---

前言

• 通過今天的學習，我進一步掌握了更多numpy的語法知識

---

一、廣播機制

• 廣播（Broadcast）是 numpy 對不同形狀（shape）的數組進行數值計算的方式
• 核心是對形狀較小的數組，在維度為1的橫向或縱向上進行一定次數的重復，使其與形狀較大的數組擁有相同的維度

a = np.array([[1, 2, 3], [4, 5, 6]])  # 形狀: (2, 3)
b = np.array([10, 20, 30])            # 形狀: (3,)
c = a + b
print(c)

tips：b是一維數組，可以暫時看做一行三列，通過廣播機制變為兩行三列即可與a相加

二、數組遍歷

1.for循環

• 使用for循環遍歷數組的第一維度，可以理解為拆開數組第一層括號的結果

arr = np.array([[1, 2, 3], [4, 5, 6]])
for i in arr:print(i)

2.nditer函數

• nditer函數一般用于遍歷多維數組中的每一個元素
• 相較于flat屬性可以進行更加復雜的遍歷操作，如修改元素，以及指定遍歷順序等等

for i in np.nditer(arr,order="c"):print(i,end=",")

• 使用flags參數指定迭代器額外行為；multi_index: 返回每個元素的多維索引。external_loop: 返回一維數組而不是單個元素

it = np.nditer(arr, flags=['multi_index'])
for x in it:print(f"元素: {x}, 對應索引: {it.multi_index}")
print(" ")
for x in np.nditer(arr, flags=['external_loop'], order='f'):print(x)

三、數組操作

1.reshape函數

• 返回一個新數組，要求與原數組的元素個數保持一致
• 新數組是原數組的視圖，對新數組進行修改會直接影響原數組

arr = np.array([1,2,3,4,5,6])
arr_1 = arr.reshape((2,3))
arr_2 = arr.reshape((3,-1)) #-1作為占位符，numpy自動計算
arr_3 = arr.reshape((2,3,1)) #可以理解為分為2個二維數組，每個二維數組是三行一列

2.flat屬性

• 與nditer函數有相似的功能，用于行以優先遍歷數組元素，返回一個一維迭代器

arr = np.array([1,2,3,4,5,6])
for i in arr.flat:print(i)
print(arr.flat)

3.flatten函數

• 將多維數組轉化為一維數組
• 返回的是原數組的深拷貝，修改并不會影響原數組

arr = np.array([[1, 2, 3], [4, 5, 6]])
flat_arr = arr.flatten(order='C') #按行優先順序展開
print(flat_arr)
flat_arr[-1] = 7
print(arr)

4.revel函數

• 將多維數組轉化為一維數組
• 返回的是原數組的視圖，修改會直接影響原數組

arr = np.array([[1, 2, 3], [4, 5, 6]])
ravel_arr = arr.ravel() #按行優先順序展開
print(ravel_arr)
ravel_arr[-1] = 7
print(arr)

5.數組轉置

• 在numpy中數組的轉置與數學意義上的轉置相同，可以使用transpose函數或者T屬性

arr = np.array([[1, 2, 3], [4, 5, 6]])
print(np.transpose(arr))
print(arr.T)

6.升維與降維

• 使用expand_dims和squeeze函數即可對數組進行升維和降維

a = np.array([1, 2, 3])
b = np.expand_dims(a, axis=0) #行方向升維
print(b)
c = np.expand_dims(a, axis=1) #列方向升維
print(c)c = np.array([[[1, 2, 3]]])
d = np.squeeze(c, axis=0)
print(d)
e = np.squeeze(c, axis=1)
print(e)
try:f = np.squeeze(c, axis=2) #指定刪除的維度值必須為1,否則將會報錯
except:print("error")
g = np.squeeze(c, axis=None) #若為None,則刪除數組維度中所有為 1 的項
print(g)

tips：降維要求降低的維度數必須為1，否則報錯；如果不指定降維的軸，則會對所有維度為1的軸進行降維

7.數組的連接與分割

• 使用hstack和vstack函數對數組進行垂直，水平拼接
• 要求使用時對應維度的形狀相同

arr1 = np.array([[1, 2], [3, 4]])
arr2 = np.array([[5], [6]])
result = np.hstack((arr1, arr2)) #豎直拼接
print(result)arr1 = np.array([1, 2, 3])
arr2 = np.array([[4, 5, 6],[7,8,9]])
result = np.vstack((arr1, arr2)) #水平拼接
print(result)

• 使用hsplit和vsplit函數對數組進行垂直，水平分割
• 需要指定分割處的索引

arr = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
result = np.hsplit(arr, [1, 3]) #在索引1,3處分割
print(result[2])
result = np.vsplit(arr, [1]) #在索引1處分割
print(result[0])

8.數組運算

• 對于二維數組，np.dot相當于矩陣乘法
• 對于一維數組，np.dot相當于向量點積

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

• np.lianlg.det用于求行列式（要求方陣）

a = np.array([[1, 2], [3, 4]],dtype=int)
det_a = np.linalg.det(a) #計算行列式,要求方陣
print(det_a)

---

THE END