Numpy 備忘單：Python 中的基本數據分析

作為使用 Python 的數據科學家，您很可能遇到過NumPy 庫。它是Python中科學計算的基礎包之一。

憑藉對多維數組執行高性能操作的能力，NumPy 是任何深入研究數據科學或 Python 數值計算的人的必備工具。

NumPy 備忘單是一個極好的資源，可以幫助指導您進入這個 Python 庫。全面的備忘單將幫助您瀏覽 NumPy 的功能并快速熟練地使用它完成各種任務！

另外，請記住 NumPy 位於重要庫的核心，例如 Pandas、SciPy、sci-kit-learn 和其他 Python 包。

通過借助 Python NumPy備忘單掌握其基礎知識，您將能夠更好地使用這些庫。您還將提高處理複雜數據結構和計算的技能。

您是老派（像我們一樣）並想下載並可能打印出您的備忘單嗎？

向下滾動以執行此操作。

目錄

• NumPy 基礎知識
  • 1. 安裝和導入 NumPy
  • 2.數組創建
  • 3.數組屬性
  • 4.數據類型
• 數組操作
  • 1.重塑
  • 2.複製
  • 3.串聯
  • 4.分裂
  • 5. 添加/刪除元素
  • 6.索引
  • 7.切片
• 初等函數
  • 1.算術運算
  • 2.三角學
  • 3.指數和對數
• 陣列分析
  • 1.聚合函數
  • 2.統計功能
  • 3.搜索
  • 4.分揀
• 進階功能
  • 1.廣播
  • 2. 線性代數
• 輸入輸出
  • 1.保存和加載數組
  • 2. 讀寫文本文件
• 在下面下載您的備忘單
• 最後的想法

NumPy 基礎知識

在本節中，我們將介紹 NumPy 的基礎知識，重點介紹安裝 NumPy、數組創建、數組屬性和數據類型。這些概念將為在 Python 數據科學項目中理解和有效利用 NumPy 打下堅實的基礎。

1. 安裝和導入 NumPy

您可以使用以下命令從命令行安裝 NumPy：

pip install numpy

安裝後，將其導入您的代碼中。

import numpy as np

請記住，您可以使用除np之外的任何其他名稱。但是，np是大多數開發人員和數據科學家使用的標準 NumPy 導入約定。

2.數組創建

在 NumPy 中創建數組簡單明了。您可以使用numpy.array()函數從列表或元組創建數組：

import numpy as np

a = np.array([1, 2, 3])  # Creates a 1D array
b = np.array([(1, 2, 3), (4, 5, 6)])  # Creates a 2D array

您還可以使用各種函數生成特定形狀和值的數組：

• np.zeros()：創建一個用零填充的數組

• np.ones()：創建一個由 1 填充的數組

• np.identity()：創建單位矩陣數組。

• np.empty()：創建一個數組而不將其元素初始化為任何特定值

• np.arange()：創建一個數組，在起始值和結束值之間具有規則間隔的值

• np.linspace()：創建一個數組，在起始值和結束值之間具有指定數量的均勻間隔值

注意：您不能在 NumPy 中生成空數組。每個 NumPy 數組都有一個固定的、不可變的大小，並且在創建數組時必須填充數組中的每個元素。

np.empty ()函數創建所需的數組形狀並用隨機值填充它。默認方法創建一個隨機浮點數組。

您可以使用dtype參數創建不同的數組數據類型。

3.數組屬性

NumPy 數組有幾個屬性可以提供有關數組的有用信息。讓我們看看其中的一些：

• ndarray.shape：返回數組的維度作為元組（行，列）

• ndarray.ndim：返回數組的維數

• ndarray.size：返回數組中元素的總數

• ndarray.dtype：返回數組元素的數據類型

要訪問這些屬性，請使用點符號，如下所示：

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

#Print out the array shape
print(a.shape)  # Output: (2, 3)

