Module 12b — ทบทวน (Review)

N-dimensional Array using NumPy (II) — แบบฝึกทบทวน

ทบทวน Module 12b 📝

  • Multiple Choice — เลือกคำตอบที่ถูก แล้วกดถัดไปเพื่อดูเฉลย
  • ทำนายผล · หา Bug
  • เติมคำในช่องว่าง — ลองพิมพ์ใน Live Code แล้วรัน (มี NumPy จริง)

. . .

Note

ครอบคลุม: index/slice · selector array · View vs Copy · matrix (@, .T, np.linalg) ทบทวนเนื้อหาเต็มได้ที่ Module 12b 👈

Multiple Choice 🔘

เลือกคำตอบที่ถูกต้อง — เฉลยจะปรากฏเมื่อกดถัดไป

คำถาม #1

x[start:stop:step] เรียกว่าอะไร?

A. index
B. slice
C. selector

Tip

ตอบ: B — slice เลือกข้อมูลเป็นช่วง (เหมือน List) เช่น x[1:5:2], x[::-1] (reverse)

คำถาม #2

array 2 มิติ เข้าถึง item แถว 1 คอลัมน์ 2 ได้อย่างไร?

A. x[1,2] หรือ x[1][2]
B. x(1,2)
C. x{1,2}

Tip

ตอบ: A — array หลายมิติใช้ x[i, j] หรือ x[i][j] ก็ได้

คำถาม #3: ชวนคิด

x > 10 กับ NumPy array ให้ผลเป็นอะไร?

A. ตัวเลขเดียว
B. selector array ของ True/False แต่ละ item
C. error

Important

ตอบ: B — ได้ array ของ boolean นำไปใช้เป็น index x[x>10] เพื่อเลือก/แก้เฉพาะ item ที่ตรงเงื่อนไข

คำถาม #4

การ slice array สร้างอะไร?

A. View — แก้แล้วกระทบต้นทาง
B. Copy — แยกจากต้นทาง
C. array ว่าง

Important

ตอบ: A — slice = View · ต้องการสำเนาที่แยกเด็ดขาดใช้ .copy()

คำถาม #5: ชวนคิด

x * y กับ x @ y (array 2 มิติ) ต่างกันอย่างไร?

A. เหมือนกัน
B. * = element-wise, @ = matrix multiplication
C. @ ผิด syntax

Important

ตอบ: B — * คูณ item ตำแหน่งเดียวกัน · @ (หรือ .dot()) คือการคูณเมตริกซ์จริง

คำถาม #6

property ใดใช้ทำ transpose ของ array?

A. .T
B. .trans()
C. .flip

Tip

ตอบ: A — x.T สลับ row↔︎column (ผลเป็น View) · transpose ของ 1D array ได้ 1D เหมือนเดิม

ทำนายผล 🔮

โค้ดจะพิมพ์อะไร? — ทายก่อน แล้วกดถัดไปดูเฉลย

ทำนายผล #7

import numpy as np
x = np.array([5, 6, 7, 8, 9, 10])
print(x[::-1])

Tip

ผลลัพธ์: [10 9 8 7 6 5] — [::-1] กลับลำดับ (reverse)

ทำนายผล #8: ชวนคิด

import numpy as np
x = np.array([[ 5, 6, 7, 8],
              [ 9,10,11,12],
              [13,14,15,16]])
print(x[::2, 2:])

Important

ผลลัพธ์:

[[ 7  8]
 [15 16]]

::2 = row 0 และ 2 · 2: = column 2 เป็นต้นไป

ทำนายผล #9: ชวนคิด

import numpy as np
x = np.ones((3,3))
y = x[:2, :2]        # slice = view
x[0,0] = 0
print(y)

Important

ผลลัพธ์:

[[0. 1.]
 [1. 1.]]

y เป็น View ของ x → แก้ x[0,0] แล้ว y เปลี่ยนตาม (ถ้าใช้ .copy() จะไม่เปลี่ยน)

หา Bug 🐞

โค้ดผิดตรงไหน — ทำไม

หา Bug #10: ชวนคิด

import numpy as np
x = np.ones((3,3))
y = x[:2, :2]        # อยากได้สำเนาแยกต่างหาก
y[0,0] = 99
print(x[0,0])        # คาดว่ายังเป็น 1.0

ทำไม x[0,0] กลายเป็น 99?

Important

ผิด: slice สร้าง View ไม่ใช่สำเนา → แก้ y กระทบ x แก้: y = x[:2, :2].copy() เพื่อแยกออกจากต้นทางเด็ดขาด

หา Bug #11: ชวนคิด

import numpy as np
A = np.array([[1,2,3],[4,5,6]])   # (2,3)
B = np.array([[1,2,3],[4,5,6]])   # (2,3)
print(A @ B)

ผิดตรงไหน?

