Numpy實戰：從數據分析到圖像處理

學習目標

通過本課程，學員將學會運用Numpy庫進行數據分析和圖像處理。學習如何使用Numpy進行數據的高效處理，以及如何利用Numpy進行基本的圖像操作。

相關知識點

Numpy的數據分析和圖像處理

學習內容

1Numpy的數據分析和圖像處理

1.1 Numpy數組的創建與操作

Numpy是Python中用于科學計算的基礎庫，它提供了一個強大的多維數組對象ndarray，以及用于處理這些數組的工具。Numpy數組與Python內置的列表相比，具有更高的效率和更多的功能，特別是在處理大型數據集時。

1.1.1 創建Numpy數組

Numpy數組可以通過多種方式創建，最常見的是使用numpy.array()函數。這個函數接受一個列表（或列表的列表）作為輸入，并返回一個Numpy數組。

import numpy as np# 創建一維數組
a = np.array([1, 2, 3, 4, 5])
print(a)# 創建二維數組
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)

1.1.2 數組的基本屬性

Numpy數組有多個屬性，可以了解數組的結構和內容。這些屬性包括ndim（數組的維度）、shape（數組的形狀）、size（數組中元素的總數）和dtype（數組中元素的數據類型）。

import numpy as np# 創建一維數組
a = np.array([1, 2, 3, 4, 5])
# 創建二維數組
b = np.array([[1, 2, 3], [4, 5, 6]])# 查看數組的屬性
print("a的維度:", a.ndim)
print("a的形狀:", a.shape)
print("a的大小:", a.size)
print("a的數據類型:", a.dtype)print("b的維度:", b.ndim)
print("b的形狀:", b.shape)
print("b的大小:", b.size)
print("b的數據類型:", b.dtype)

1.1.3 數組的索引和切片

Numpy數組支持類似于Python列表的索引和切片操作，但功能更加強大。可以使用單個索引、多個索引或切片來訪問數組中的元素。

import numpy as np
# 創建一維數組
a = np.array([1, 2, 3, 4, 5])
# 創建二維數組
b = np.array([[1, 2, 3], [4, 5, 6]])# 一維數組的索引和切片
print("a的第一個元素:", a[0])
print("a的前三個元素:", a[:3])# 二維數組的索引和切片
print("b的第一行:", b[0, :])
print("b的前兩行:", b[:2, :])
print("b的第一列:", b[:, 0])

1.2 數據分析中的Numpy應用

Numpy在數據分析中有著廣泛的應用，特別是在處理大型數據集時。Numpy提供了許多用于數據操作和統計分析的函數，使得數據處理變得更加高效和便捷。

1.2.1 數據生成

在數據分析中，經常需要生成一些隨機數據來進行測試或模擬。Numpy提供了多種生成隨機數據的方法。

import numpy as np# 生成隨機數據
random_data = np.random.rand(10)  # 生成10個0到1之間的隨機數
print("隨機數據:", random_data)# 生成正態分布數據
normal_data = np.random.normal(0, 1, 10)  # 生成10個均值為0，標準差為1的正態分布數據
print("正態分布數據:", normal_data)

1.2.2 數據操作

Numpy提供了豐富的數組操作函數，如求和、求平均值、排序等。

import numpy as np
# 求和
sum_data = np.sum(random_data)
print("隨機數據的和:", sum_data)# 求平均值
mean_data = np.mean(random_data)
print("隨機數據的平均值:", mean_data)# 排序
sorted_data = np.sort(random_data)
print("隨機數據的排序:", sorted_data)

1.2.3 數據篩選

在數據分析中，經常需要根據某些條件篩選數據。Numpy提供了布爾索引功能，可以方便地進行數據篩選。

import numpy as np
# 布爾索引
filtered_data = random_data[random_data > 0.5]
print("大于0.5的隨機數據:", filtered_data)

1.3 圖像處理中的Numpy應用

Numpy在圖像處理中也有廣泛的應用。圖像可以被視為一個二維或三維的數組，其中每個元素代表一個像素的值。Numpy提供了許多用于圖像處理的函數，使得圖像處理變得更加簡單和高效。

1.3.1 讀取和顯示圖像

首先，需要使用wget的方式進行數據的下載，下載完成后讀取圖像并將其轉換為Numpy數組。可以使用PIL庫來讀取圖像。

!wget --no-check-certificate https://model-community-picture.obs.cn-north-4.myhuaweicloud.com/ascend-zone/notebook_datasets/f11284f42ed511f0a34cfa163edcddae/example.png

import numpy as np
from PIL import Image
import matplotlib.pyplot as plt# 讀取圖像
image = Image.open('example.png')
image_array = np.array(image)# 顯示圖像
plt.imshow(image_array)
plt.axis('off')
plt.show()

1.3.2 圖像的基本操作

Numpy數組可以用于對圖像進行基本操作，如裁剪、翻轉和旋轉。

import numpy as np
# 裁剪圖像
cropped_image = image_array[100:300, 100:300, :]
plt.imshow(cropped_image)
plt.axis('off')
plt.show()# 翻轉圖像
flipped_image = np.flip(image_array, axis=0)
plt.imshow(flipped_image)
plt.axis('off')
plt.show()# 旋轉圖像
rotated_image = np.rot90(image_array, k=1)
plt.imshow(rotated_image)
plt.axis('off')
plt.show()

1.3.3 圖像的像素操作

Numpy數組可以用于對圖像的像素進行操作，如調整亮度和對比度。

import numpy as np
# 調整亮度
brightened_image = image_array + 50
brightened_image = np.clip(brightened_image, 0, 255)  # 確保像素值在0到255之間
plt.imshow(brightened_image)
plt.axis('off')
plt.show()# 調整對比度
contrast_image = 1.5 * (image_array - 50) + 50
contrast_image = np.clip(contrast_image, 0, 255)  # 確保像素值在0到255之間
contrast_image_normalized = contrast_image / 255.0  # 歸一化到 [0, 1]plt.imshow(contrast_image_normalized)
plt.axis('off')
plt.show()

---

1. Numpy入門：數組操作與科學計算基礎
2. Numpy入門：多平臺安裝與基礎環境配置
3. Numpy數組創建與應用入門
4. Numpy數組屬性入門：形狀、維度與大小
5. Numpy數組索引與切片入門
6. Numpy數組操作入門：合并、分割與重塑
7. Numpy數學函數入門與實踐
8. Numpy數據分析基礎：統計函數應用
9. Numpy隨機數生成入門
10. Numpy線性代數基礎與實踐
11. Numpy文件操作入門：數組數據的讀取與保存
12. Numpy廣播機制入門與實踐
13. Numpy布爾索引與花式索引實戰
14. Numpy高效數據處理與優化
15. Numpy數據分析與圖像處理入門