數據分析神器，Python NumPy助力數據操作

在數據分析與機器學習領域，Python的NumPy庫是必不可少的工具。本文將從多個方面來介紹NumPy在數據操作中的應用，並且提供代碼示例。

一、NumPy簡介

NumPy是Python語言的一個擴展庫，支持多維數組和矩陣運算。NumPy提供了大量的數學函數和運算符，可以在整個數組上進行運算，而不需要使用循環。NumPy還提供了大量的API，例如排序、統計、線性代數等等。NumPy是科學計算和數據處理工作的基礎。

二、NumPy數組的創建

NumPy數組是一種通用的數據結構，可以存儲任意的數字、文本或者Python對象等等。NumPy數組可以使用多種方式進行創建，包括從Python列表、元組、數組等等。

1、從Python列表創建NumPy數組

import numpy as np

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

2、使用arange函數創建NumPy數組

arr = np.arange(0, 10, 2)
print(arr)

3、使用linspace函數創建NumPy數組

arr = np.linspace(0, 1, 11)
print(arr)

三、NumPy數組的運算

NumPy可以在整個數組上進行運算，而不需要循環，速度非常快。NumPy數組支持算術運算、邏輯運算、矩陣運算和統計運算等等。

1、算術運算

a = np.array([1, 2, 3, 4])
b = np.array([5, 6, 7, 8])
print(a + b)
print(a - b)
print(a * b)
print(a / b)

2、邏輯運算

a = np.array([1, 2, 3, 4])
b = np.array([4, 3, 2, 1])
print(a > b)
print(a < b)

3、矩陣運算

A = np.array([[1, 2], [3, 4]])
B = np.array([[5, 6], [7, 8]])
print(A.dot(B))

4、統計運算

a = np.array([1, 2, 3, 4])
print(a.sum())
print(a.mean())
print(a.std())
print(a.max())
print(a.min())

四、NumPy數組的切片和索引

NumPy數組的切片和索引方式與Python列表非常類似。切片和索引操作可以用於獲取數組的子集、更改子集中的元素值等等。

1、獲取子集

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

2、更改元素值

a = np.array([1, 2, 3, 4, 5])
a[1:3] = 0
print(a)

五、NumPy數組的形狀和軸

NumPy數組的形狀由軸的數量和每個軸上的長度組成。可以使用shape屬性獲取數組的形狀信息。

1、獲取數組的形狀信息

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

2、更改數組的形狀

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

六、NumPy數組的廣播

NumPy數組的廣播是一種非常強大的機制，可以使不同形狀的數組進行算術運算。NumPy會自動地將較小的數組廣播到較大的數組的形狀上，然後再進行相應的算術運算。

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

七、NumPy數組的存儲與讀取

NumPy可以將數組保存到磁盤上，並且可以將數組從磁盤上加載到內存中。這種操作是非常有用的，可以避免重複生成數組，節省時間和內存。

1、存儲數組到磁盤上

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

2、從磁盤上加載數組到內存中

a = np.load('a.npy')
print(a)

八、結語

本文介紹了NumPy在數據操作中的應用，包括數組的創建、運算、切片和索引、形狀和軸、廣播以及存儲與讀取等等。NumPy作為Python的重要擴展庫，對於數據分析工作是非常重要的，深入學習NumPy對於進一步提高數據分析和機器學習的水平有着非常重要的作用。