用 NumPy 進行科學計算的 12 個核心功能
NumPy 是 Python 中用于科學計算的一個非常強大的庫。它提供了多維數組對象、各種派生對象（如掩碼數組和矩陣），以及用于數組快速操作的各種函數。今天，我們就來一起學習 NumPy 的 12 個核心功能，幫助你在科學計算中更加得心應手。
1. 創建數組
NumPy 最基本的功能之一就是創建數組。你可以使用 numpy.array 函數從列表或其他序列類型的數據創建數組。
import numpy as np
# 從列表創建一維數組
a = np.array([1, 2, 3, 4])
print(a) # 輸出: [1 2 3 4]
# 從嵌套列表創建二維數組
b = np.array([[1, 2], [3, 4]])
print(b)
# 輸出:
# [[1 2]
# [3 4]]2. 數組的形狀和大小
了解數組的形狀和大小對于處理數據非常重要。你可以使用 shape 屬性來獲取數組的形狀，使用 size 屬性來獲取數組中的元素總數。
# 獲取數組的形狀
print(a.shape) # 輸出: (4,)
print(b.shape) # 輸出: (2, 2)
# 獲取數組的大小
print(a.size) # 輸出: 4
print(b.size) # 輸出: 43. 數組的重塑
有時候你需要改變數組的形狀，這時候可以使用 reshape 方法。
# 重塑數組
c = a.reshape(2, 2)
print(c)
# 輸出:
# [[1 2]
# [3 4]]
# 驗證形狀是否改變
print(c.shape) # 輸出: (2, 2)4. 數組的索引和切片
NumPy 數組支持多種索引和切片方式，類似于 Python 列表，但更強大。
# 一維數組的索引
print(a[0]) # 輸出: 1
# 一維數組的切片
print(a[1:3]) # 輸出: [2 3]
# 二維數組的索引
print(b[0, 1]) # 輸出: 2
# 二維數組的切片
print(b[0:2, 1]) # 輸出: [2 4]5. 數組的運算
NumPy 支持多種數組運算，包括加法、減法、乘法和除法等。
# 數組加法
d = a + a
print(d) # 輸出: [2 4 6 8]
# 數組乘法
e = a * 2
print(e) # 輸出: [2 4 6 8]
# 數組點積
f = np.dot(a, b)
print(f) # 輸出: [14 32]6. 布爾索引
布爾索引是一種非常強大的工具，可以用來根據條件選擇數組中的元素。
# 布爾索引
g = a > 2
print(g) # 輸出: [False False True True]
# 使用布爾索引選擇元素
h = a[g]
print(h) # 輸出: [3 4]7. 數組的排序
NumPy 提供了多種排序方法，例如 sort 和 argsort。
# 排序數組
i = np.sort(a)
print(i) # 輸出: [1 2 3 4]
# 獲取排序后的索引
j = np.argsort(a)
print(j) # 輸出: [0 1 2 3]8. 數組的統計函數
NumPy 提供了許多統計函數，如 mean、median、std 等。
# 計算平均值
k = np.mean(a)
print(k) # 輸出: 2.5
# 計算中位數
l = np.median(a)
print(l) # 輸出: 2.5
# 計算標準差
m = np.std(a)
print(m) # 輸出: 1.1180339887498959. 數組的廣播
廣播是 NumPy 中一個非常重要的概念，它允許不同形狀的數組進行運算。
# 廣播示例
n = np.array([[1, 2], [3, 4]])
o = np.array([10, 20])
p = n + o
print(p)
# 輸出:
# [[11 22]
# [13 24]]10. 數組的合并和拆分
NumPy 提供了多種方法來合并和拆分數組，如 concatenate、vstack、hstack 等。
# 合并數組
q = np.array([5, 6])
r = np.concatenate((a, q))
print(r) # 輸出: [1 2 3 4 5 6]
# 拆分數組
s = np.split(r, 2)
print(s)
# 輸出:
# [array([1, 2, 3]), array([4, 5, 6])]11. 數組的隨機數生成
NumPy 提供了多種生成隨機數的方法，如 random.rand、random.randint 等。
# 生成隨機數組
t = np.random.rand(3, 3)
print(t)
# 輸出:
# [[0.12345678 0.98765432 0.54321098]
# [0.65432109 0.78901234 0.23456789]
# [0.34567890 0.45678901 0.56789012]]
# 生成隨機整數數組
u = np.random.randint(0, 10, size=(3, 3))
print(u)
# 輸出:
# [[7 2 5]
# [9 4 1]
# [8 3 6]]12. 數組的線性代數運算
NumPy 提供了豐富的線性代數運算函數，如 dot、inv、det 等。
# 計算矩陣的逆
v = np.array([[1, 2], [3, 4]])
w = np.linalg.inv(v)
print(w)
# 輸出:
# [[-2. 1. ]
# [ 1.5 -0.5]]
# 計算行列式
x = np.linalg.det(v)
print(x) # 輸出: -2.0實戰案例：圖像處理
假設我們有一個灰度圖像，存儲為一個二維數組。我們需要將圖像中的所有像素值歸一化到 0 到 1 之間。
# 生成一個模擬的灰度圖像
image = np.random.randint(0, 256, size=(100, 100))
# 歸一化圖像
normalized_image = image / 255.0
# 打印歸一化后的圖像
print(normalized_image)在這個案例中，我們使用了 NumPy 的數組運算和廣播功能，將圖像中的所有像素值歸一化到 0 到 1 之間。這在圖像處理中是一個常見的預處理步驟。
總結
本文介紹了 NumPy 的 12 個核心功能，包括創建數組、數組的形狀和大小、數組的重塑、索引和切片、數組的運算、布爾索引、排序、統計函數、廣播、合并和拆分、隨機數生成以及線性代數運算。通過這些功能，你可以在科學計算中更加高效地處理數據。
