 asarray는 반환하는 방법이 같다.
3. numpy.array()는 Python의 list처럼 해당 행렬의 shape을 알 수가 있다. 4. Numpy를 사용하면 지난 주에 구현한 행렬곱을 함수 하나로 해결할 수 있다.
4. Python에서 구현한 list는 ndarray로 변경이 불가능하다.

</aside>

1. np로 생성하면 ndarray / list로 생성하면 list 이므로 (X)

1. x
2. arr_name.shape => (column, low) / list shape?? (x)
3. np.dot(arr1,arr2) / (o)
4. np.array([1,2,3]) / (x)

2번

<aside> 💡 다음 중 Broadcasting에 대한 설명으로 옳은 것을 고르세요. (4번)

1. 연산을 하려는 두 행렬의 shape이 똑같은 경우에 일어난다.
2. 1번에서 말하는 연산에는 행렬곱도 포함된다.
3. broadcasting은 python list에도 적용이 된다. 4. shape이 (2,2)인 행렬과 (1,3)인 행렬 사이에는 broadcasting이 발생하지 않는다.

</aside>

3번 데이터셋에 대해 슬라이싱

문제)

<aside> 💩 위의 코드는 사이킷런에서 제공하는 붓꽃에 대한 데이터셋입니다. 위의 코드를 실행시켜보고 데이터가 어떤식으로 이루어져있는지 먼저 확인을 해보세요. iris_data 변수에는 각 꽃별로 꽃받침(sepal)과 꽃잎(petal)에 대한 정보가 있는데 아래의 변수에 각각 해당하는 array를 넣어서 출력해보세요.

sl = [sepal length에 대한 array] sw = [sepal width에 대한 array] pl = [petal length에 대한 array] pw = [petal width에 대한 array]

</aside>

from sklearn.datasets import load_iris
import numpy as np
iris_raw = load_iris(as_frame=True)
iris_data = iris_raw['data']
iris_data
table=np.array(iris_data)
sl = table[0:,0]
sw = table[0:,1]
pl = table[0:,2]
pw = table[0:,3]
print(pw)

4번