快樂學程式

嗨，大家好，我是Teresa，這集想來和大家介紹在資料分析、機器學習領域中很經典、必定會用到的函式庫-Numpy，目的主要是做數據的處理，但內容不會涉及統計的理論和延伸，只會做一些基礎的功能介紹和簡易的實作程式碼提供給大家。

什麼是Numpy？

Numpy是一個免費且開源的Python函式庫，專門用來處理陣列，由Travis Oliphant於2005年創建，但Numpy的前身是Numeric，是由Jim Hugunin和其他協作者共同開發，Numpy結合另一個同性質程式庫Numarray的特色，並加入了其他擴充功能。原始碼在這個網站中：https://github.com/numpy/numpy

為什麼使用Numpy？

在Python中，我們也有list來存放清單，但其實處理速度很慢，Numpy處理陣列的速度比list快50倍。原因是Numpy會將資料儲存在記憶體中的一個連續位置，可以高效率的找到他們的位置、並使用資料。

安裝Numpy

pip install numpy

import numpy

#測試程式碼
arr = numpy.array([1, 2, 3, 4, 5])

print(arr)

#如果覺得每次都要輸入numpy很麻煩，在匯入的時候可以輸入：

import numpy as np

arr = np.array([1, 2, 3, 4, 5])

建立陣列

Numpy的陣列稱為ndarray，創建陣列的函數為：ndarray array( )

arr0 = np.array(40)

print(arr0) #只有一個元素的陣列

arr1 = np, array([1, 2, 3, 4, 5])

print(arr1) #稱為單維或一維的陣列，裡面的值包含1, 2, 3, 4, 5

arr2 = np.array([[1, 2, 3], [4, 5, 6]])

print(arr2) #包含一個以上的一維陣列稱為二維陣列，可用來表示矩陣

arr3 = np. array([[[1, 2, 3], [4, 5, 6]], [[ 1, 2, 3], [4, 5, 6]]])

print(arr3) #包含一個以上的二維陣列稱為三維陣列

利用函數ndim 可以得知陣列有幾個維度

arr0 = np.array(40)

arr1 = np, array([1, 2, 3, 4, 5])

arr2 = np.array([[1, 2, 3], [4, 5, 6]])

arr3 = np. array([[[1, 2, 3], [4, 5, 6]], [[ 1, 2, 3], [4, 5, 6]]])

print(arr0.ndim) #0

print(arr1.ndim) #1

print(arr2.ndim) #2

print(arr3.ndim) #3

陣列可以有任何數的維度，可以用ndmin來定義維度的數量

arr = np.array([1, 2, 3, 4], admin = 5)

print(arr)

print(“此陣列為", arr.ndim, “維度")

陣列的大小

利用shape可以得到陣列是以幾個維度、幾個元素所組成

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

print(arr.shape) #(2, 4)，兩個維度，每個維度有4個元素

重塑陣列

利用reshape可以改變陣列的大小

只要陣列大小中的元素相等，我們可以將陣列重塑成各種形狀

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12])

newarr = arr.reshape(4, 3)  #4個陣列，每個陣列有3個元素

print(newarr)  #[[ 1  2  3] [ 4  5  6] [ 7  8  9] [10 11 12]]

newarr1 = arr.reshape(2, 3, 2) #2個維度，每個維度2個陣列，每個陣列2個元素

print(newarr1)  #[[[ 1  2] [ 3  4] [ 5  6]]  [[ 7  8] [ 9 10] [11 12]]]

假設陣列中的元素很多，可以只指定要重塑成幾維度和幾個陣列，元素個數可用-1取代

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8])

newarr = arr.reshape(2, 2, -1)

print(newarr)  #[[[1 2] [3 4]] [[5 6] [7 8]]]

如果想要把陣列展開，可以利用reshape(-1)

arr = np.array([[1, 2, 3], [4, 5, 6]])

newarr = arr.reshape(-1)

print(newarr)  #[1 2 3 4 5 6]