Important

ผิด: matrix multiplication ต้องการ shape สอดคล้อง — (2,3)@(2,3) ไม่ได้ (column ของตัวแรก ≠ row ของตัวหลัง) แก้: transpose ตัวหลัง เช่น A @ B.T → (2,3)@(3,2) = (2,2)

เติมคำในช่องว่าง ✏️

เติมโค้ดในช่อง ____ แล้วกด Run (มี NumPy จริง)

เติมคำ #12

เติม slice ให้เลือก ทุก row, column 2 เป็นต้นไป

print(x[:, 2:])
[[ 7  8]
 [11 12]
 [15 16]]

เติมคำ #13

เติม selector array ให้เลือกเฉพาะ item ที่ > 10

y = (x > 10)
print(x[y])
[11 12 13 14 15 16]

เติมคำ #14: ชวนคิด

เติม operator ให้ทำ matrix multiplication และ transpose

print(x @ y)
print(x.T)
[[3 3]
 [7 7]]
[[1 3]
 [2 4]]

Note

ทบทวน: Matrix multiplication & transpose (Module 12b)

เจาะจุดยาก: View / Copy / Selector 🎯

ฝึกเพิ่ม — จุดที่ผลลัพธ์มัก “เกินคาด”

ทำนายผล #15: ชวนคิด

import numpy as np
x = np.array([1, 2, 3, 4])
y = x[1:3].copy()
y[0] = 99
print(x)
print(y)

Important

ผลลัพธ์:

[1 2 3 4]
[99  3]

.copy() แยกจากต้นทาง → แก้ y ไม่กระทบ x (ถ้าเป็น slice เฉย ๆ = View จะกระทบ)

ทำนายผล #16: ชวนคิด

import numpy as np
x = np.array([[1, 2, 3],
              [4, 5, 6]])
x[:, 0] = 0
print(x)

Tip

ผลลัพธ์:

[[0 2 3]
 [0 5 6]]

x[:, 0] = column แรกของทุก row → กำหนดเป็น 0 พร้อมกันได้

ทำนายผล #17

import numpy as np
x = np.array([5, 12, 8, 20, 3])
print(x[x > 10])

Tip

ผลลัพธ์: [12 20] — x > 10 สร้าง selector [F T F T F] → เลือกเฉพาะ item ที่ตรงเงื่อนไข

Engineering Application 🔧

เลือกข้อมูล & แปลงเชิงเมทริกซ์

Engineering #18: คัดค่าที่เกินพิกัด

import numpy as np
temps = np.array([28, 35, 40, 22, 38])
print(temps[temps > 35])

Tip

ผลลัพธ์: [40 38] — selector temps > 35 เลือกเฉพาะค่าที่เกินพิกัด

Engineering #19: การแปลงเชิงเมทริกซ์

import numpy as np
A = np.array([[2, 0],
              [0, 3]])
v = np.array([[4],
              [5]])
print(A @ v)

Important

ผลลัพธ์:

[[ 8]
 [15]]

เมทริกซ์ scaling: @ คูณเมตริกซ์ → ขยายแกน x เป็น 2 เท่า, แกน y เป็น 3 เท่า

Engineering #20: จัดรูปตารางข้อมูล (Transpose)

import numpy as np
data = np.array([[1, 2, 3],
                 [4, 5, 6]])
print(data.T)

Tip

ผลลัพธ์:

[[1 4]
 [2 5]
 [3 6]]

.T สลับ row↔︎column — เปลี่ยนจาก “2 ตัวอย่าง × 3 ค่า” เป็น “3 ค่า × 2 ตัวอย่าง”

ท้าทาย 🔥

เลือก row ตามเงื่อนไข แล้วสรุปผล — หลายขั้นในบรรทัดเดียว

ท้าทาย #21: รวมเฉพาะ row ที่ตรงเงื่อนไข

หาผลรวม column ที่ 2 เฉพาะ row ที่ column แรก == 1 — เติม operator

import numpy as np
x = np.array([[1, 10, 5],
              [0, 20, 3],
              [1, 30, 7]])
mask = (x[:, 0] == 1)
print(np.sum(x[mask, 1]))
40

Note

mask = [True, False, True] → เลือก row 0 และ 2 → column 1 = 10 + 30 = 40

จบการทบทวน 🎉

🎉 จบคอร์สแล้ว — ทบทวนเนื้อหาเต็มได้ที่ Module 12b · กลับหน้าสารบัญ 🏠 259201