數據科學的基石：十個必學 NumPy 操作詳解
NumPy是Python中用于科學計算的基礎庫，提供了高性能的多維數組對象和處理這些數組的工具。本文介紹NumPy中最常用的10個操作，這些操作在數據分析和科學計算中非常實用。
1. 創建數組
NumPy提供了多種創建數組的方法，最基本的是使用np.array()函數：
import numpy as np
# 創建一維數組
arr1 = np.array([1, 2, 3, 4, 5])
# 創建二維數組
arr2 = np.array([[1, 2, 3], [4, 5, 6]])
# 創建全零數組
zeros = np.zeros((3, 3))
# 創建全一數組
ones = np.ones((2, 2))
# 創建等差數列
arange = np.arange(10)這些方法可以幫助我們快速創建不同類型的數組，適用于各種數據處理場景。
2. 數組的基本屬性和索引
了解數組的基本屬性和如何訪問數組元素是使用NumPy的基礎：
# 查看數組維度
print(arr2.ndim)
# 查看數組形狀
print(arr2.shape)
# 查看數組元素總數
print(arr2.size)
# 查看數組元素類型
print(arr2.dtype)
# 訪問單個元素
print(arr2[0, 0])
# 訪問一整行
print(arr2[0, :])
# 訪問一整列
print(arr2[:, 1])
# 切片操作
print(arr2[1:, 1:])這些操作讓我們能夠了解數組的結構并精確地訪問數組中的元素。
3. 數組運算
NumPy支持數組的各種數學運算，無需使用循環即可對整個數組進行操作：
a = np.array([1, 2, 3])
b = np.array([4, 5, 6])
# 數組加法
print(a + b)
# 數組減法
print(a - b)
# 數組乘法（元素級別）
print(a * b)
# 數組除法
print(a / b)
# 矩陣乘法
print(np.dot(a, b))這種向量化運算是NumPy高效處理大型數據集的關鍵。
4. 統計函數
NumPy提供了豐富的統計函數，可以快速計算數組的統計特性：
arr = np.array([1, 2, 3, 4, 5])
# 求和
print(np.sum(arr))
# 平均值
print(np.mean(arr))
# 方差和標準差
print(np.var(arr))
print(np.std(arr))
# 最小值和最大值
print(np.min(arr))
print(np.max(arr))
# 最小值和最大值的索引
print(np.argmin(arr))
print(np.argmax(arr))這些函數對于數據分析和統計工作非常有用。
5. 數組形狀操作
NumPy允許我們改變數組的形狀，而不改變其數據：
arr = np.arange(12)
# 重塑數組形狀
reshaped = arr.reshape(3, 4)
# 轉置數組
transposed = reshaped.T
# 展平數組
flattened = reshaped.flatten()這些操作在處理多維數據時特別有用，例如圖像處理或深度學習。
6. 數組合并與分割
NumPy提供了多種方法來合并和分割數組：
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
# 水平合并
horizontal = np.hstack((a, b))
# 或使用
horizontal = np.concatenate((a, b), axis=1)
# 垂直合并
vertical = np.vstack((a, b))
# 或使用
vertical = np.concatenate((a, b), axis=0)
# 水平分割
h_split = np.hsplit(horizontal, 2)
# 垂直分割
v_split = np.vsplit(vertical, 2)這些操作在處理和組織數據集時非常有用。
7. 隨機數生成
NumPy的隨機模塊提供了多種生成隨機數的方法：
# 生成0-1之間的隨機數
random_array = np.random.random((3, 3))
# 生成正態分布的隨機數
normal_array = np.random.normal(0, 1, (3, 3))
# 生成指定范圍內的隨機整數
random_integers = np.random.randint(0, 10, (3, 3))
# 生成指定概率分布的隨機數
random_choice = np.random.choice([1, 2, 3], size=5, p=[0.1, 0.3, 0.6])隨機數生成在模擬、抽樣和機器學習中廣泛應用。
8. 線性代數操作
NumPy提供了豐富的線性代數函數：
a = np.array([[1, 2], [3, 4]])
# 矩陣的跡
print(np.trace(a))
# 矩陣的行列式
print(np.linalg.det(a))
# 矩陣的逆
print(np.linalg.inv(a))
# 矩陣的特征值和特征向量
eigenvalues, eigenvectors = np.linalg.eig(a)
# 解線性方程組
b = np.array([5, 6])
x = np.linalg.solve(a, b)這些操作在科學計算、工程和數據分析中非常重要[2][3]。
9. 數組的條件操作
NumPy允許我們基于條件對數組進行操作：
arr = np.array([1, 2, 3, 4, 5])
# 條件索引
print(arr[arr > 2])
# 條件替換
arr[arr > 3] = 10
# 使用where函數
result = np.where(arr > 2, arr, 0)
# 統計滿足條件的元素個數
count = np.sum(arr > 2)這些操作使得數據篩選和轉換變得簡單高效。
10. 數組的保存與加載
NumPy提供了保存和加載數組的功能，便于數據的持久化：
arr = np.array([[1, 2, 3], [4, 5, 6]])
# 保存數組到文件
np.save('my_array', arr)
# 從文件加載數組
loaded_arr = np.load('my_array.npy')
# 保存多個數組
np.savez('arrays', a=arr, b=arr*2)
# 加載多個數組
data = np.load('arrays.npz')
a = data['a']
b = data['b']這些功能對于處理大型數據集和模型訓練非常有用。
總結
NumPy提供了豐富的功能，使Python成為科學計算和數據分析的強大工具。上述10個操作是NumPy中最常用的功能，掌握這些操作將大大提高數據處理的效率。NumPy的高性能和易用性使其成為Python科學計算生態系統的基礎，也是其他科學計算庫（如Pandas、SciPy和Scikit-learn）的核心依賴。
通過熟悉本文的這些操作，我們可以高效地處理大型數據集，進行復雜的數學計算，以及實現各種數據分析和機器學習算法。