4.數據類型

NumPy 提供了多種數據類型來將數據存儲在數組中，例如整數、字符串、浮點數、布爾值和復數。默認情況下，NumPy 會嘗試根據輸入元素推斷數據類型。

但是，您也可以使用dtype關鍵字顯式指定數據類型。例如：

import numpy as np
a = np.array([1, 2, 3], dtype=float)  # Creates an array of floats

常見的 NumPy 數據類型包括：

• np.int32 : 32位整數

• np.int64： 64 位整數

• np.float32： 32位浮點數

• np.float64： 64位浮點數

• np.complex：複數，由兩個64位浮點數表示

您還可以將數組從一種數據類型轉換為另一種數據類型。在此示例中，我們將使用np.array()方法將整數數組a轉換為布爾數組arr。

從示例中，我們可以看到 array() 方法將數組元素轉換為布爾值。然後這些布爾值形成新的 NumPy 數組 arr。

了解 NumPy 的這些基本概念將使您能夠有效地使用數組並執行各種數學 NumPy 運算。例如，您可以觀看我們關於如何在 Python 中轉換和編碼地址的視頻。

在其中，我們使用 Python Pandas 和 NumPy 數據類型對家庭地址進行地理編碼。

數組操作

在本節中，您將了解 NumPy 中的各種數組形狀操作技術。我們將討論重塑、串聯、複製、拆分、添加/刪除元素、索引和切片。

這些技術對於在數據科學項目中有效處理數組數據至關重要。

讓我們深入了解每個子部分。

1.重塑

在 NumPy 中重塑數組是您將要執行的一項常見任務。您可能需要更改數組的形狀以符合函數或算法的要求。

要重塑數組，請使用reshape()函數：

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

這會將您的一維數組轉換為具有 2 行和 3 列的二維數組。

注意：確保您提供的新形狀與原始數組具有相同的大小（數組元素的數量）。

2.複製

您可以使用copy()方法將一個 NumPy 數組中的元素複製到另一個數組中。您應該注意，使用賦值運算符“=”會創建一個淺表副本。

#Creating a shallow copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = a
b[0] = 19

print(a) #Output:[19, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

新數組僅引用系統內存中的舊數組。它們包含相同的元素，並且彼此不獨立。

通過使用深拷貝，您可以創建一個新的 NumPy 數組，其中包含與舊數組相同的數據，同時又獨立於舊數組。

#Creating a deep copy of a NumPy array
a = np.array([9, 6, 12, 16, 20])
b = np.copy(a)
b[0] = 19

print(a) #Output:[9, 6, 12, 16, 20]
print(b) #Output:[19, 6, 12, 16, 20]

3.串聯

有時，您可能需要將兩個數組合併為一個數組。在 NumPy 中，您可以使用concatenate()函數沿現有軸連接數組：

import numpy as np

arr1 = np.array([1, 2, 3])
arr2 = np.array([4, 5, 6])
result = np.concatenate((arr1, arr2))

這將arr1和arr2組合成一個數組。請記住，被連接的數組應該具有相同的形狀，除了沿著指定的軸。

4.分裂

拆分與連接相反。您可以使用 split() 函數將一個數組分成更小的子數組：

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

這會將數組拆分為 3 個大小相等的子數組。確保您指定的拆分數可以沿給定軸平均劃分數組的大小。

5. 添加/刪除元素

可以使用append()和delete()函數在 NumPy 數組中添加或刪除元素。您可以使用前者將值附加到數組的末尾，而後者刪除指定索引處的元素。

這是一個例子：

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

arr = np.append(arr, [4, 5, 6]) # Appends values to the end of the array
arr = np.delete(arr, 0) # Removes the array element on index 0

請記住，NumPy 數組具有固定大小。使用 append() 或 delete() 時，會創建一個新數組，而不會修改原來的數組。

6.索引

您可以像對 Python 列表或元組一樣對 NumPy 數組執行索引操作。讓我們看看如何訪問或更改給定數組中的數組元素。

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

#Returns the array element on index 1
element_2 = b[1]

