อาร์เรย์ของ NumPy (ndarray)
ในบทเรียนนี้ คุณจะสร้างอาร์เรย์ NumPy สองมิติและดูข้อมูลพื้นฐาน เช่น รูปร่าง (shape) และจำนวนสมาชิก (size)
บทนำ
ปัญหาที่ต้องแก้
ลิสต์ของ Python ยืดหยุ่นก็จริง แต่ช้าเมื่อต้องคำนวณกับตัวเลขจำนวนมาก เช่น ถ้าจะบวก 1 ให้ทุกค่าในล้านค่า ต้องเขียนลูปของ Python งานวิทยาศาสตร์ การวิเคราะห์ข้อมูล และ machine learning ต้องทำงานกับตารางตัวเลขขนาดใหญ่ จึงต้องการโครงสร้างข้อมูลที่ออกแบบมาให้คำนวณกับทุกค่าพร้อมกันได้อย่างรวดเร็ว
ลองนึกภาพแบบนี้
อาร์เรย์ของ NumPy เหมือนกระดาษกราฟที่ทุกช่องเก็บตัวเลขชนิดเดียวกัน และทุกช่องมีขนาดเท่ากัน เราจึงทำงานกับทั้งแถว ทั้งคอลัมน์ หรือทั้งแผ่นได้ในคราวเดียว ไม่ต้องไล่ทีละช่อง
np.array([[1, 2, 3], [4, 5, 6]])📄 กระดาษหนึ่งแผ่นที่มี 2 แถว 3 คอลัมน์values.shape📐 ขนาดของแผ่น: (2, 3)values.size🔢 มีทั้งหมดกี่ช่อง: 6print(values)👀 ทั้งแผ่น ทีละแถวอาร์เรย์ของ NumPy (ndarray) คือตารางของค่าที่มีชนิดข้อมูลเดียวกันทั้งหมดและมีรูปร่าง (shape) คงที่ ออกแบบมาให้ทำงานกับทุกสมาชิกพร้อมกันได้อย่างรวดเร็ว
ประเด็นสำคัญ
np.array([[1, 2, 3], [4, 5, 6]])เปลี่ยนลิสต์ของลิสต์เป็นอาร์เรย์ 2 มิติvalues.shapeเป็น(2, 3): สองแถวและสามคอลัมน์values.sizeนับสมาชิกทั้งหมด: 6- ทุกสมาชิกมีชนิดเดียวกัน และนี่คือเหตุผลที่การคำนวณกับอาร์เรย์เร็ว
ใช้เมื่อไร?
- คำนวณกับตัวเลขจำนวนมากพร้อมกัน เช่น คะแนน ค่าที่วัดได้ ราคา
- รูปภาพ ซึ่งเป็นอาร์เรย์ของค่าพิกเซล
- เป็นรูปแบบอินพุตที่ไลบรารี data science และ machine learning ส่วนใหญ่ใช้
เมื่อไรยังไม่จำเป็น
- ข้อมูลผสม เช่น ชื่อและตัวเลขรวมกัน: DataFrame ของ pandas หรือลิสต์ของ dictionary เหมาะกว่า
- ข้อมูลที่ทยอยเพิ่มทีละรายการ: การต่อท้ายอาร์เรย์ต้องคัดลอกทั้งอาร์เรย์ทุกครั้ง ให้เก็บใส่ลิสต์ก่อน
ดูการทำงาน
ชี้ที่ช่องเพื่อดูแถว คอลัมน์ และตำแหน่งในหน่วยความจำ ซึ่งเก็บทุกแถวต่อกันไปเรื่อย ๆ
โค้ดตัวอย่าง
import numpy as np
values = np.array([[1, 2, 3], [4, 5, 6]])
print(values)
print("shape:", values.shape)
print("size:", values.size)
ผลลัพธ์จากการรัน
[[1 2 3]
[4 5 6]]
shape: (2, 3)
size: 6
อธิบายโค้ด
ฟังก์ชัน np.array() สร้างอาร์เรย์สองมิติขนาด 2 แถว 3 คอลัมน์จากลิสต์ซ้อน แอตทริบิวต์ shape บอกขนาดของแต่ละมิติ ในที่นี้คือ (2, 3) และ size บอกจำนวนสมาชิกทั้งหมด คือ 6
เปลี่ยนค่าและรันโปรแกรมด้วย คอมไพเลอร์ Python ออนไลน์ของ CodeUtility โดยไม่ต้องติดตั้ง Python
แบบฝึกหัดเพิ่มเติม
ลองแก้โค้ดตามคำแนะนำด้านล่าง การเปลี่ยนโค้ดแล้วดูผลลัพธ์จะช่วยให้เข้าใจบทเรียนได้ดีกว่าการอ่านอย่างเดียวมาก
- เปลี่ยนรูปร่าง (shape) และชนิดข้อมูล (dtype) ของอาร์เรย์อินพุต
- ทดสอบกับเลขติดลบ ทศนิยม และค่าที่หายไป
- ใช้การคำนวณเดียวกันกับอาร์เรย์หลายมิติที่ใหญ่ขึ้นและจับเวลา
ข้อผิดพลาดที่พบบ่อย
แถวยาวไม่เท่ากัน
ถ้าแต่ละแถวยาวไม่เท่ากัน จะไม่ได้อาร์เรย์ 2 มิติที่ถูกต้อง
np.array([[1, 2, 3], [4, 5]]) # error or object array
np.array([[1, 2, 3], [4, 5, 6]])
เรียนบทนี้จบแล้วใช่ไหม
ทำเครื่องหมายว่าเรียนแล้วเพื่อติดตามความคืบหน้า
ฝึกด้วยโจทย์
ใช้สิ่งที่เรียนในบทนี้แก้ปัญหาจริง ทุกโจทย์รันในเบราว์เซอร์ พร้อมการทดสอบทันทีและรีวิวจาก AI
- ผลคูณจุดของเวกเตอร์สองตัว คูณเวกเตอร์สองตัวทีละสมาชิกแล้วรวมผลลัพธ์ ซึ่งเป็นการคำนวณหลักของทุกนิวรอน ง่าย
- หาผลรวมของอาเรย์ หาผลรวมของค่าทั้งหมดในลิสต์ ง่าย
- ฟังก์ชันกระตุ้น ใช้ sigmoid, ReLU, Leaky ReLU หรือ tanh กับทุกค่าในลิสต์ ง่าย