NumPy的各種用法 - 讀書筆記 - Python Data Science Handbook - Python數據科學 - NumPy是什麼？ - 理解Python中的數據類型與運作原理 - 其實Python中的整數不僅僅是個整數（整數的結構）- 筆記#4
嗨嗨，如果覺得圖片不清楚，都可以直接參考我的Github喔
2.0章 NumPy介紹
重要觀念：無論哪種數據類型，要使它變成可分析，第一步就是將他們轉換為數值
1.如何使各類型的數據轉換成可分析的數據集？數據處理的第一步是什麼？
- 背景：數據集的來源可能非常不同，而不同的來源，可能擁有非常不同的格式，像是文檔、圖像、聲音片段、數值測量等等，這些數據的異質性相當高
- 方法：將所有的數據抽象成為數值組成的數組，就能對數據集進行分析
- 舉例:
1.數字圖片，可以被轉為簡單的二維數組
2.聲音片段，可以被轉為一維數組，包括著時間範圍內聲音強度的數值
3.文本，可以使用二進制數字來代表某個單詞或短語的出現頻率
2. NumPy是什麼？
- 說明：Numerical Python(數值Python)的縮寫，它提供了強大的接口，讓我們存儲和操作密集的數據緩衝區（dense data buffers）
- Python關聯：NumPy的數組像是Python內建的列表（list）型態，但是NumPy數組在儲存和操作大量數據時，提供了比Python本身更好的效能
- 重要性：NumPy數組接近是整個Python數據科學領域工具鏈的核心，許多我們所使用的數據分析與處理套件都是以它為基礎構建的
3. 查看已安裝的NumPy版本
import numpy as np np.__version__
執行結果
'1.18.1'
4. 提醒 - 內建幫助文檔
- 使用?: 查看所有文檔
np?
- 使用<Tab>鍵：查看所有的屬性方法
np.<Tab>
2.1章 理解Python中的數據類型與運作原理
1. 程式語言的動態與靜態類型
- 靜態類型的語言：每個變數都要明確的宣告，如C、Java
- 動態類型的語言：沒有[每個變數都要明確宣告]的規定，變數類型可以進行動態轉換（ex. Int <-> Str），如Python，這也是為什麼Python具有易用性的重要原因
舉例：在C中，我們會將for迴圈宣告成如下：
int total = 0
for(int i = 0; i < 100; i++){
total +=i
}
而在Python中，我們如果寫一樣的程式
total = 0 for i in range(1000): total += i
重要觀察與觀念釐清：從Python和C上面的範例可以看出差別，在C中每個變數都要明確宣告類型（ex. int），而在Python中的類型卻是動態去推斷的，這代表著在Python中我們可以給任何變數賦予任何數據類型的值，像是：
## Python x = 6 x = "七" x = "seven"
重要觀念：
在Python的例子中，我們先將變數X賦予整數值，然後又再賦予字串類型的值，變數X會自動從整數轉換成字串類型，但這在C中，可能會導致報出一個編譯錯誤或其他無法預料的錯誤資訊（取決於哪種編譯器的使用）
/*C */ int x = 7 x = "seven" //會報錯
2. 動態類型語言 - Python - 易用性背後需要付出的代價
Python擁有數據類型自動轉換的靈活性，但也因為這個特性，Python必須得付出額外的儲存空間代價，Python中的變數不僅僅存儲數據本身，還需要存儲其變數相應的數據類型
3. Python中的整數不僅僅是個整數 - 整數的架構
重要觀念：
- 標準的Python實現是由C語言撰寫的
- 每個Python當中的對象（object）都是一個偽裝良好的C結構，架構中不僅僅包含變數的值，還有其他的資訊
實際整數中的架構
struct _longobject {
long ob_refcnt;
PyTypeObject *ob_type;
size_t ob_size;
long ob_digit[1];
};
一個Python的整數中包含了這四個部分
．ob_refcnt: 一個參考的計數器，幫助Python默默地來進行內存分配與釋放
- ob_type: 編碼變數的類型
- ob_size: 指定數據成員的大小
- ob_digit: 存儲真正的整數數值
重點：這樣的架構代表著，在Python中存放一個整數比像C這樣的程式語言中存放一個整數要來得有損耗，像是如下圖
圖片來源：引用書中的示意圖
圖示說明：
- 圖中的PyObjext_HEAD是架構中的一部分，它包含著參考計數（reference count）、程式碼類型和其他上面提到過的內容資訊
- C與Python中的整數區別：
- C的整數本質上就是內存中某個位置的標籤，其內存位置會編碼一個整數值
- Python的整數是指向內存中包含所有Python對象（object）資訊的指標，包括包含整數值的字節（bytes）
4. 結論：為什麼Python可以如此自由地撰寫程式？
這些額外的資訊使Python能夠如此自由地且動態的編碼，但是這是需要付出代價的，像是結構中需要多出很多額外的資訊內容