索引陣列

如果還記得我曾在字串中提到索引的概念，也同樣可以套用在這裡

再次提醒，索引值是從0開始

arr = np.array([1, 2, 3, 4])

print(arr[0]) #1

print(arr[0]) #2

print(arr[2] + print(arr[3])) #7，取得陣列中第3和第4個元素並相加

如果想要索引二維或三維陣列中的元素，可以用逗號分隔 [ 陣列, 元素]

arr2 = np.array([[1,2,3,4,5], [6,7,8,9,10]])

print("第一個陣列的第二個元素是： ", arr2[0, 1]) #2

print("第二個陣列的第五個元素是： ", arr2[1, 4]) #10

索引三維陣列：[第幾維度, 陣列, 元素]

arr3 = np.array([[[1, 2, 3], [4, 5, 6]], [[7, 8, 9], [10, 11, 12]]])

print(arr3[0, 1, 2]) #6

負索引：-1 表示從最後一個元素開始

arr2 = np.array([[1,2,3,4,5], [6,7,8,9,10]])

print("第一個陣列的第二個元素是： ", arr2[1, -1]) #10

切片陣列

切片可以把陣列從某個元素索引到某個元素，[開始:結束:步數]

注意：切片的結果會包含開始，不包含結束

arr = np.array([1, 2, 3, 4, 5, 6, 7])

print(arr[1:5])  #步數預設為1，切片結果：[2,3, 4, 5]

print(arr[4:])  #從第5個元素，切到最後一個元素，結果：[5, 6, 7]

print(arr[:4])  #從第一個元素，切到第4-1個元素，結果：[1, 2, 3, 4]

print(arr[-3:-1]) #運用負索引的概念，結果：[5, 6]

print(arr[1:5:2]) #結果：[2, 4]

print(arr[::2])  #結果：[1, 3, 5, 7]

如果是要切片二維陣列 [ 陣列，開始:結束:步數]

arr = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]])

print(arr[1, 1:4]) #[7, 8, 9]

複製與檢視陣列

複製(copy)陣列後，對複本有所更改都不會影響原始陣列；相反地，對原始陣列做任何更改也不會影響複本。

檢視(view)陣列的話，對陣列有所更改，將會影響到原始陣列的數據，需特別注意。

arr = np.array([1, 2, 3, 4, 5])

x = arr.copy()

arr[0] = 42

print(arr) #[42, 2, 3, 4, 5]

print(x)  #[1, 2, 3, 4, 5]，對複本沒有影響

arr = np.array([1, 2, 3, 4, 5])

x = arr.view()

x[0] = 31

print(arr) #[31, 2, 3, 4, 5]

print(x)  #[31, 2, 3, 4, 5]，改變原始陣列也改變檢視中的陣列

要如何判斷陣列是不是會被改變？ 利用函數 base

arr = np.array([1, 2, 3, 4, 5])

x = arr.copy()

y = arr.view()

print(x.base)  #None，表示屬於一個新的陣列，不會改變原始陣列

print(y.base)  #[1, 2, 3, 4, 5]，表示數據來自此陣列，修改後原始陣列也會受影響

遍歷陣列

如果要運用到陣列中的每一個元素，以for迴圈來寫，會讓程式碼變得非常複雜

我們可以使用nditer( )來達到同樣的效果

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])

for x in np.nditer(arr):

    print(x)  #1 2 3 4 5 6 7 8

for y in np.nditer(arr[:, ::2]):  #運用索引的概念

    print(y)  #1, 3, 5, 7

使用ndenumerate( )可以讓輸出的結果包含元素的索引號

arr = np.array([1, 2, 3])

for idx, x in np.ndenumerate(arr):

    print(idx, x)  #(0,) 1    (1,) 2     (2,) 3

arr1 = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])

for idx, y in np.ndenumerate(arr1):

    print(idx, y)  #(0, 0) 1     (0, 1) 2     (0, 2) 3     (0, 3) 4

#(1, 0) 5     (1, 1) 6     (1, 2) 7     (1, 3) 8

串聯陣列

利用concatenate(陣列,陣列,軸)可以把兩個或多個陣列放在同一個陣列中，軸預設值為0

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.concatenate((arr1, arr2))

print(arr)  #[1 2 3 4 5 6]

arr3 = np.array([[1, 2], [3, 4]])

arr4 = np.array([[5, 6], [7, 8]])

arr = np.concatenate((arr3, arr4), axis=1)  #軸= 1表示二維陣列

print(arr)  #[[1 2 5 6] [3 4 7 8]]

利用stack( )可以沿著所指定的軸將值堆疊上去

hstack( )：沿著行堆疊

vstack( )：沿著列堆疊

dstack( )：沿著高度堆疊

arr1 = np.array([1, 2, 3])

arr2 = np.array([4, 5, 6])

arr = np.stack((arr1, arr2), axis=1)

print(arr)  #[[1 4] [2 5] [3 6]]

arr = np.hstack((arr1, arr2))

print(arr)  #[1 2 3 4 5 6]

arr = np.vstack((arr1, arr2))

print(arr)  #[[1 2 3] [4 5 6]]

arr = np.dstack((arr1, arr2))

print(arr)  #[[[1 4] [2 5] [3 6]]]

