NumPy在圖像處理、機器學習、數學和統計學等領域中被廣泛應用。
以下是一些常見的應用場景：
- 數據處理和分析： NumPy提供了高效的多維數組（
nd array）和相應的操作函數，使得對大型數據集進行快速、有效的操作變得容易。 - 機器學習和人工智慧： NumPy是許多機器學習庫（如scikit-learn、TensorFlow、PyTorch等）的基礎。機器學習算法通常要處理大量數據，而NumPy提供的數組操作能夠有效地進行數據預處理和計算。
- 圖像處理： 在圖像處理中，NumPy的數組操作和線性代數功能非常有用。圖像被表示為數組，可以使用NumPy進行各種圖像處理操作，如濾波、轉換和特徵提取。
- 數學和統計學： NumPy包含了許多數學和統計學的函數，用於執行各種數學運算和統計分析。
總的來說，NumPy是一個功能豐富的庫，為處理大數據集計算提供了基礎。許多機器學習和數據分析工具都建立在NumPy的基礎上。
mean 求平均數
numpy.mean(a, axis=None, dtype=None, out=None, keepdims=<no value>)
a: 要計算平均值的陣列。axis（可選）: 指定要計算平均值的軸，如果不指定，則計算整個陣列的平均值。dtype（可選）: 設定輸出的數據類型。out（可選）: 指定輸出結果的陣列，用於保存計算結果。keepdims（可選）: 如果設定為True，則保持輸出的維度與輸入相同。
簡單範例
import numpy as np
# 假設你有一個 NumPy 陣列
data = np.array([1, 2, 3, 4, 5])
# 使用 np.mean 計算平均值
mean_value = np.mean(data)
print(f"平均值：{mean_value}")
#輸出 平均值:3.0
median 求中位數
中位數就是取一組數值中的中間值。
numpy.median(a, axis=None, out=None, overwrite_input=False, keepdims=False)
a: 要計算中位數的陣列。axis（可選）: 指定要計算中位數的軸，如果不指定，則計算整個陣列的中位數。out（可選）: 指定輸出結果的陣列，用於保存計算結果。overwrite_input（可選）: 如果設定為True，則允許在計算中覆蓋輸入陣列的數據。keepdims（可選）: 如果設定為True，則保持輸出的維度與輸入相同。
簡單範例
import numpy as np
# 假設你有一個 NumPy 陣列
data = np.array([1, 2, 3, 4, 5])
# 使用 numpy.median 找到中位數
median_value = np.median(data)
print(f"中位數：{median_value}")
#輸出 中位數：:3.0
max 最大值：
numpy.max(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
a: 要找最大值的輸入陣列。axis（可選）: 指定沿著哪個軸找最大值。預設是將整個陣列視為一維。out（可選）: 指定輸出陣列的位置，用於存放結果。keepdims（可選）: 如果設置為True，則維持輸出的維度與輸入相同。initial（可選）: 用於計算最大值的初始值。where（可選）: 指定僅考慮某些元素計算最大值的條件。
簡單範例
import numpy as np
arr = np.array([[1, 2, 3],
[4, 5, 6]])
max_value = np.max(arr)
print("最大值:", max_value)
#輸出 最大值 : 6
max 最小值：
numpy.min(a, axis=None, out=None, keepdims=<no value>, initial=<no value>, where=<no value>)
a: 要找最小值的輸入陣列。axis（可選）: 指定沿著哪個軸找最小值。預設是將整個陣列視為一維。out（可選）: 指定輸出陣列的位置，用於存放結果。keepdims（可選）: 如果設置為True，則維持輸出的維度與輸入相同。initial（可選）: 用於計算最大值的初始值。where（可選）: 指定僅考慮某些元素計算最小值的條件。
簡單範例
import numpy as np
arr = np.array([[1, 2, 3],
[4, 5, 6]])
min_value = np.min(arr)
print("最小值:", min_value)
#輸出 最小值 : 1
