《從零開始的資料科學筆記》Day#2: NumPy進階

2025/08/05 更新2025/06/07 發佈閱讀 7 分鐘

再見NumPy

在學習完上一篇NumPy入門教學後，可以接著熟悉一下NumPy進階，這部分包含了許多資料前處理上常用的技巧和語法。其實有更多的語法我沒有列出來，因為不只你們記不住，我也記不得! 這邊整理的都是比較常用的部分，其他函數等你們有用到的時候自然會知道~
🎯 目標：掌握 broadcasting、masking、軸向操作、reshape、矩陣運算等技巧

1. Broadcasting (廣播運算)

a = np.array([[1, 2], [3, 4]]) # 建立2x2陣列
b = np.array([10, 20])         # 建立1x2陣列

# 輸出
print(a + b)
[[11 22]
 [13 24]]

說明

進行陣列運算時會自動將兩陣列擴展成維度相同的陣列
維度小的擴展成維度大的
前提是兩陣列有辦法透過加減乘除擴展成形狀一樣
此範例的b就會先擴展成[[10, 20], [10, 20]]才會跟a相加

2. Boolean Masking(布林遮罩)

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

# 輸出
print(mask)     # [False False False  True  True]
print(a[mask])  # [4 5]

說明

可用於當成Flag並進行值的篩選

3. axis操作

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

print(np.sum(a))           # 10 (全部相加)
print(np.sum(a, axis=0))   # [4 6]（欄加總）
print(np.sum(a, axis=1))   # [3 7]（列加總）

說明

單就二維陣列來說:

axis = 0: 以column為基準
axis = 1: 以raw為基準

🎯陣列還可以是三維以上，在此暫不討論

4. reshape() 與 flatten()

a = np.arange(6)         # [0 1 2 3 4 5]
b = a.reshape((2, 3))    # [[0 1 2], [3 4 5]]
c = b.flatten()          # [0 1 2 3 4 5]

說明

reshape(): 將陣列維度重組成指定維度(:thumbsup: 很好用!!!)
flatten(): 將多維陣列完全攤平成一維陣列

5. np.where() 與條件篩選

a = np.array([1, 2, 3, 4])
result1 = np.where(a % 2 == 0, a, 0)
result2 = np.where(a > 3)

# 輸出
print(result1)  # [0 2 0 4]
print(result2)  # [3]

說明

np.where(條件, 值1, 值2)(:thumbsup: 很好用!!!)
- 當陣列中的值達到條件則填入值1
- 沒達到條件者填入值2
np.where(條件)
- 當參數只放入條件時，符合條件的值則回傳index
另有np.argwhere()可以回傳多維座標的index

6. np.unique()

a = np.array([1, 2, 2, 3, 3, 3])
values, counts = np.unique(a, return_counts=True)

# 輸出
print(values)  # [1 2 3]
print(counts)  # [1 2 3]

說明

找出不重複的值，並統計每個值出現的次數

7. np.clip()

a = np.array([-1, 0.2, 0.5, 1.5])

np.clip(a, 0, 1)  # [0.  0.2 0.5 1. ]

說明

可以限制數值在一定的範圍內
np.clip(陣列, 下限, 上限)

8. 矩陣乘法 np.multiply()與np.matmul()

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(np.matmul(a, b))
print(np.multiply(a, b))
print(a * b) # 同上

# 輸出
[[19, 22],
 [43, 50]]

[[ 5, 12],
 [21, 32]]

[[ 5, 12],
 [21, 32]]

說明

np.multiply(): 一般的element-wise乘法
np.matmul(): 矩陣乘法

9. np.argsort() 與 np.sort()

a = np.array([10, 5, 8])

sorted_a = np.sort(a)     # [5 8 10]
indices = np.argsort(a)   # [1 2 0]

說明

np.sort(): 針對數值進行小到大排序
np.argsort(): 同樣的排序方法，但是回傳數值的index 🎯若要進行大到小的排序，則將結果直接反轉，至於如何反轉...自己找吧!!!

10. 判斷數值型態

a = np.array([1.0, np.nan, 3.0])
print(np.isnan(a))  

b = np.array([1.0, np.inf, -np.inf, 5])
print(np.isinf(b))  

print(np.isnan(a).all())
print(np.isinf(b).any())

# 輸出
[False  True False]
[False  True  True False]
[False]
[True]