5. Python中的列表不僅僅只是個列表
- Python中的列表：標準的可變多元素的容器集合
- 重點：Python是動態類型的語言，所以可以創建一個具有不同類型元素的列表（list）
範例一：創建一個整數的列表
x = list(range(10)) print(x) print(type(x[0]))
執行結果
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9] <class 'int'>
範例二：創建一個字串的列表
y = [str(c) for c in x] print(y) type(y)
執行結果
['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'] list
範例三：創建不同數據類型的列表
z = ["Hello", True, 6, 5.8] [type(item) for item in z]
執行結果
[str, bool, int, float]
為什麼Python列表（list）可以裝有不同類型的數據元素？
- 提醒：這種靈活性是要付出代價的
- 原因：為了要讓列表能夠容納不同的類型，每個列表中的元素都須具有自己的類型資訊、引用計數（reference count）和其他資訊，也就是說列表裡面的每個元素都是一個完整的Python物件(object)
- 推論與解決方法： 1.如果在所有的元素都是同種類型的情況下，就表示列表裡面絕大部分的資訊都是多餘的 2.所以如果我們將數據存儲在一個固定類型的數組中，顯然會更加高效 - NumPy就是固定類型的數組
- 圖片：比較了動態類型的列表（Python List）與固定類型的列表（NumPy Array）
圖片來源：引用書本
- 圖片說明：
- NumPy Array: 從實作層（implementation level）來看，數組僅僅包含了一個指針指向一個連續的內存空間
- Python List: 含有一個指針指向一塊都是指針的內存空間，裡面的指針再指向對應的完整Python物件（object），像是我們前面看到的整數
Python List 與 NumPy Array 比較 - 動態列表與固定列表間的比較
6. Python的固定類型數組 - Fixed-Type Arrays
Python中提供了相當多樣的選項，讓我們可以高效地存儲數據 - 固定類型數組
Python中內建的array套件 - 用來創建全部元素都為同一類型的數組
import array
x = list(range(10))
## i 代表整數類型
a = array.array('i', x)
print(a)
## f 代表浮點數類型
b = array.array('f', x)
print(b)
執行結果
array('i', [0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
array('f', [0.0, 1.0, 2.0, 3.0, 4.0, 5.0, 6.0, 7.0, 8.0, 9.0])
- 程式碼中的"i"代表著指定數據類型為整數，而"f"代表指定為浮點數類型的數據
NumPy Array - ndarray套件
導入NumPy套件
import numpy as np
範例一：使用np.array將Python列表轉變成數組
import numpy as np np.array([1,4,66,58])
執行結果
array([ 1, 4, 66, 58])
重要提醒：NumPy數組與Python列表不同，它只能包含一種數據類型喔
範例二：如果列表中其中一筆數據元素為浮點數類型，NumPy會試著向上擴展類型（下面的程式碼中將會將整數向上擴展為浮點數）
import numpy as np np.array([6.68,7,9,9])
執行結果
array([6.68, 7. , 9. , 9. ])
範例三：如果需要明確指定數據的類型，就需要使用drype參數
import numpy as np np.array([1,2,3,4,5,6], dtype = "float32")
執行結果
array([1., 2., 3., 4., 5., 6.], dtype=float32)
範例四：與Python列表不同，NumPy數組可以明確表示為多維度，使用列表中的列表來創建二維數組
import numpy as np np.array([range(i, i+6) for i in [2,6,8]])
執行結果
array([[ 2, 3, 4, 5, 6, 7], [ 6, 7, 8, 9, 10, 11], [ 8, 9, 10, 11, 12, 13]])
Python中內建的array套件與NumPy中的ndarray差別？
Python中的array套件提供了數組的高效儲存，但NumPy除了高效儲存，還更加提供了數組的高效運算
7. NumPy - ndarray 從頭開始創建數組 - 更有效率
