此文是《10周入門資料分析》系列的第15篇
想瞭解學習路線，可以先閱讀 學習計畫 | 10周入門資料分析

前兩篇講了Python的基礎，今天開始進入Python資料分析工具的教程。
Python資料分析絕對繞不過的四個包是numpy、scipy、pandas還有matplotlib。
numPy是Python數值計算最重要的基礎包，大多數提供科學計算的包都是用numPy的陣列作為構建基礎。專門用來處理矩陣，它的運算效率比列表更高效。

scipy是基於numpy的科學計算包，包括統計、線性代數等工具。

pandas是基於numpy的資料分析工具，能夠快速的處理結構化資料的大量資料結構和函數。

matplotlib 是最流行的用於繪製資料圖表的 Python 庫。

本文先分享NumPy包。

NumPy 的 ndarray：多維陣列物件

numpy的資料結構是n維的陣列物件，叫做ndarray。可以用這種陣列對整塊資料執行一些數學運算，其語法跟標量元素之間的運算一樣。

創建並操作多維陣列：

ndarray物件中所有元素必須是相同類型的，每個陣列都有一個shape和dtype。

• shape ：表示各維度大小的元組
• dtype ：說明陣列資料類型的物件
  

創建 ndarray：一種多維陣列物件

創建陣列最簡單的辦法就是使用 array 函數，它接受一切序列型物件（包括其它陣列），然後產生一個新的NumPy陣列（含有原來的資料）。

np.array會嘗試為新建的這個陣列推斷出一個較為合適的資料類型，這個資料類型保存在一個特殊的dtype物件中。

zeros 和 ones 也分別可以創建指定大小的全 0 或全 1 陣列，empty 可以創建一個沒有任何具體值的陣列（它返回的都是一些未初始化的垃圾值）：

arange是 Python 內置函數range的陣列版，np.arange返回間隔均勻的一些值。

ndarray 的資料類型

dtype（資料類型）是一個特殊的物件，它含有 ndarray 將一塊記憶體解釋為特定資料類型所需的資訊。

需要知道你所處理的資料的大致類型是浮點數、複數、整數、布林值、字串，還是普通的 python 對象。當需要控制資料在記憶體和磁片中的存儲方式時，就得瞭解如何控制存儲類型。

可通過ndarray的astype方法顯示地轉換其dtype：

若將浮點數轉換成整數，則小數部分將會被截斷。
若某字串陣列表示的全是數位，可用astype將其轉換為數值形式：

這裡沒寫 np.float64 只寫了 float，但是NumPy會將 Python 類型映射到等價的dtype上。
陣列的dtype的另一個用法：

u4(unit32)：無符號的 32 位元（4個位元組）整型。
調用astype無論如何都會創建出一個新的陣列（原始資料的一份拷貝）。

浮點數只能表示近似的分數值，在複雜計算中可能會積累一些浮點錯誤，因此比較操作只在一定小數位以內有效。

陣列和標量之間的運算

陣列：可對資料執行批量運算（不用編寫迴圈即可）。這通常叫做向量化(vectorization)。

• 大小相等的陣列之間，它們之間任何的算數運算都會應用到元素級（每個元素都做這個運算了），陣列與標量的算數運算也是。

• 不同大小的陣列之間的運算叫做廣播(broadcasting)。

基本的索引和切片

資料不會被複製，任何修改都直接改了原陣列。
如果僅是要一份副本，則用 .copy()。

這兩種方式等價。
若arr2d[2]，則輸出的是一維陣列[7,8,9]。
223的陣列（2組2行3列）：

切片索引

###布林型索引

需要先引入：from numpy.random import randn
或將程式碼改成：data = np.random.randn(7, 4)

布林型陣列的長度必須跟被索引的軸長度一致。每個名字對應 data 陣列一行。
對條件進行否定的兩種方式：

組合應用多個布林條件，可使用&、|等布林算術運算子：

透過布林型索引選取陣列中的陣列，將總是創建資料的副本，即使返回一模一樣的陣列也是一樣。
透過布林型陣列設定值：

透過一維布林陣列設置整行或列的值：

花式索引

指利用整數陣列進行索引。

np.empty((8,4))
Return a new array of given shape and type, without initializing entries.
for i in range(8):
arr[i] = i
Return an object that produces a sequence of integers from start (inclusive)
to stop (exclusive) by step.

為了以特定順序選取行的子集，只需傳入一個用於指定順序的整數清單或 ndarray，使用負數索引會從末尾開始選取行（最後一行是 -1）。
一次傳入多個索引組，返回一個一維陣列：

取整列的兩種方法，相當於給列排了順序：

花式索引跟切片不一樣，總是將資料複製到新陣列中。

陣列轉置和軸對換

轉置返回的是來源資料的視圖，不進行任何複製操作。陣列有 transpose 方法，還有一個 T 屬性來完成轉置：

高維陣列

Transpose 要一個軸編號：

arr是 2 組 2 行 4 列的陣列，transpose的參數表示shape的形狀，對於這個例子來說，即2[0]、2[1]、4[2]，transpose(1,0,2)轉置後變為2[1]、2[0]、4[2]，看起來仍是 2 組 2 行 4 列的形狀，但陣列內的元素經過轉換後索引已經改變，也要遵循（1，0，2）的順序。如轉置前的陣列arr[0,1,0]索引值為 4，轉置後的陣列arr’[1,0,0]，索引值才為 4。其它同理。

ndarray 的 swapaxes 方法接受一對軸編號且返回來源資料的視圖：

轉置後的陣列arr.T為 4[2] 組 2[1] 行 2[0] 列陣列，swapaxes(1,2)就是將第二個維度（中括弧內數位）和第三個維度交換，即轉換為 2 組 4 行 2 列。

通用函數：快速的元素級陣列函數

通用函數（即 ufunc）是一種對ndarray中的資料執行元素級運算的函數，就是一些簡單函數。

利用陣列進行資料處理

用陣列運算式代替迴圈的做法，通常被稱為向量化。NumPy 陣列將多種資料處理任務表述為陣列運算式。


np.meshgrid函數接受兩個一維陣列，並產生兩個二維矩陣（對應於兩個陣列中所有的（x, y）對。

將條件邏輯表述為陣列運算

p.wherea函數是三元運算式x if condition else y的向量化版本。
np.where的第二個和第三個參數不必是陣列，傳遞給where的陣列大小可以不相等，甚至可以是標量值。在資料分析工作中，where通常用於根據另一個陣列而產生一個新的陣列。

用where表述出更複雜的邏輯：（where的嵌套）

用於布林型陣列的方法
有兩個方法any和all。

排序
多維陣列可以在任何一個軸向上進行排序，只需將軸編號傳給sort：

頂級方法np.sort返回的陣列已排序的副本，就地排序則會修改陣列。

唯一化以及其他的集合邏輯

np.unique找出陣列中的唯一值並返回已排序的結果。

np.in1d用於測試一個陣列的值在另一個陣列的情況。

亂數產生

numpy.random模組多了用於高效生產多種概率分佈的樣本值的函數（用來生成大量樣本值）。
到這裡，numpy的基礎就講解的差不多了，下周將講解pandas和matplotlib。更深入的應用，後面也會分享實際應用這些包得資料分析，歡迎關注！
我是「數據分析那些事」。常年分享資料分析乾貨，不定期分享好用的職場技能工具。