{
 "cells": [
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "# NumPy\n",
    "\n",
    "- `numpy` เป็นหนึ่งในไลบรารี่ของ Python ที่ใช้สำหรับการคำนวณที่ต้องใช้ข้อมูลหลายมิติ (array)\n",
    "- `numpy` มีประวัติศาสตร์ยาวนานถูกสร้างขึ้นตั้งแต่ปี 2005 โดย Travis Oliphant และถูกใช้งานในการคำนวณทางวิทยาศาสตร์หลากหลายอย่างจนได้รับความนิยมอย่างมากในปัจจุบัน\n",
    "- `numpy` มี object ที่สำคัญคือ ndarray (หรือ n-dimensional array) ที่ใช้ในการคำนวณ\n",
    "\n",
    "ส่วนมากไลบรารี่ numpy จะถูก install มาพร้อมกับ Python อยู่แล้ว แต่ถ้ายังไม่ได้ install มากับโปรแกรม Python สามารถใช้ pip (Python package manager) ในการลงได้\n",
    "\n",
    "```sh\n",
    "!pip install numpy\n",
    "```\n",
    "\n",
    "## Importing NumPy\n",
    "\n",
    "การใช้ไลบรารี่ NumPy (บางครั้งอาจจะใช้ numpy, Numpy เพื่อความสะดวก) จะต้องทำการ import ไลบรารี่ก่อนโดยใช้\n",
    "\n",
    "```py\n",
    "import numpy as np\n",
    "```\n",
    "\n",
    "## NumPy Arrays\n",
    "\n",
    "NumPy arrays หรือ multidimensional array (`ndarray` หรือ `array`) เป็นเหมือนโครงสร้างข้อมูลหลักของไลบรารี่ โดย arays มีความคล้ายคลึงกับ list ใน Python แต่ว่าสร้างขึ้นมาเพื่อประสิทธิภาพในการคำนวณ\n",
    "\n",
    "ตัวอย่างของ Array จะหน้าตาเหมือนกับลิสต์เลย ยกตัวอย่างเช่น\n",
    "\n",
    "```\n",
    "[[1, -1, 0],\n",
    " [3, 4, 8]]\n",
    "```\n",
    "\n",
    "เป็น array ที่มี 2 แถว (row) และ 3 หลัก (column) หรือบางครั้งบอกได้ว่าแกน (axis) แรกมีความยาวเท่ากับ 2 และแกนที่สองมีความยาวเท่ากับ 3"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "import numpy as np"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "# การสร้าง array สามารถสร้างได้จากลิสต์ของ Python\n",
    "A = np.array([[3, 4, -10], [2, 3, 5]])\n",
    "print(\"A array:\\n\", A)\n",
    "print(\"A shape: \", A.shape)  # (2, 3) -> 2 rows, 3 columns\n",
    "\n",
    "Z = np.zeros((2, 3)) # [[0, 0, 0], [0, 0, 0]]\n",
    "print(\"Z array:\\n\", Z)\n",
    "\n",
    "O = np.ones((2, 3)) # [[1, 1, 1], [1, 1, 1]]\n",
    "print(\"O array:\\n\", O)\n",
    "\n",
    "# สร้าง array ที่มีค่าสุ่มจากช่วง 0 ถึง 1 ที่มีขนาด 2 x 3\n",
    "R = np.random.rand(2, 3)\n",
    "print(\"R array:\\n\", R)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "r_1 = np.arange(0, 10)  # สร้าง array จาก 0 ถึง 9\n",
    "print(r_1)\n",
    "\n",
    "r_2 = np.arange(0, 1, 0.1)  # สร้าง array จาก 0 ถึง 1 ที่เว้นทีละ 0.1\n",
    "print(r_2)"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## **Operations**\n",
    "\n",
    "NumPy มี operations คล้ายกับ Python ที่สามารถ +, -, *, / ระหว่าง array ได้ แต่ข้อดีคือเราไม่ต้องใช้ for loop ในการทำ operation สำหรับ array หลายมิติ เช่น"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "a = np.array([1, 2, 3])\n",
    "b = np.array([4, 5, 6])\n",
    "print(a + b)\n",
    "print(a - b)\n",
    "print(a * b)\n",
    "print(a / b)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "print(np.dot(a, b))  # dot product (คูณ array 2 ตัว)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "A = np.array([[1, 0], [0, 1]])\n",
    "B = np.array([[-10, -3], [1, 4]])\n",
    "print(A.dot(B))  # การ dot product ระหว่าง array (การคูณ matrix) จะได้ผลลัพธ์ [[-10  -3], [  1   4]]\n",
    "print(np.dot(A, B))  # จะได้ผลลัพธ์ [[-10  -3], [  1   4]]"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Selection, Transpose, Reshape NumPy Arrays\n",
    "\n",