- 特別是大型的數組，使用NumPy重頭開始創建數組，會更加有效率
範例一：zeros用法 - 指定長度後，將數組都填為0
## 10為數組的長度 np.zeros(10, dtype = float)
執行結果
array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])
範例二：ones用法 - 指定數組維度後，將數組都填為1
## (3, 7): 二維3行7列 np.ones((3, 7), dtype = int)
執行結果
array([[1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1], [1, 1, 1, 1, 1, 1, 1]])
範例三：full用法 - 設定維度後，再自行設定要填充的值
np.full((3, 7), 3.14159)
執行結果
array([[3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159], [3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159], [3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159, 3.14159]])
範例四：arange用法 - 創建一段序列值 - arange(起始值,結束值,步長)
np.arange(0 , 60, 6)
執行結果
array([ 0, 6, 12, 18, 24, 30, 36, 42, 48, 54])
範例五：linspace用法 - 創建一段序列值，裡面的元素依據區域進行線性（平均）劃分 - linspace(起始值,結束值,幾個元素)
np.linspace(0, 60, 4)
執行結果
array([ 0., 20., 40., 60.])
範例六：random.random用法 - 隨機分佈創建數組，隨機值的範圍會介於0～1之間，可以指定維度
np.random.random((3,3))
執行結果
array([[0.56615325, 0.38970791, 0.00862775], [0.11195201, 0.33505215, 0.82399896], [0.26902014, 0.421862 , 0.95621584]])
範例七：random.normal用法 - 正態分佈創建數組 - random.normal(均值,標準差,維度)
np.random.normal(0, 1, (3,4))
執行結果
array([[ 0.67851712, 2.44478299, 0.32435313, -0.48474236], [-1.11346858, -0.73389409, 0.41083328, 1.50962971], [ 0.17242345, 0.87941494, -2.13275581, -0.52307737]])
範例八：random.randint用法 - 隨機整數創建數組，指定隨機數範圍與維度
np.random.randint(0, 100, (6, 6))
執行結果
array([[55, 24, 67, 3, 33, 28], [70, 45, 33, 62, 91, 37], [37, 88, 12, 1, 50, 33], [62, 35, 51, 23, 43, 66], [53, 72, 61, 23, 9, 61], [18, 86, 14, 26, 43, 95]])
範例九：eye用法 - 創建一個為初始化的數組，數組元素的值保留為原有的內存空間值
np.eye(6)
執行結果
array([[1., 0., 0., 0., 0., 0.], [0., 1., 0., 0., 0., 0.], [0., 0., 1., 0., 0., 0.], [0., 0., 0., 1., 0., 0.], [0., 0., 0., 0., 1., 0.], [0., 0., 0., 0., 0., 1.]])
範例十: empty用法 - 創建一個為初始化的數組，數組元素的值，數組元素的值保留為原有的內存空間數值
np.empty(6)
執行結果
array([1., 1., 1., 1., 1., 1.])
8.NumPy中可以指定的標準數據類型
- 由於NumPy數組只能包含一種數據類型，所以他的類型系統和Python並不同，因為對於每一種NumPy類型，它都需要包含著更詳細的類型資訊和限制
- NumPy是由C建構的，所以它的類型系統與C、Fortran一樣
- 指定數據類型的兩種寫法
使用'(類型)'
np.zeros(10, dtype = 'int32')
執行結果
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
或是np.(類型
np.zeros(10, dtype = np.int32)
執行結果
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
- 類型圖表
