IPFS 指纹 这是什么
Python讀書會 - 公開課程讀書會筆記 - NumPy介紹 - NumPy屬性 - 創建數組Array
哈囉，大家好!!由於小弟最近接到擔任舉辦讀書會的講師，而這個讀書會是根據莫凡Python公開課程所開設的，大家希望我可以帶他們看過莫凡Python的相關系列課程，所以讀書會這個系列主要是根據莫凡Python的公開系列課程講解和筆記，當然我也會額外找尋資料並補充給大家，也因為是根據公開課程的筆記，所以我都會明確記錄出處，如果有違反作者權力，麻煩告知，我會在第一時間立即刪除這系列的文章，感謝大家，當然也要特別感謝莫凡Python這麼厲害的公開課程，讓大家可以無痛初探Python的魔法世界!!
我是跟其他優秀的講師一起開設莫凡Python讀書會的，所以我不會每個章節都有筆記喔XD!!
1. NumPy與Pandas介紹
課程資料來源: 1 numpy & pandas 有什么用? (教学教程)
應用的地方
- Data Analysis 數據分析
- Machine Learning 機器學習
- Deep Learning 深度學習
當然有相當多的實務應用上都會使用它們，像是數據前處理、數據視覺化等等，都會透過它們來將資料進行一個清理與計算
補充: NumPy是什麼？
- 說明：Numerical Python(數值Python)的縮寫，它提供了強大的接口，讓我們存儲和操作密集的數據緩衝區（dense data buffers）
- Python關聯：NumPy的數組像是Python內建的列表（list）型態，但是NumPy數組在儲存和操作大量數據時，提供了比Python本身更好的效能
- 重要性：NumPy數組接近是整個Python數據科學領域工具鏈的核心，許多我們所使用的數據分析與處理套件都是以它為基礎構建的
為什麼要使用NumPy和Pandas?
- 它所消耗的電腦資源相當少: 因為它採用矩陣運算，所以會比Python原生自帶的字典Dictionary和列表快非常多
- 運算速度非常快: 由於NumPy和Pandas都是採用C語言來撰寫的，而Pandas是基於NumPy所開發的，所以算是NumPy的升級版本
補充: 為什麼NumPy的數組進行計算操作時是非常快的?
計算NumPy的數組可以是非常快,也可以是非常慢的,然而快的原因:
- 向量化的操作
- 都是透過 NumPy 的通用函式(ufuncs : Universal Functions)來實現的
例如: 我們今天要拿兩個矩陣進行計算，如果都用Python字典Dictionary或是列表一個一個相加就會比較慢，如果使用NumPy的向量化操作就會快非常多
2. NumPy屬性
課程資料來源: 3 numpy 属性 (教学教程)
導入NumPy套件
## 導入NumPy套件 import numpy as np
將列表轉換為矩陣
## 將列表轉化為矩陣 array = np.array([[2,4,6], [3,7,9], [1,3,8]]) array
執行結果
array([[2, 4, 6], [3, 7, 9], [1, 3, 8]])
數組的屬性 - 維度、形狀、大小
## 數組維度
print('number of dim: ', array.ndim)
## 數組的形狀 - 行數核列數
print('array shape: ', array.shape)
## 數組的大小 - 元素個數
print('size: ', array.size)
執行結果
number of dim: 2 array shape: (3, 3) size: 9
3. NumPy創建數組Array
課程資料來源: 4 numpy 的创建 array (教学教程)
簡單創建一個數組
## 創建一個數組 a = np.array([2,6,8]) print(a)
執行結果
[2 6 8]
指定創建數組的數據類型
整數
## 指定創建數組的數據類型 a = np.array([2,6,8], dtype = np.int) print(a.dtype) a = np.array([2,6,8], dtype = np.int64) print(a.dtype)
執行結果
int32 int64
浮點數
## 指定創建數組的數據類型 a = np.array([2,6,8], dtype = np.float) print(a.dtype) a = np.array([2,6,8], dtype = np.float32) print(a.dtype)
執行結果
float64 float32
創建特定的數組
創建各類型數組的方法
- array: 創建數組
- dtype: 數據類型
- zeros: 創建全為0的數組
- ones: 創建全為1的數組
- empty: 創建接近0的數組
- arange: 指定創建數組裡面的數據範圍值
- linspace: 構建線段的數據值
- reshape: 改變數組形狀
array
## 創建數組 a = np.array([[1,2,3],[4,5,6]]) print(a)
執行結果
[[1 2 3] [4 5 6]]
zeros
## 創建值全為0的5行6列數組 a = np.zeros((5,6)) print(a)
執行結果
[[0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0.] [0. 0. 0. 0. 0. 0.]]
ones
## 創建值全為1的5行6列數組 a = np.ones((5,6)) print(a)
執行結果
[[1. 1. 1. 1. 1. 1.] [1. 1. 1. 1. 1. 1.] [1. 1. 1. 1. 1. 1.] [1. 1. 1. 1. 1. 1.] [1. 1. 1. 1. 1. 1.]]
ones + 指定dtype
## 創建值全為1的5行6列數組，指定數據類型為int a = np.ones((5,6), dtype = np.int) print(a) print(a.dtype)
執行結果
[[1 1 1 1 1 1] [1 1 1 1 1 1] [1 1 1 1 1 1] [1 1 1 1 1 1] [1 1 1 1 1 1]] int32
empty
## 創建一個全空，但每個元素值都接近於0的數組 a = np.empty((4,5)) print(a) ## 創建一個全空，但每個元素值都接近於0的數組，並指定數據類型為int b = np.empty((4,5), dtype = np.int) print(b)
執行結果
[[6.23042070e-307 4.67296746e-307 1.69121096e-306 9.34609111e-307 1.33511018e-306] [1.33511969e-306 6.23037996e-307 6.23053954e-307 9.34609790e-307 8.45593934e-307] [9.34600963e-307 3.56036603e-307 1.37961641e-306 1.37961302e-306 1.11259940e-306] [1.60219035e-306 1.11261570e-306 1.06811354e-306 8.34448533e-308 1.21347091e+295]] [[ -13901544 605 45 0 0] [ 0 0 0 0 1819042080] [1634607739 975332717 1685353250 578057583 1702109740] [ 975336568 1869375010 875983969 1818652252 863265135]]
arange
## 創建一個指定範圍的數組: 0~60，中間隔5的值 a = np.arange(0,60,5) print(a)
執行結果
[ 0 5 10 15 20 25 30 35 40 45 50 55]
linspace
## 創建線段行數據 - 1~20之間切10個點 a = np.linspace(1,20,10) print(a)
執行結果
[ 1. 3.11111111 5.22222222 7.33333333 9.44444444 11.55555556 13.66666667 15.77777778 17.88888889 20. ]
reshape
## 改變數組形狀 a = np.linspace(1,20,10).reshape((5,2)) print(a)
執行結果
[[ 1. 3.11111111] [ 5.22222222 7.33333333] [ 9.44444444 11.55555556] [13.66666667 15.77777778] [17.88888889 20. ]]
4. 補充閱讀
NumPy的屬性與操作