メニュー
Sub-skill of python-scientific-computing: 1. Use Vectorization (+4).
デフォルトでは、最初にソースを確認する Prompt が選択されています。直接コマンドに切り替えるか、ローカルコピーをダウンロードすることもできます。
インストールを決める前に、SKILL.md と SkillsMP に表示されている付属ファイルをお読みください。
Codex または Claude でインストール この Prompt をコピーして Codex、Claude、または他のアシスタントに貼り付けると、Skill ページを確認してインストールできます。
直接コマンドでは確認用 Prompt が省略されます。実行前にソースを確認してください。
npx skills add https://github.com/vamseeachanta/workspace-hub --skill python-scientific-computing-1-use-vectorizationコマンドは1行のまま表示されます。コピー前に横へスクロールして全体を確認してください。
ローカルで確認しますか？SkillsMP が現在取得できるファイルをダウンロードできます。
SOC 職業分類に基づく
SKILL.md を表示中
| name | python-scientific-computing-1-use-vectorization |
| description | Sub-skill of python-scientific-computing: 1. Use Vectorization (+4). |
| version | 1.0.0 |
| category | data |
| type | reference |
| scripts_exempt | true |
# ❌ Slow: Loop
result = []
for x in x_array:
result.append(np.sin(x) * np.exp(-x))
# ✅ Fast: Vectorized
result = np.sin(x_array) * np.exp(-x_array)
# Use appropriate precision
float32_array = np.array([1, 2, 3], dtype=np.float32) # Less memory
float64_array = np.array([1, 2, 3], dtype=np.float64) # More precision
# Use integer when possible
int_array = np.array([1, 2, 3], dtype=np.int32)
# ❌ Slower and less stable
x = np.linalg.inv(A) @ b
# ✅ Faster and more stable
x = np.linalg.solve(A, b)
# Broadcasting allows operations on arrays of different shapes
A = np.array([[1, 2, 3],
[4, 5, 6]]) # Shape (2, 3)
b = np.array([10, 20, 30]) # Shape (3,)
# Broadcast adds b to each row of A
C = A + b # Shape (2, 3)
# Check condition number
cond = np.linalg.cond(A)
if cond > 1e10:
print("Warning: Matrix is ill-conditioned")
# Use appropriate solver for symmetric positive definite
if np.allclose(A, A.T) and np.all(np.linalg.eigvals(A) > 0):
x = np.linalg.solve(A, b) # Can use Cholesky internally