Maging Eksperto sa NumPy np.array: Mula sa Mga Pangunahing Kaalaman Hanggang sa Advanced na Pagsusuri ng Datos

1. Panimula

Ang Python ay isang napakapopular na wika ng programming para sa pagsusuri ng datos, machine learning, at siyentipikong pagkwenta. Kabilang dito, ang numpy (NumPy) na library ay isang makapangyarihang kasangkapan para mapadali ang numerikal na mga kalkulasyon. Ang artikulong ito ay nagbibigay ng detalyadong paliwanag tungkol sa “np.array” ng Python, mula sa mga batayan hanggang sa mga praktikal na aplikasyon, at nagtatampok ng mga konkretong teknik na kapaki-pakinabang sa pagproseso at pagsusuri ng numerikal na datos.

Official page

NumPy quickstart — NumPy v2.3 Manual

…

2. Ano ang numpy?

numpy ay isang library para sa numerikal na pagkwenta na nag-aalok ng multi-dimensional na mga array (ndarray), mga operasyon sa matrix, at mga tampok para sa estadistikal na pagsusuri, na nagsisilbing pundasyon para sa pagsusuri ng datos. Sa pakikipagtulungan sa iba pang mga library ng Python, pinapasimple at pinapabilis nito ang komplikadong pagproseso ng datos.

Paano i-install ang numpy

Ang pag-install ng numpy ay madali. Patakbuhin lamang ang utos sa ibaba.

pip install numpy

Bakit Pumili ng numpy

Ang mabilis at epektibong kakayahan sa pagproseso ng datos ng numpy ay hindi mapapalitan para sa siyentipikong pagkwenta at agham ng datos. Para sa karagdagang detalye tungkol sa numpy, tingnan ang opisyal na dokumentasyon.

NumPy

Why NumPy? Powerful n-dimensional arrays. Numerical computin…

3. Mga Batayan ng np.array

Ang np.array ng Python ay ang pangunahing estruktura ng datos ng numpy at naglalaman ng mga kakayahan para sa epektibong paghawak ng numerikal na datos. Halimbawa, ganito kung paano lumikha ng isang one-dimensional na array.

import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)

Tip: Ang pagtukoy ng uri ng datos ng np.array ay maaari ring magpabuti ng kahusayan sa memorya. Gamitin ang argumentong dtype upang tukuyin ang mga uri ng integer (tulad ng int32) o mga uri ng floating-point.

4. Paglikha ng Multidimensional na mga Array

Sinusuportahan din ng np.array ang mga multidimensional na array. Halimbawa, ang sumusunod na code ay lumilikha ng isang two-dimensional na array.

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d)

FAQ
Q: Paano ako makakalikha ng mga array na may tatlo o higit pang dimensyon?
A: Maaari mo itong likhain sa pamamagitan ng pagpapasa ng karagdagang nested na list sa np.array.

5. Mga Operasyon sa Array

Pinapayagan ka ng np.array na kunin ang mga elemento at magsagawa ng mga bahagi ng operasyon gamit ang indexing at slicing. Narito ang isang pangunahing halimbawa ng indexing.

array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d[1, 2])  # Output: 6

Sa pamamagitan ng slicing, madali mong ma-extract ang mga tiyak na row o column.

6. Pagbabago ng Hugis ng mga Array

Sa pagsusuri ng datos, madalas mong kailangan baguhin ang hugis ng mga array; ang paggamit ng metodong reshape ay nagpapahintulot na baguhin ang kanilang hugis nang epektibo.

array_1d = np.array([1, 2, 3, 4, 5, 6])
array_2d = array_1d.reshape(2, 3)
print(array_2d)

Tip: Maaari mo ring gamitin ang metodong resize para sa pagbabago ng hugis, ngunit mag-ingat dahil binabago nito ang orihinal na array nang direkta.

7. Mga Operasyon sa Array

Sa paggamit ng mga kakayahan sa aritmetika ng numpy, nagiging simple ang mga operasyon sa pagitan ng mga array. Ang halimbawang nasa ibaba ay nagsasagawa ng element-wise na pagdaragdag ng dalawang array.

array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
print(array1 + array2)  # Output: [5 7 9]

FAQ
Q: Maaari ko bang isagawa ang mga operasyon kapag magkaiba ang hugis ng mga array?
A: Sa pamamagitan ng tampok na broadcasting ng numpy, maaari mong tamaang isagawa ang mga operasyon sa mga array na may magkaibang hugis.

8. Paggamit ng mga Estadistikal na Function

Sa pagsusuri ng datos, mahalagang suriin ang mga estadistikal na sukat tulad ng mean, pinakamataas at pinakamababang halaga, at variance ng isang. Halimbawa, narito kung paano kalkulahin ang mean ng isang array.

array = np.array([1, 2, 3, 4, 5])
print(array.mean())  # Output: 3.0

9. Praktikal na Halimbawa: Aplikasyon sa Pagsusuri ng Datos

Dito, gamit ang kathang-isip na datos ng benta, susuriin natin ang mga rate ng paglago ng benta at titingnan ang mga trend ng buwanang benta.

import numpy as np
import matplotlib.pyplot as plt

sales_data = np.array([120, 150, 170, 200, 220, 180, 190, 210, 230, 250, 240, 260])

# Monthly sales growth rate
growth_rate = (sales_data[1:] - sales_data[:-1]) / sales_data[:-1] * 100
print("Monthly growth rate:", growth_rate)

# Plotting the sales data
plt.plot(range(1, 13), sales_data, marker='o')
plt.title("Monthly Sales Trend")
plt.xlabel("Month")
plt.ylabel("Sales (thousands)")
plt.grid(True)
plt.show()

Tip: Ang pag-visualize ng data ay nagpapadali nang intuitibo na matukoy ang mga tuktok ng paglago at mga trend, na kapaki-pakinabang para sa pagsusuri ng negosyo.

10. Buod

Ipinaliwanag ng artikulong ito ang mga batayan ng paggamit ng np.array sa Python at ang mga aplikasyon nito pagsusuri ng data. Ang mga pangunahing punto ay ang mga sumusunod.

1. Pangunahing paggamit : Paglikha ng np.array at pagtukoy ng mga uri ng data.
2. Multidimensional na mga array : Paglikha at pag-manipula ng dalawang-dimensional at tatlong-dimensional na mga array.
3. Reshaping : Mga pamamaraan para sa pag-rereshape gamit ang reshape at flatten.
4. Mga operasyon at estadistika : Mga operasyon sa bawat elemento at pagkalkula ng mga sukat na estadistikal.
5. Praktikal na mga halimbawa : Pagkalkula ng mga rate ng paglago at pag-visualize ng data ng benta.

Ang mga konseptong ito ay bumubuo ng pundasyon para sa pagsusuri ng data at mga proyektong machine learning, kaya siguraduhing gamitin ang mga ito. Kung nais mong palalimin ang iyong pag-unawa, sumangguni rin sa opisyal na dokumentasyon ng numpy at iba pang kaugnay na paksa.