NumPy 使用者指南

概覽： 本課介紹 NumPy 作為 Python 科學計算的核心函式庫，解釋其透過向量化帶來的性能優勢。學生將學習如何在各平台（Windows、Raspberry Pi、Conda、PyCharm）安裝該函式庫，並解決常見的安裝障礙，例如透過管理環境變數與系統依賴來排除 ImportError。

學習成果：

• 定義 NumPy 並識別其在科學計算型 Python 生態系統中的角色。
• 解釋為何 NumPy 比標準 Python 迴圈快得多，並運用「向量化」的概念說明。
• 執行各種環境（包括 Pip、Conda 及 Raspberry Pi）的安裝指令。

概覽： 本課深入介紹 NumPy 的 ndarray 物件，涵蓋其核心屬性、建立方法與基本數學運算。內容延伸至進階主題，包括高級索引（布林與整數索引）、形狀變換，以及重要的線性代數常式。完成此模組後，學習者將能有效儲存、轉換與分析多維資料結構。

學習成果：

• 識別並解讀核心 ndarray 屬性，如 ndim、shape 及 dtype。
• 使用 linspace、reshape、vstack 及 hstack 等函數執行陣列建立與操作。
• 對數值資料集應用元素級運算、通用函數（ufuncs）及線性代數求解器。

概覽： 本課探討 NumPy 的進階機制，專注於精確的資料類型管理、溢位處理，以及使用 genfromtxt 進行複雜的 I/O 操作。學生將掌握廣播機制在算術運算中的內部邏輯，記憶體層級的字節順序細節，以及針對異質資料集建立結構化/記錄陣列的方法。最後部分詳細說明透過自訂陣列容器擴展 NumPy，以及子類別化 ndarray 所需的正式協定。

學習成果：

• 利用 NumPy 的標量類型與資訊工具（iinfo、finfo）管理資料精確度，並避免溢位錯誤。
• 使用 genfromtxt 以自訂分隔符、標頭與欄位選擇，靈活地從磁碟讀取資料。
• 應用通用廣播規則，預測並控制不同形狀陣列之間的互動。

概覽： 本課探討 NumPy 子類別化的進階細節，特別是記憶體管理與下游相容性問題。進一步檢視 NumPy 如何實作 IEEE 754 浮點數標準以處理特殊值與數值例外，最後說明如何將 NumPy 陣列與低階語言（如 C、C++ 及 Fortran）介接。

學習成果：

• 透過 .base 屬性管理記憶體參考，並避免自訂 ndarray 子類別中的「陷阱」。
• 透過正確實作 __array_wrap__ 與方法簽名，維持子類別的下游相容性。
• 識別與操控 IEEE 754 特殊值（NaN、Inf），並設定全域數值例外行為。

概覽： 本課探討透過與編譯語言（如 C、C++ 及 Fortran）介接來擴展 NumPy 功能的各種方法。內容包含自動化工具（如 f2py 與 Cython）、手動包裝（ctypes）、建立高性能通用函數（ufuncs），以及進階的 C-API 技巧，包括陣列迭代、自訂資料類型與子類別化 ndarray。

學習成果：

• 比較並實作將編譯程式碼與 Python 串接的不同方法（f2py、Cython、ctypes）。
• 建構並註冊自訂的 NumPy 通用函數（ufuncs），支援單一或多個資料類型，包含結構化陣列。
• 使用 NumPy C-API 進行高效陣列迭代、處理廣播，並定義使用者自訂資料類型或 ndarray 子類別。