Python中ndarray常用操作及應用場景

Python中的Numpy（Numerical Python）是一個開源的數值計算庫，它是Python數據分析的基礎庫之一。而ndarray是Numpy中用於處理多維數組的核心類，提供了許多常用的操作方法，支持矢量化運算，性能優越，因此被廣泛應用於科學計算、機器學習等領域。本文就來介紹一些Python中ndarray的常用操作和應用場景。

一、創建數組

我們可以使用numpy中的array()函數創建一個ndarray對象，這個函數接受一些序列作為輸入（列表、元組），生成一個numpy數組。數組的維度通過序列中元素的嵌套深度來確定。

import numpy as np
arr = np.array([1, 2, 3]) # 一維數組
print(arr)
# 輸出：[1 2 3]

arr = np.array([[1, 2, 3], [4, 5, 6]]) # 二維數組
print(arr)
# 輸出：[[1 2 3]
#        [4 5 6]]

arr = np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]]) # 三維數組
print(arr)
# 輸出：[[[1 2]
#         [3 4]]
#
#        [[5 6]
#         [7 8]]]

我們也可以使用Numpy中一些特殊的函數來創建一些常見的數組，比如全0數組、全1數組和單位矩陣等。

import numpy as np
arr_zero = np.zeros((2, 3))
print(arr_zero)
# 輸出：[[0. 0. 0.]
#        [0. 0. 0.]]

arr_one = np.ones((2, 3))
print(arr_one)
# 輸出：[[1. 1. 1.]
#        [1. 1. 1.]]

arr_eye = np.eye(3)
print(arr_eye)
# 輸出：[[1. 0. 0.]
#        [0. 1. 0.]
#        [0. 0. 1.]]

二、索引和切片

訪問ndarray中的元素可以通過索引和切片進行操作。例如，可以使用中括號內的索引來訪問二維數組中的元素。

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr[0, 0]) # 輸出：1
print(arr[0, 1]) # 輸出：2
print(arr[1, 1]) # 輸出：5

我們也可以使用切片來獲取一部分數組。

import numpy as np
arr = np.array([1, 2, 3, 4, 5])
print(arr[1:4]) # 輸出：[2 3 4]

arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(arr[:2, 1:]) # 輸出：
# [[2 3]
#  [5 6]]

三、形狀操作

我們可以使用ndarray對象的shape屬性來獲取數組的形狀，也可以使用reshape()方法對數組的形狀進行操作。

import numpy as np
arr = np.array([[1, 2, 3], [4, 5, 6]])
print(arr.shape) # 輸出：(2, 3)

arr = np.array([1, 2, 3, 4, 5, 6])
arr = arr.reshape(2, 3)
print(arr)
# 輸出：[[1 2 3]
#        [4 5 6]]

通過reshape()方法，我們可以將一個數組改變成我們想要的形狀。

四、常用函數

Numpy提供了很多常用的函數，例如排序函數、聚合函數、廣播函數等。

（1）排序函數

數組排序是數據處理中的重要任務之一，Numpy提供了sort()函數來對數組進行排序，並且可以由小到大或由大到小排序。

import numpy as np
arr = np.array([3, 1, 4, 2, 5])
arr = np.sort(arr) # 由小到大排序
print(arr) # 輸出：[1 2 3 4 5]

（2）聚合函數

對數組的聚合操作是很常見的操作，Numpy提供了很多聚合函數，例如sum()、max()、min()、mean()等。

import numpy as np
arr = np.array([2, 4, 6, 8])
sum = np.sum(arr)
max = np.max(arr)
min = np.min(arr)
mean = np.mean(arr)
print(sum, max, min, mean) # 輸出：20 8 2 5.0

（3）廣播函數

廣播是Numpy中很重要的一個機制，它可以用來對形狀不同但是滿足一定條件的數組進行運算。

import numpy as np
A = np.array([[1, 2], [3, 4], [5, 6]])
B = np.array([10, 20])
result = A * B.reshape(2, 1)
print(result)
# 輸出：[[10 20]
#       [60 80]
#       [150 180]]

在這個例子中，B數組被擴展成一個3×2的數組，然後與A數組進行逐元素的乘法運算。這個功能在機器學習中非常常見。

五、應用場景

ndarray被廣泛應用於科學計算、機器學習等領域。在這裡，我們介紹一些常見的應用場景。

（1）圖像處理

在圖像處理中，常常需要用到ndarray來對圖像進行表示和處理。例如，我們可以使用opencv庫讀取一張圖像，然後將圖像轉化為numpy數組，進行處理和顯示。

import cv2
import numpy as np
img = cv2.imread('test.png', cv2.IMREAD_GRAYSCALE) # 讀取圖像，轉成灰度圖像
img_arr = np.array(img) # 將圖像轉換成數組
print(img_arr.shape) # 輸出：(512, 512)
cv2.imshow('Image', img_arr) # 顯示圖像
cv2.waitKey(0)
cv2.destroyAllWindows()

（2）機器學習

在機器學習中，數據通常都是以數組的形式存儲和處理的。ndarray能夠滿足機器學習的需要，支持矢量運算，提高了計算效率。例如，我們可以用ndarray來存儲和處理訓練數據和標籤數據。

import numpy as np
# 加載訓練數據和標籤數據
train_data = np.load('train_data.npy')
train_label = np.load('train_label.npy')
# 數據預處理
train_data = train_data.astype('float32') / 255.0
train_label = train_label.astype('int32')

（3）科學計算

在科學計算中，數組的處理是非常常見的。例如，我們可以使用ndarray來處理一些大量的科學數據，如物理實驗數據、氣象數據等。

import numpy as np
data = np.genfromtxt('data.csv', delimiter=',') # 從CSV文件中讀取數
mean = np.mean(data) # 計算平均值
std = np.std(data) # 計算標準差
print('Mean:', mean)
print('Std:', std)

這個例子中，我們從CSV文件中讀取數據，然後計算數據的平均值和標準差。這個方法在分析一些大量數據的時候非常實用。