    "เมื่อสร้าง array มาแล้วเราสามารถเลือกข้อมูลบางส่วนของ array, เชื่อมต่อ array, หรือเปลี่ยนมิติ array ได้ด้วยคำสั่งต่างๆ\n",
    "- การเลือกบาง array สามารถนำมาใช้คัดบาง column ที่เราสนใจจากข้อมูลได้ หรือจะใช้แบ่งข้อมูลตาม row ก็ได้\n",
    "- การเชื่อม array มีบทบาทสำคัญมากๆในอนาคตโดยอาจนำมาใช้เชื่อมต่อข้อมูล หรือว่าเชื่อมข้อมูลจากหลายที่เข้าด้วยกัน\n",
    "- การเปลี่ยนมิติใช้ในการจัด dimension ให้เหมาะสมกับการประมวลผล"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "b = np.array([[2, 3, 4], [7, 2, -3]])\n",
    "\n",
    "print(\"b:\\n\", b)\n",
    "print(\"transpose of b:\\n\", b.T)\n",
    "print(\"b[:, 1]:\\n\", b[:, 1]) # เลือกทุกแถว, หลักที่ 1\n",
    "print(\"b[:, 0:2]:\\n\", b[:, 0:2]) # เลือกทุกแถว หลักที่ 0 ถึง 2\n",
    "print(\"b[0, 0:2]:\\n\", b[1, 0:2])"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "v = np.array([[-4, -2, -3], [-1, 2, 7]])\n",
    "\n",
    "print(np.vstack((b, v))) # เชื่อม array แนวตั้ง (vertical)\n",
    "print(np.hstack((b, v))) # เชื่อม array แนวนอน (horizontal)\n",
    "print(np.concatenate((b, v), axis=0))  # เชื่อมแนวตั้งโดยใช้คำสั่ง concatenate"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "cr = np.array([[10, 1, 3, 1, 2, 7]])\n",
    "print(cr.reshape(6, 1))  # เปลี่ยนเป็นแนวตั้ง 6x1\n",
    "print(cr.reshape(3, 2))  # เปลี่ยนเป็นขนาด 3x2\n",
    "\n",
    "print(cr.ravel())  # ลด dimension จาก 1x6 (1, 6) เป็น (6,) หรือ flatten นั่นเอง"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "อ่านเพิ่มเติมสำหรับการใช้ `.ravel()` ได้ที่ [`numpy.ravel`](https://numpy.org/doc/stable/reference/generated/numpy.ravel.html) เนื่องจากการ flatten array ทำได้หลายวิธี\n",
    "\n",
    "## NumPy functions\n",
    "\n",
    "NumPy มีฟังก์ชันต่างๆมากมายที่ใช้ในการคำนวณที่ช่วยให้เรานำมาวิเคราะห์ข้อมูลไดในอนาคต เช่น การหาค่าเฉลี่ย `np.mean`, การหาค่ามัธยฐาน `np.median`, รวมถึงค่าความเบี่ยงเบนของข้อมูล `np.std`\n",
    "\n",
    "โดยการใช้ฟังก์ชั่นอาจจะทำในแกนที่เราสนใจก็ได้ (ตาม column ใช้ `axis=0`, ตาม row ใช้ `axis=1`)"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {
    "scrolled": true
   },
   "outputs": [],
   "source": [
    "a = np.array([2, 4, 12])\n",
    "print(np.sqrt(a))\n",
    "\n",
    "# operation ที่ทำทั้ง array\n",
    "print(np.mean(a))  # ค่าเฉลี่ย 6.0\n",
    "print(np.max(a))  # 12\n",
    "print(np.min(a))  # 2"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "metadata": {},
   "outputs": [],
   "source": [
    "X = np.array([[1, 1.6], [1.2, 1.8], [2.3, 3.5]])\n",
    "print(X)\n",
    "print(X.mean(axis=0))  # หาค่าเฉลี่ยตาม column\n",
    "print(X.mean(axis=1))  # หาค่าเฉลี่ยตาม row\n",
    "\n",
    "\n",
    "# ทดลองหักลบค่าเฉลี่ยจากทุกแถว\n",
    "print(\"\\nSubtract average in column:\\n\")\n",
    "print(X - X.mean(axis=0))"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "## Conclusion\n",
    "\n",
    "ในตัวอย่างนี้ เราได้ทดลองใช้ Numpy สร้าง array และทดลองใช้ operations ต่างๆที่ NumPy array มี เช่น การบวก ลบ คูณ หาร รวมถึงการคูณเมทริกซ์ เราได้ทดลองเชื่อม array และทดลองใช้ฟังก์ชั่นการคำนวณต่างๆของ NumPy ที่สามารถนำไปใช้เป็นพื้นฐานในการเรียนบทเรียนถัดไปได้"
   ]
  },
  {
   "cell_type": "markdown",
   "metadata": {},
   "source": [
    "**ผู้จัดเตรียม code ใน tutorial**: ดร. ฐิติพัทธ อัชชะกุลวิสุทธิ์"
   ]
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.7.13"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 2
}