#Change the array element on index 0
arr[0]= 89

7.切片

您還可以對 NumPy 數組進行切片以提取或查看數據的一部分，就像您執行 Python列表或集合一樣。讓我們看下面的例子：

arr1 = np.array([1, 2, 3, 4, 5, 6, 7])
arr2 = np.array([(1, 2, 3, 6, 0), (4, 5, 6, 11, 13)]) 

# To return the first 3 elements of arr1
print(arr1[0:3]) #Output: [1, 2, 3]

# To return the second row in arr2
b = arr2[1, : ].copy() #Output: [4, 5, 6, 11, 13]

注意：切片會創建一個仍然引用主數組的淺表副本。因此，您對切片數據所做的任何更改都將應用於主數組，反之亦然。

為避免這種情況，您可以使用 copy() 方法創建一個深度的、獨立的副本。

初等函數

在本節中，您將了解 NumPy 中的不同基本函數，這將簡化您的數據分析任務。我們將介紹算術運算、三角函數、指數和對數。

1.算術運算

NumPy 提供對數組的各種數學運算，使它們的使用變得簡單高效。數組數學矢量數學

一些操作是：

• 添加： numpy.add(x1, x2)

• 減法： numpy.subtract(x1, x2)

• 乘法： numpy.multiply(x1, x2)

• 除法： numpy.divide(x1, x2)

• 模數： numpy.mod(x1, x2)

• 功率： numpy.power(x1, x2)

• 平方根： numpy.sqrt(x)

注意：使用這些操作時，兩個數組的形狀必須相同。如果沒有，您將遇到錯誤。

由於稱為廣播的 NumPy 功能，某些數組存在異常。我們將在後面的部分中介紹。

您可以對數組按元素執行這些操作，這使得它們對於大規模數據操作非常高效。

2.三角學

三角函數在各種數學和科學計算中起著重要作用。NumPy 提供了廣泛的三角函數。

一些基本功能是：

• 正弦：numpy.sin(x)

• 餘弦： numpy.cos(x)

• 切線： numpy.tan(x)

• 反正弦： numpy.arcsin(x)

• 反餘弦： numpy.arccos(x)

• 反正切：numpy.arctan(x)

這些函數與數組無縫協作，使您可以更輕鬆地對大型數據集執行矢量化計算。

3.指數和對數

指數和對數對於各種數值運算至關重要。NumPy 提供了大量函數來處理指數和對數。

一些主要功能是：

• 指數：numpy.exp(x)

• 對數（以 e 為底）： numpy.log(x)

• 對數（以 10 為底）： numpy.log10(x)

• 對數（以 2 為底）： numpy.log2(x)

