1. 前言
Python 是在資料分析、機器學習與科學運算領域中非常受歡迎的程式語言。其中的 numpy（讀作「南派」）函式庫，是提升數值運算效率的重要工具。本文將深入介紹 Python 中的 np.array，從基礎到進階應用，並說明如何有效處理與分析數值資料。
官方頁面
2. 什麼是 numpy？
numpy 是一個數值運算函式庫，具備多維陣列（ndarray）、矩陣運算與統計分析功能，是資料分析的重要基礎。搭配其他 Python 函式庫使用時，可以簡化複雜的資料處理流程，並大幅提升執行效率。
如何安裝 numpy
安裝 numpy 非常簡單，只需執行以下指令：
pip install numpy為什麼選擇 numpy
numpy 具備高速且高效率的資料處理能力，是進行科學運算與資料科學工作不可或缺的工具。如需進一步了解，請參考 官方文件。
Why NumPy? Powerful n-dimensional arrays. Numerical computin…
3. np.array 的基礎
Python 中的 np.array 是 numpy 的基本資料結構，具備高效處理數值資料的功能。以下是建立一維陣列的範例：
import numpy as np
array_1d = np.array([1, 2, 3, 4, 5])
print(array_1d)小提示：指定
np.array的資料型態有助於提升記憶體使用效率。可以使用dtype參數指定整數型（如int32）或浮點型。
4. 建立多維陣列
np.array 也支援建立多維陣列。例如，以下程式碼建立了一個二維陣列：
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d)常見問題
Q: 如何建立三維或更高維度的陣列？
A: 只要傳入更深層的巢狀列表給np.array即可。
5. 陣列操作
np.array 可以透過索引與切片來取得或操作特定元素。以下是基本的索引範例：
array_2d = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(array_2d[1, 2]) # 輸出：6使用切片功能，可以輕鬆提取特定的行或列。
6. 改變陣列的形狀
在資料分析中經常需要改變陣列的形狀。可以使用 reshape 方法來有效地重新排列陣列：
array_1d = np.array([1, 2, 3, 4, 5, 6])
array_2d = array_1d.reshape(2, 3)
print(array_2d)小提示：除了
reshape，也可以使用resize方法，但它會直接修改原本的陣列，使用時請特別留意。
7. 陣列的運算
利用 numpy 的運算功能，可以輕鬆進行陣列之間的數學運算。以下範例展示了兩個陣列的對應元素相加：
array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
print(array1 + array2) # 輸出：[5 7 9]常見問題
Q: 陣列形狀不同時也可以做運算嗎？
A: 使用numpy的廣播（broadcasting）功能，即使形狀不同也能進行對應的運算。
8. 使用統計函式
在資料分析中，計算平均值、最大值、最小值與變異數等統計量是非常重要的。以下是計算陣列平均值的範例：
array = np.array([1, 2, 3, 4, 5])
print(array.mean()) # 輸出：3.09. 實作範例：應用於資料分析
在此範例中，我們將使用模擬的銷售資料來分析成長率，並觀察每月的銷售變化。
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])
# 每月銷售成長率
growth_rate = (sales_data[1:] - sales_data[:-1]) / sales_data[:-1] * 100
print("每月成長率:", growth_rate)
# 繪製銷售資料圖表
plt.plot(range(1, 13), sales_data, marker='o')
plt.title("每月銷售趨勢")
plt.xlabel("月份")
plt.ylabel("銷售額（千元）")
plt.grid(True)
plt.show()小提示：透過資料視覺化，可以直觀掌握成長高峰與趨勢，有助於進行商業分析。
10. 總結
本文介紹了 Python 中 np.array 的基礎用法與資料分析的實際應用。重點整理如下：
- 基本用法：建立
np.array並指定資料型態的方法。 - 多維陣列：如何建立與操作二維、三維陣列。
- 變更形狀：使用
reshape與flatten改變陣列結構。 - 運算與統計：進行元素運算與計算統計值。
- 實作範例：透過銷售資料計算成長率與視覺化分析。
這些知識是進行資料分析與機器學習專案的基礎，歡迎靈活應用。如果你想進一步深入了解，建議參考 numpy 的官方文件與相關主題。