為自己Coding
為自己Coding

YO~~ 剛跨入AI人工智慧領域的小小工程師, 熱愛自學, 熱愛分享, 下班後的我想為自己Coding, 積極撰寫教學文, 想將自學的程式知識分享給大家, 不斷追求進步的自己, 希望有一天能回饋社會,幫助需要幫助的人, 如果您有什麼很酷的想法,也覺得我還行,歡迎您找我合作~~ IG: https://www.instagram.com/coding_4_me/

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


Github連結

嗨嗨,如果覺得圖片不清楚,都可以直接參考我的Github喔


攝影師:Aleksey Kuprikov,連結:Pexels



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:
  1. 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
  2. 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:
  1. 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
  2. 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



CC BY-NC-ND 2.0 版权声明

喜欢我的文章吗?
别忘了给点支持与赞赏,让我知道创作的路上有你陪伴。

加载中…
加载中…

发布评论