矩阵的布尔积怎么求
量子门原理？
量子门原理？
在量子计算，特别是量子线路的计算模型里面，一个量子门 (Quantum gate，或量子逻辑门)是一个基本的，操作一个小数量量子比特的量子线路 。它是量子线路的基础，就像传统逻辑门跟一般数字线路之间的关系。
与多数传统逻辑门不同，量子逻辑门是可逆的。 然而，传统的计算可以只使用可逆的门表示· 举例来说，可逆的Toffoli门 可以实做所有的布尔函数。 这个门有一个直接等同的量子门，也因此代表量子线路可以模拟所有传统线路的操作。
量子逻辑门使用酉矩阵表示。 就像常见的逻辑门一般是针对一个或两个比特进行操作，常见的量子门也是针对一个或两个量子比特进行操作。 这也代表这一些量子门可以以2 × 2或者4 × 4的酉矩阵表示。
什么是布尔矩阵的积？
输入布尔矩阵A和矩阵B，点击计算按钮，可快速求出矩阵A和矩阵B的乘法结果。
Python的Numpy、Scipy、Pandas模块有什么区别？
当我们使用Python进行数据分析时，有时可能需要根据DataFrame其他列中的值向pandas DataFrame添加一列。
尽管这听起来很简单，但是如果我们尝试使用if-else条件语句来做，可能会变得有些复杂。值得庆幸的是，有一种使用numpy做到这一点的简单，好方法!
要学习如何使用它，我们来看一个特定的数据分析问题。我们拥有4,000多个AAA教育推文的数据集。附有图像的推文会获得更多的赞和转发吗?让我们做一些分析找出答案!
我们将从导入pandas和numpy开始，并加载数据集以查看其外观。
我们可以看到我们的数据集包含有关每个推文的一些信息，包括：
1)date —推文发布的日期
2)time —发推文的时间
3)tweet -该推文的实际文本
4)mentions -推文中提及的任何其他Twitter用户
5)photos —推文中包含的任何图像的URL
6)replies_count -在推文上的回复数量
7)retweets_count -推文的转发数
8)likes_count —在推文上的喜欢次数
我们还可以看到photos数据的格式有些奇怪。
使用np.where()添加具有正确/错误条件的pandas列
对于我们的分析，我们只想查看带有图像的推文是否获得更多的交互，因此我们实际上不需要图像URL。让我们尝试创建一个名为的新列hasimage，该列将包含布尔值- True如果该tweet包含图像，False则不包含图像。
为此，我们将使用numpy的内置where()函数。此函数按顺序接受三个参数：我们要测试的条件，条件为true时分配给新列的值以及条件为false时分配给新列的值。看起来像这样：
在我们的数据中，我们可以看到没有图像的推文始终[]在该photos列中具有值。我们可以使用信息并np.where()创建新列hasimage，如下所示：
在上方，我们可以看到我们的新列已添加到我们的数据集，并且已正确标记了tweet，其中包括图像为True，其他图像为False。
现在我们有了hasimage专栏，让我们快速制作几个新的DataFrame，一个用于所有图像推文，一个用于所有无图像推文。我们将使用布尔过滤器进行此操作：
现在，我们已经创建了那些，我们可以使用内置的数学函数.mean()来快速比较每个DataFrame中的推文。
我们将使用print()语句使结果更易于阅读。我们还需要记住使用str()来将.mean()计算结果转换为字符串，以便可以在我们的打印语句中使用它：
根据这些结果，似乎包括图像可能会促进AAA教育的更多社群媒体的交互。有图片的推文的平均赞和转发次数是没有图片的推文的三倍。
添加条件更复杂的pandas专栏
这种方法效果很好，但是如果我们想添加一个条件更复杂的新列(超出True和False的条件)怎么办?
例如，为了更深入地研究这个问题，我们可能要创建一些交互性“层”，并评估到达每个层的推文所占的百分比。为了简单起见，让我们使用Likes来衡量交互性，并将tweet分为四个层次：
1)tier_4 -2个或更少的喜欢
2)tier_3 — 3-9个赞
3)tier_2 — 10-15个赞
4)tier_1 — 16个赞
为此，我们可以使用称为的函数()。我们给它两个参数：一个条件列表，以及一个我们想要分配给新列中每一行的值的对应列表。
这意味着顺序很重要：如果conditions满足列表中的第一个条件，则列表中的第一个值values将分配给该行的新列。大数据分析使用numpy在pandas dataframe上添加列如果满足第二个条件，则将分配第二个值，等等。
让我们看一下它在Python代码中的外观：
太棒了!我们创建了另一个新列，该列根据我们的(虽然有些武断)层排名系统对每个tweet进行了分类。
现在，我们可以使用它来回答有关我们的数据集的更多问题。例如：1级和4级推文中有多少百分比具有图像?
在这里，我们可以看到尽管图像似乎有所帮助，但它们似乎并不是成功所必需的。
尽管这是一个非常肤浅的分析，但我们已经在这里实现了我们的真正目标：根据有关现有列中值的条件语句向pandas DataFrames添加列。
当然，这是可以以多种方式完成的任务。np.where()而()只是许多潜在的两种方法。