NumPy¶

NumPy 是 Python 做「大量數字運算」時最常用的基礎套件。

如果用生活化的講法：

Python list 像「一排置物籃」，每格可以放不同東西，例如數字、文字、甚至另一個 list。
NumPy array 像「規格一致的倉庫貨架」，每格通常放同一種資料，所以電腦可以一次搬一整排、一次算一整批。

為什麼不是只用 list？¶

先看一個情境：全班 5 位學生的成績，每個人都加 5 分。

# Python list 寫法：
scores = [78, 85, 92, 66, 88]

new_scores = []
for score in scores:
    new_scores.append(score + 5)

print(new_scores)

這段程式的意思很清楚：一個一個拿出來加 5 分。

但是如果有 5 萬筆、50 萬筆、500 萬筆資料呢？我們希望程式能像 Excel 一樣，一整欄直接運算。

# NumPy 寫法：
import numpy as np

scores = np.array([78, 85, 92, 66, 88])
print(scores + 5)

list 比較像日常收納箱，很彈性；NumPy array 比較像工廠輸送帶，比較規矩，但是大量處理時非常有效率。

範例：numpy陣列入門.py

ndarray：NumPy 的主角¶

NumPy 最核心的資料結構叫 ndarray，可以先把它想成「多維度陣列」。

三個很重要的屬性¶

print(scores.ndim)
print(scores.shape)
print(scores.dtype)

屬性	意思	白話解釋
`ndim`	維度數	是一排、表格、還是更高維？
`shape`	形狀	有幾列幾欄？
`dtype`	資料型態	裡面放整數、小數、文字？

陣列運算：一次處理一整批¶

NumPy 最有感的地方，就是不用自己寫迴圈也能批次運算。

import numpy as np

prices = np.array([45, 55, 65, 75])

print(prices + 10)
print(prices * 0.9)
print(prices >= 60)

統計函式：平均、最大、最小、總和¶

常用統計函式：

函式	意思	例子
`sum()`	總和	總營收、總杯數
`mean()`	平均	平均成績、平均等待時間
`max()`	最大值	最高分、最高單筆消費
`min()`	最小值	最低分、最短等待
`argmax()`	最大值的位置	找出第一名的位置
`argmin()`	最小值的位置	找出最低的位置

範例：成績統計.py

axis 是什麼？¶

用表格想比較容易：

scores = np.array([
    [82, 76, 90],
    [68, 88, 72],
    [95, 91, 84],
])

表格長這樣：

        Python  SQL  Excel
學生 A     82   76    90
學生 B     68   88    72
學生 C     95   91    84

scores.mean(axis=0)
# `axis=0`：往下算，每一欄算出一個結果 -> 直向統計。

scores.mean(axis=1)
# `axis=1`：往旁邊算，每一列算出一個結果 -> 橫向統計。

讀取 CSV：用真實一點的資料練習¶

資料共有 72 筆，欄位如下：

欄位	說明
訂單編號	每筆訂單的代號
日期	訂單日期
時段	早班、午班、晚班
門市	台北車站店、西門店、板橋店
飲品	商品名稱
尺寸	中杯、大杯
甜度	無糖、微糖、半糖、正常糖
冰塊	去冰、微冰、少冰、正常冰
數量	買幾杯
單價	每杯價格
等待分鐘	客人等多久
評分	1 到 5 分

布林篩選：像 Excel 篩選，但更可程式化¶

布林值就是 True / False。

prices = np.array([45, 55, 65, 75])
print(prices >= 60)
# 結果：[False False  True  True]

範例：布林篩選找出高價與久等訂單.py

多條件篩選¶

NumPy 的多條件要特別注意：

Python 的 and 比較適合單一 True/False。
NumPy array 裡面是一整排 True/False，要用 &。
每個條件要加括號，避免運算順序出錯。

# 正確寫法
mask = (revenue >= 150) & (wait_minutes >= 10)

# 錯誤寫法
mask = revenue >= 150 and wait_minutes >= 10

常用符號：

| 符號 | 意思 | | ---- | ------ | ---- | | & | 而且 | | | | 或者 | | ~ | 反過來 |

排序與排名¶

sort() 是把人照身高排好。
argsort() 是告訴你排好後，每個人原本坐在哪個座位。

# 如果只想排序數字：
scores = np.array([78, 85, 92, 66, 88])
print(np.sort(scores))

# 如果想知道排序後「原本的位置」，要用 `argsort()`。
index = np.argsort(scores)
print(index)

範例：排序找熱賣飲品.py

reshape：資料形狀改變，資料內容不變¶

reshape 可以改變陣列形狀。

daily_cups = np.array([12, 15, 18, 13, 20, 26, 24, 16, 19, 21, 18, 23])
weekly_table = daily_cups.reshape(3, 4)

# 原本是一條：
[12 15 18 13 20 26 24 16 19 21 18 23]

# 改成：
[[12 15 18 13]
 [20 26 24 16]
 [19 21 18 23]]

NumPy¶

為什麼不是只用 list？¶

ndarray：NumPy 的主角¶

三個很重要的屬性¶

陣列運算：一次處理一整批¶

統計函式：平均、最大、最小、總和¶

axis 是什麼？¶

讀取 CSV：用真實一點的資料練習¶

布林篩選：像 Excel 篩選，但更可程式化¶

多條件篩選¶

排序與排名¶

reshape：資料形狀改變，資料內容不變¶

課堂練習¶

Problem. 建立等差陣列 ¶

Problem. 建立英文字母陣列 ¶

Problem. 建立全零陣列 ¶

Problem. 建立全一陣列 ¶

Problem. 產生亂數整數 ¶

Problem. 產生亂數小數 ¶

NumPy¶

為什麼不是只用 list？¶

ndarray：NumPy 的主角¶

三個很重要的屬性¶

陣列運算：一次處理一整批¶

統計函式：平均、最大、最小、總和¶

axis 是什麼？¶

讀取 CSV：用真實一點的資料練習¶

布林篩選：像 Excel 篩選，但更可程式化¶

多條件篩選¶

排序與排名¶

reshape：資料形狀改變，資料內容不變¶

課堂練習¶

Problem. 建立等差陣列¶

Problem. 建立英文字母陣列¶

Problem. 建立全零陣列¶

Problem. 建立全一陣列¶

Problem. 產生亂數整數¶

Problem. 產生亂數小數¶

Problem. 建立等差陣列 ¶

Problem. 建立英文字母陣列 ¶

Problem. 建立全零陣列 ¶

Problem. 建立全一陣列 ¶

Problem. 產生亂數整數 ¶

Problem. 產生亂數小數 ¶