20 個 NumPy 常用操作助你提升數據處理效率
作者：用戶007
以下是NumPy中常用的20個操作，涵蓋了數組創建、數學運算、統計、形狀操作等高頻場景，掌握它們可以快速創建和操作多維數組。
NumPy（Numerical Python）是Python科學計算的核心庫，廣泛應用于數據分析、機器學習、圖像處理等領域。以下是NumPy中常用的20個操作，涵蓋了數組創建、數學運算、統計、形狀操作等高頻場景。
1. np.array()：從列表/元組創建數組
import numpy as np
# 創建一維數組
arr1 = np.array([1, 2, 3])
print(arr1) # 輸出: [1 2 3]
# 創建二維數組
arr2 = np.array([[1, 2], [3, 4]])
print(arr2)
# 輸出:
# [[1 2]
# [3 4]]2. np.arange()：生成等差序列
# 生成0-4的整數
arr = np.arange(5)
print(arr) # 輸出: [0 1 2 3 4]
# 從5開始，步長3，直到小于15
arr = np.arange(5, 15, 3)
print(arr) # 輸出: [5 8 11 14]3. np.linspace()：生成等間隔數
# 在0-1之間生成5個等間距數
arr = np.linspace(0, 1, 5)
print(arr) # 輸出: [0. 0.25 0.5 0.75 1. ]4. np.zeros()：創建全零數組
zeros_array = np.zeros((3, 3))
print(zeros_array) # 輸出：[[0. 0. 0.] [0. 0. 0.] [0. 0. 0.]]5. np.ones()：創建全一數組
ones_array = np.ones((2, 2))
print(ones_array) # 輸出：[[1. 1.] [1. 1.]]6. np.eye()：創建單位矩陣
identity_array = np.eye(2)
print(identity_array) # 輸出：[[1. 0.] [0. 1.]]7. np.random.rand()：生成均勻分布隨機數
random_array = np.random.rand(2, 2)
print(random_array) # 示例輸出: [[0.5488135 0.71518937] [0.60276338 0.54488318]]8. np.random.randint()：生成隨機整數
rand_ints = np.random.randint(1, 11, 5)
print(rand_ints) # 示例輸出: [3 7 2 9 5]9. np.sum()：數組求和
arr = np.array([[1, 2], [3, 4]])
total = np.sum(arr) # 全局求和
col_sum = np.sum(arr, axis=0) # 按列求和
row_sum = np.sum(arr, axis=1) # 按行求和10. np.mean()：計算平均值
arr = np.array([2, 4, 6])
avg = np.mean(arr)
print(avg) # 輸出: 4.011. np.reshape()：改變數組維度
arr = np.arange(6) # [0 1 2 3 4 5]
reshaped = arr.reshape(2, 3)
print(reshaped)
# 輸出:
# [[0 1 2]
# [3 4 5]]12. np.transpose()：矩陣轉置
arr = np.array([[1, 2], [3, 4]])
transposed = arr.transpose()
print(transposed)
# 輸出:
# [[1 3]
# [2 4]]13. np.dot()：矩陣乘法
a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])
result = np.dot(a, b)
print(result)
# 輸出:
# [[19 22]
# [43 50]]14. np.linalg.inv()：求逆矩陣
matrix = np.array([[1, 2], [3, 4]])
inv_matrix = np.linalg.inv(matrix)
print(inv_matrix)
# 輸出:
# [[-2. 1. ]
# [ 1.5 -0.5]]15. np.where()：條件篩選
arr = np.array([1, 2, 3, 4])
result = np.where(arr > 2, arr, 0)
print(result) # 輸出: [0 0 3 4]16. np.concatenate()：數組拼接
a = np.array([1, 2])
b = np.array([3, 4])
combined = np.concatenate([a, b])
print(combined) # 輸出: [1 2 3 4]17. np.split()：數組分割
arr = np.array([1, 2, 3, 4, 5, 6])
split_arr = np.hsplit(arr, 2)
print(split_arr) # 輸出: [array([1, 2, 3]), array([4, 5, 6])]18. np.sort()：數組排序
arr = np.array([3, 1, 2])
sorted_arr = np.sort(arr)
print(sorted_arr) # 輸出: [1 2 3]19. np.unique()：獲取唯一值
arr = np.array([1, 2, 2, 3, 3, 3])
unique_values = np.unique(arr)
print(unique_values) # 輸出: [1 2 3]20. np.bincount()：統計元素出現次數
arr = np.array([1, 2, 2, 3, 3, 3])
counts = np.bincount(arr)
print(counts) # 輸出: [0 1 2 3]總結與學習建議
掌握上述函數后，你可以：
- 快速創建和操作多維數組
- 實現高效的數學計算與統計分析
- 處理矩陣運算和隨機數生成
學習建議：
- 在Jupyter Notebook中逐行運行示例代碼
- 嘗試修改參數觀察結果變化
- 結合實際項目（如數據處理、圖像變換）加深理解
責任編輯：趙寧寧
來源：
Python數智工坊
