寫在前面

—— 超越原生 Python 列表，解鎖高性能數值計算，深入理解 Pandas 的底層依賴

在前面一系列關于 Pandas 的學習中，我們已經領略了其在數據處理和分析方面的強大威力。我們學會了使用 DataFrame 和 Series 來高效地操作表格數據。但是，你是否好奇，Pandas 為何能夠如此高效地處理大規模數據？其背后隱藏著怎樣的 “秘密武器”？

答案就是我們今天要深入學習的主角——NumPy (Numerical Python)。

NumPy：Python 科學計算的基石

NumPy 是 Python 中用于 科學計算 的 基礎核心庫。它提供了：

1. 一個強大的 N 維數組對象 (ndarray)。
2. 用于操作這些數組的各種 高效函數 (例如數學運算、邏輯運算、形狀操作、排序、選擇等)。
3. 用于線性代數、傅里葉變換和隨機數生成的工具。

為什么在學習 Pandas 之后還要學習 NumPy？

你可能會問，既然 Pandas 已經那么好用了，為什么我們還要回過頭來學習 NumPy？ 原因主要有以下幾點：

• Pandas 的底層依賴： Pandas 的核心數據結構 Series 和 DataFrame 在底層很大程度上是建立在 NumPy 的 ndarray 之上的。理解 NumPy 的 ndarray 有助于我們更深入地理解 Pandas 的工作原理和性能特性。
• 高性能數值計算： NumPy 的 ndarray 專為 高性能的數值計算 而設計。相比于 Python 內置的列表 (list)，ndarray 在存儲和處理大規模數值數據時具有顯著的優勢：
  • 更少的內存占用： ndarray 存儲的是 同質數據類型 (所有元素類型相同)，并且存儲方式更緊湊。
  • 更快的計算速度： NumPy 的核心運算是用 C 語言 實現的，并且支持 向量化操作 (Vectorization)，可以對整個數組進行批量操作，避免了 Python 層面低效的循環，速度遠超原生 Python 代碼。
• 科學計算生態系統的基礎： NumPy 是 Python 科學計算生態系統 (SciPy Stack) 的基石，許多其他重要的庫，如 SciPy (科學計算庫)、Matplotlib (可視化庫)、Scikit-learn (機器學習庫) 等，都依賴于 NumPy。掌握 NumPy 是深入學習這些庫的前提。
• 直接應用場景： 在某些數據分析場景，特別是涉及大量 數值計算、矩陣運算、線性代數 等任務時，直接使用 NumPy 可能比 Pandas 更簡潔高效。

雖然本專欄將 NumPy 放在了 Pandas 之后講解 (因為對于初學者，直接上手 Pandas 更貼近數據分析的實際應用流程)，但掌握 NumPy 的核心概念和操作，對于提升你的數據分析效率、深入理解 Pandas 以及為后續學習更高級的技術打下基礎，都至關重要。

本篇博客將帶你深入 NumPy 的世界，重點學習：

• NumPy 的核心數據結構：ndarray (N-維數組)
• 創建 ndarray 的多種方法
• ndarray 的重要屬性
• NumPy 的核心優勢：向量化運算 (UFuncs)
• ndarray 的索引與切片操作
• 布爾索引與條件篩選

掌握 NumPy，你將擁有更強大的數值計算能力，并能更深刻地理解你所使用的 Pandas 工具！

?? 一、NumPy 安裝與導入

與 Pandas 和 Matplotlib 類似，如果你使用 Anaconda，NumPy 通常已經預裝。 若未安裝，可使用 pip 或 conda 安裝：

pip install numpy
# 或者
conda install numpy

在 Python 腳本或 Jupyter Notebook 中，導入 NumPy 庫，并約定俗成地將其簡寫為 np。

import numpy as np

?? 二、NumPy 的核心：ndarray 對象

NumPy 最核心的概念就是 ndarray (N-dimensional array)，即 N 維數組。 它是一個 同質 (homogeneous) 數據類型的 多維網格。

ndarray 的關鍵特性：

• 維度 (Dimensions/Axes)： ndarray 可以是一維、二維、三維甚至更高維度。 維度的數量稱為 秩 (rank)。
• 形狀 (Shape)： 一個 元組 (tuple)，描述了數組在 每個維度上的大小。 例如，一個 3 行 4 列的二維數組，其形狀為 (3, 4)。
• 數據類型 (dtype)： 數組中 所有元素的數據類型必須相同。 NumPy 支持多種數值數據類型，例如 int8, int16, int32, int64, uint8 (無符號整數), float16, float32, float64, complex64, complex128, bool, object (可以存儲 Python 對象，但會失去 NumPy 的性能優勢), string_, unicode_ 等。 這與 Python 列表可以包含不同類型元素的特性形成對比。
• 固定大小 (Fixed Size)： ndarray 在創建時大小是固定的。 改變數組的大小會創建一個新的數組并刪除原來的數組。 這有助于提高內存效率和計算性能。

1. 創建 ndarray

有多種方法可以創建 NumPy ndarray 對象：

• 從 Python 列表或元組創建：np.array()

  這是最常用的創建方式，可以將 Python 的列表或嵌套列表轉換為 ndarray。

  # 創建一維數組
  list1 = [1, 2, 3, 4, 5]
  arr1d = np.array(list1)
  print("一維數組 arr1d:\n", arr1d)
  print("arr1d 的類型:", type(arr1d))
  print("arr1d 的數據類型:", arr1d.dtype)# 創建二維數組 (矩陣)
  list2d = [[1, 2, 3], [4, 5, 6]]
  arr2d = np.array(list2d)
  print("\n二維數組 arr2d:\n", arr2d)
  print("arr2d 的數據類型:", arr2d.dtype)# 創建指定數據類型的數組
  arr_float = np.array([1, 2, 3], dtype=np.float64) # 指定為 float64 類型
  print("\n指定數據類型的數組 arr_float:\n", arr_float)
  print("arr_float 的數據類型:", arr_float.dtype)arr_str = np.array([1, 2, 3], dtype=str) # 指定為字符串類型
  print("\n指定數據類型的數組 arr_str:\n", arr_str)
  print("arr_str 的數據類型:", arr_str.dtype)
  

• 使用 NumPy 內置函數創建特定數組：

  • np.zeros(shape, dtype=float): 創建指定形狀 shape 且所有元素都為 0 的數組。

    zeros_arr = np.zeros((2, 3)) # 創建一個 2x3 的全零浮點型數組
    print("\n全零數組 zeros_arr:\n", zeros_arr)
    

  • np.ones(shape, dtype=float): 創建指定形狀 shape 且所有元素都為 1 的數組。

    o