Numpy Python的數據分析指南

為什麼選擇 NumPy？

NumPy 陣列（也稱為ndarray物件）是該程式庫的核心。 與 Python 列表不同，NumPy 數組的資料類型在記憶體和效能方面可以更有效地處理大型資料數組。 這種效率源自於 NumPy 能夠將資料儲存在連續的記憶體區塊中，從而可以快速存取和操作底層資料。

NumPy 經常與其他函式庫（如 SciPy 和 Matplotlib）結合使用，以建立一個用於科學計算和資料視覺化的綜合環境。

安裝

pip install numpy

pip install numpy

NumPy 與包括 Windows、macOS 和 Linux 在內的各種作業系統相容，使其能夠靈活應用於不同的開發環境。

以下程式碼用於導入 numpy：

import numpy as np

import numpy as np

建立數組

NumPy中最基本的操作之一就是建立陣列。 您可以建立不同資料類型的數組，包括整數、浮點數和字串。 以下是建立一維數組的範例：

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

import numpy as np

# Creating a one-dimensional NumPy array
one_dimensional_array = np.array([1, 2, 3])

NumPy 提供了諸如numpy.zeros和numpy.ones之類的函數，分別用於建立填充為零或一的陣列。

處理多個數組

NumPy 支援對多個數組進行操作，無論數組類型相同還是不同。操作可以逐元素執行，使其成為強大的統計工具。 廣播是 NumPy 的一項強大功能，它允許對不同形狀和大小的陣列進行操作。

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

import numpy as np

# Creating two NumPy arrays
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])

# Element-wise addition
result_addition = array1 + array2

# Element-wise multiplication
result_multiplication = array1 * array2

# Displaying the results
print("Array 1:", array1)
print("Array 2:", array2)
print("Element-wise Addition:", result_addition)
print("Element-wise Multiplication:", result_multiplication)

在這個範例中， array1和array2是兩個 NumPy 數組，程式碼對這些數組執行逐元素加法和乘法運算，分別得到result_addition和result_multiplication 。 輸出結果將顯示原始陣列和對應運算的結果。

NumPy中的資料類型

NumPy 支援多種資料類型，您可以選擇最合適的資料類型來優化記憶體使用。 從整數到浮點數和字串，您可以靈活地處理不同類型的資料。

NumPy 的資料類型包括複數和使用者自訂資料類型，為各種科學應用提供了全面的選擇。

機器學習應用

在機器學習領域，NumPy 的陣列操作非常寶貴。 您可以更有效率地執行矩陣乘法和轉置等任務，使其成為機器學習演算法的首選函式庫。

NumPy 通常與 TensorFlow 和 PyTorch 等機器學習框架結合使用，用於建立和訓練神經網路。

產生隨機數

產生隨機數在科學計算和機器學習領域至關重要。 NumPy 提供了各種創建隨機數數組的方法，這對於初始化神經網路中的權重等任務非常有用。

NumPy 的 random 模組包含用於產生隨機整數、從機率分佈中取樣和打亂數組的函數。

數組索引和切片

存取和修改數組中的元素是常見的需求。 NumPy 提供了一種靈活的方式來使用索引和切片方法來存取陣列元素。

NumPy 的陣列切片功能可以有效率地處理大型資料集，而無需不必要的資料複製。

與 NumPy 集成

在需要以 PDF 格式記錄或共享資料分析或科學計算結果的場景中，將 IronPDF 與 Python 中的 NumPy 整合可能特別有用。 例如，在使用 NumPy 進行複雜計算或資料視覺化後，可以將結果格式化為 HTML 或其他支援的格式，並使用 IronPDF 將其轉換為 PDF 進行分發。 這種整合可以顯著增強科學計算和資料分析專案的工作流程，實現從資料處理到文件生成的無縫過渡。

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

import numpy as np
from ironpdf import *

# Create a NumPy array
data = np.random.rand(10, 3)

# Generate some statistical data
mean_data = np.mean(data, axis=0)
max_data = np.max(data, axis=0)
min_data = np.min(data, axis=0)

# Convert statistical data to HTML format
html_content = f"""
<h1>Statistical Summary</h1>
<p>Mean: {mean_data}</p>
<p>Max: {max_data}</p>
<p>Min: {min_data}</p>
"""
# Using IronPDF to convert HTML to PDF
renderer = ChromePdfRenderer()
pdf = renderer.RenderHtmlAsPdf(html_content)
pdf.SaveAs("numpy_data_summary.pdf")

IronPDF 以 Chrome 為基礎的渲染引擎可確保將 HTML 內容高品質、一致地渲染成 PDF 文件。