利用這些函數，您可以快速對數組中的每個元素執行複雜的數學運算。這使您的數據分析任務更易於訪問且更高效。

陣列分析

在本節中，我們將討論在 NumPy 中分析數組和數組元素的各種技術。我們將介紹的一些關鍵特性包括聚合函數、統計函數、搜索和排序。

1.聚合函數

NumPy 提供了幾個聚合函數，允許您對數組執行操作，例如對所有元素求和、查找最小值或最大值等：

• sum: np.sum(your_array) – 計算數組中所有元素的總和。

• min: np.min(your_array) – 找到最小的數組元素。

• max: np.max(your_array) – 找到最大的數組元素。

• mean : np.mean(your_array) – 計算數組中值的平均值。

• median : np.median(your_array) – 查找數組中值的中位數。

2.統計功能

NumPy 還有多種統計函數可以幫助你分析數據：

• std: np.std(your_array) – 計算數組中值的標準差。

• var: np.var(your_array) – 計算數組中值的方差。

• corrcoef : np.corrcoef(your_array) – 計算數組的相關係數。

3.搜索

可以使用多種方法在 NumPy 數組中進行搜索：

• argmin: np.argmin(your_array) – 找到最小數組元素的索引。

• argmax: np.argmax(your_array) – 找到最大數組元素的索引。

• 其中： np.where(condition) – 返回數組中滿足給定條件的元素的索引。

4.分揀

您可以使用以下函數對數組中的元素進行排序：

• sort : np.sort(your_array) – 按升序對數組中的元素進行排序。

• argsort: np.argsort(your_array) – 返回對數組進行排序的索引。

借助這些功能和技術，您可以方便地分析和操作 NumPy 數組，以發現有價值的見解並支持您的數據分析工作。

進階功能

在本節中，我們將探討 NumPy 中的一些高級函數，以幫助您更高效地處理數據。我們將介紹廣播和線性代數函數。

1.廣播

廣播是一個強大的 NumPy 功能，它允許您對具有不同形狀和大小的數組執行操作。它的工作原理是自動擴展較小數組的維度以匹配較大數組，從而更容易執行逐元素操作。

這是一個例子：

import numpy as np
A = np.array([1, 2, 3])
B = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

C = A + B

在此示例中，一維數組 A 被廣播以匹配二維數組 B 的形狀，從而允許按元素添加。

使用廣播時請牢記以下規則：

• 數組的維度必須兼容（大小相同或其中之一為 1）。

• 廣播是從尾隨維度應用的，並向領先維度起作用。

2. 線性代數

NumPy 提供了幾個線性代數函數，在處理多維數組時很有用。其中一些功能包括：

• np.dot(A, B)：計算兩個數組的點積。

• np.linalg.inv(A)：計算方陣的逆。

• np.linalg.eig(A)：計算方陣的特徵值和特徵向量。

• np.linalg.solve(A, B)：求解線性方程組，其中A是係數矩陣，B是常數矩陣。

請記住在執行這些操作之前始終檢查您的矩陣是否兼容。

輸入輸出

在本節中，我們將探討如何保存和加載數組，以及如何使用 NumPy 讀取和寫入文件。

1.保存和加載數組

要保存數組，您可以使用 NumPy 的np.save()函數。此函數將文件名和數組作為其兩個主要參數。

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

np.save('my_array.npy', arr)

要加載保存的數組，請使用np.load()函數，提供文件名作為參數。

loaded_array = np.load('my_array.npy')

print(loaded_array)  
# Output: array([1, 2, 3])

您還可以使用np.save()和np.load()函數保存和加載多個數組。

2. 讀寫文本文件

NumPy 提供了用數組讀寫文本文件的函數，例如np.loadtxt()和np.savetxt()。您可以使用這些函數從文件格式（如 txt 或 CSV 文件）保存和加載數據。

要將文本文件讀入數組，請使用np.loadtxt()函數。它以文件名作為主要參數，還支持用於指定分隔符、dtype 等的可選參數。

arr_from_txt = np.loadtxt('data.txt', delimiter=',')
print(arr_from_txt)

要從 CSV 文件中讀取數據，您還可以使用np.loadtxt()函數。但是，請確保分隔符始終設置為逗號“ , ”。

要將數組寫入文本文件，請使用np.savetxt()函數。此函數將文件名和數組作為其兩個主要參數，後跟可選參數，例如分隔符和標題。

arr_to_txt = np.array([[1, 2, 3], [4, 5, 6]])
np.savetxt('output_data.txt', arr_to_txt, delimiter=',')

這些輸入和輸出函數允許您使用 NumPy 在數據處理和操作任務中高效地處理數組和文本文件。

在下面下載您的備忘單

Numpy 備忘單下載

最後的想法

好了，這就是開始使用 Numpy Python 庫所需了解的全部內容！在使用該庫時，您還可以使用 Python Numpy 備忘單作為方便的參考。

如需更多高級功能，您可以查看NumPy 文檔。您還可以查看我們為新手和有經驗的開發人員整理的這份有趣的Python 備忘單。

祝你好運！