分割陣列

分割是串聯的反向操作，利用array_split( )可以將一個陣列分割成多個陣列，一二三維度同理

arr = np.array([1, 2, 3, 4, 5, 6])

newarr = np.array_split(arr, 3)

print(newarr)

#[array([1, 2]), array([3, 4]), array([5, 6])]

print(newarr[0]) #[1, 2]

print(newarr[1]) #[3, 4]

print(newarr[2]) #[5, 6]

陣列排序

利用sort( )可將陣列排序，會生成複製的陣列，不會影響到原始的陣列

arr = np.array([3, 2, 0, 1])

print(np.sort(arr)) #[0, 1, 2, 3]

arr1 = np.array([[3, 2, 4], [5, 0, 1]])

print(np.sort(arr1)) #[[2 3 4]  [0 1 5]]

arr2 = np.array(['banana', 'cherry', 'apple'])

print(np.sort(arr2)) #['apple' 'banana' 'cherry']，依照ASCII碼大小排列

arr3 = np.array([True, False, True])

print(np.sort(arr3)) #[False True True]，依照ASCII碼大小排列

搜尋陣列

利用where( )可以尋找陣列中的某個值並回傳相對應元素的索引值

arr = np.array([1, 2, 3, 4, 5, 4, 4])

x = np.where(arr == 4)

print(x)  #(array([3, 5, 6],)

arr1 = np.array([1, 2, 3, 4, 5, 6, 7, 8])

x = np.where(arr1%2 == 0)  #可用來尋找符合條件的元素

print(x)  #(array([1, 3, 5, 7]),)

利用searchsorted()可以回傳某個值應該要放在該陣列的第幾個才能符合已排序的陣列

默認值是從左側搜尋，加入side=’right’ 可以從右側搜尋

也可以放入多個值，只要以逗號分隔即可

arr = np.array([6, 7, 8, 9])

x = np.searchsorted(arr, 10)  #想在陣列中放入10

print(x)  #4，索引值為4才可以保持陣列的順序

篩選陣列

輸入True或False可以從原有的陣列中取得元素來建立新陣列

arr = np.array([41, 42, 43, 44])

x = [True, False, True, False]

newarr = arr[x]

print(newarr)  #[41, 43]

假如陣列的元素數量多的時候，可以用for迴圈來寫篩選條件

arr = np.array([41, 42, 43, 44])

filter_arr = [ ]  #建立空的陣列

for element in arr:

    if element > 42:
        
        filter_arr.append(True)

    else:

        filter_arr.append(False)

newarr = arr[filter_arr]

print(filter_arr)  #[False, False, True, True]

print(newarr)  #[43 44]

好的，Ep. 9的整理就到這裡了，還有很多是和統計學有關的應用，就不在這裡贅述了。另外，我想你們也會對Python的資料分析套件Pandas感到興趣，來看看吧！

Python初學總整理 全系列：

Python初學總整理 第1講：Python簡介

Python初學總整理 第2講：Python開發環境

Python初學總整理 第3講：Python資料型態和運算子

Python初學總整理 第4講：Python條件、迴圈與函數

Python初學總整理 第5講：爬蟲應用（上）

Python初學總整理 第6講：爬蟲應用（下）

Python初學總整理 第7講：爬蟲實例解析 – 以爬取臉書社團為案例，使用 Selenium 來進行網頁模擬爬蟲

Python初學總整理 第8講：Matplotlib套件

Python初學總整理 第9講：Numpy函式庫 (本篇)

---

文章看完還是不知道該從哪裡下手？

就從線上課程開始吧！不讓你獨自摸索好幾個月，用8小時帶你走完基礎與精華，培養你基礎的Python概念，讓自學下一步不是煩惱！

全新Python 課程上架，8小時基礎實戰！，限時優惠只要NT 600 (HDK 120 起)！

不讓妳浪費一整天，只要你8小時，就能讓你學會基礎！

現在開始上課！

如果你的入門還在單打獨鬥，歡迎來到快樂學程式找到志同道合的夥伴，你的自學之路不孤單。

快樂學程式

參考資料

1. https://www.w3schools.com/python/numpy_intro.asp
2. https://zh.wikipedia.org/wiki/NumPy
3. https://blog.techbridge.cc/2020/08/24/numpy-zen-intro-tutorial/