清晰易懂的Numpy進階教程

點擊上方“小白學(xué)視覺”，選擇加"星標"或“置頂”

重磅干貨，第一時間送達

Numpy是數(shù)據(jù)分析和科學(xué)計算的核心包，上文詳細介紹了Numpy的入門教程，本文將詳細介紹Numpy的高級特性，這些特性對于數(shù)據(jù)分析和處理非常重要。

目錄

1. 如何獲取滿足條設(shè)定件的索引

2. 如何將數(shù)據(jù)導(dǎo)入和導(dǎo)出csv文件

3. 如何保存和加載numpy對象

4. 如何按列或行拼接numpy數(shù)組

5. 如何按列對numpy數(shù)組進行排序

6. 如何用numpy處理日期

7.高階numpy函數(shù)介紹

8. 小結(jié)

1.?如何獲取滿足條設(shè)定件的索引

上一文介紹根據(jù)數(shù)組是否滿足條件，輸出為True或False.

# 定義數(shù)組
import numpy as np
arr_rand = np.array([8, 8, 3, 7, 7, 0, 4, 2, 5, 2])

#根據(jù)數(shù)組是否大于4，滿足為True，不滿足為False
b = arr_rand > 4
b

#> array([ True,  True, False,  True,  True, False, False, False,  True,
       False])

若我們想得到滿足條件的索引，用np.where函數(shù)實現(xiàn).

# 定位數(shù)組大于5的索引
index_gt5 = np.where(arr_rand > 5)
print("Positions?where?value?>?5:?", index_gt5)

#>?Positions?where?value?>?5:??(array([0,?1,?3,?4]),)?#?索引

由索引得到滿足條件的值.

# 根據(jù)索引得到滿足條件的數(shù)組值
arr_rand.take(index_gt5)

#> array([[8, 8, 7, 7]])

np.where也可以接受另兩個可選擇的參數(shù)x和y。當條件滿足時，輸出x，反之輸出y.

# 如果值大于5，輸出字符串'gt5'，反之輸出'le5'
np.where(arr_rand > 5, 'gt5', 'le5')

#> array(['gt5', 'gt5', 'le5', 'gt5', 'gt5', 'le5', 'le5', 'le5', 'le5', 'le5'],
      dtype=')

np.argmax和np.argmin分別獲取數(shù)組最大值和最小值的索引.

# 最大值索引
print('Position?of?max?value:?', np.argmax(arr_rand))  

# 最小值索引
print('Position?of?min?value:?', np.argmin(arr_rand)) 

#>?Position?of?max?value:??0
#>?Position?of?min?value:??5

np.max和np.min分別獲取數(shù)組的最大值和最小值.

# 最大值
print('max?value:?', np.max(arr_rand))  

# 最小值
print('min?value:?', np.min(arr_rand)) 

#>?max?value:??8
#>?min?value:??0

2. 如何將數(shù)據(jù)導(dǎo)入和導(dǎo)出csv文件

導(dǎo)入數(shù)據(jù)的標準方法是使用np.genfromtxt函數(shù)，它可以從web URLs導(dǎo)入數(shù)據(jù)，處理缺失值，多種分隔符，處理不規(guī)則的列數(shù)等功能。一個不太通用的版本是用np.loadtxt函數(shù)導(dǎo)入數(shù)據(jù)，它假設(shè)數(shù)據(jù)集無缺失值.

作為示例，我們嘗試從下面的URL讀取.csv文件，由于numpy數(shù)組的所有元素都應(yīng)該是同一種類型，因此文本的最后一列默認為'nan'。通過設(shè)置參數(shù)'filling_values'，你可以用其他值代替缺失值.

# 關(guān)閉數(shù)字的科學(xué)表示方法
np.set_printoptions(suppress=True)  

# 從url的csv文件導(dǎo)入數(shù)據(jù)
path = 'https://raw.githubusercontent.com/selva86/datasets/master/Auto.csv'
# delimiter：分隔符，skip_header：從多少行開始讀數(shù)據(jù)，以0開始，filling_values：缺失值表示，dtype：數(shù)據(jù)類型
data = np.genfromtxt(path, delimiter=',', skip_header=1, filling_values=-999, dtype='float')

data[:3]  # 顯示前3行數(shù)據(jù)

#> array([[   18. ,     8. ,   307. ,   130. ,  3504. ,    12. ,    70. ,
#>             1. ,  -999. ],
#>        [   15. ,     8. ,   350. ,   165. ,  3693. ,    11.5,    70. ,
#>             1. ,  -999. ],
#>        [   18. ,     8. ,   318. ,   150. ,  3436. ,    11. ,    70. ,
#>             1. ,  -999. ]])

若設(shè)置參數(shù)dtype為'object'或'None'，np.genfromtxt在未設(shè)置占位符的前提下能同時處理具有數(shù)字和文本列的數(shù)據(jù)集.

# data2 = np.genfromtxt(path, delimiter=',', skip_header=1, dtype='object')
data2 = np.genfromtxt(path, delimiter=',', skip_header=1, dtype=None)
data2[:3]  # 顯示前三行

#> array([( 18., 8,  307., 130, 3504,  12. , 70, 1, b'"chevrolet chevelle malibu"'),
#>        ( 15., 8,  350., 165, 3693,  11.5, 70, 1, b'"buick skylark 320"'),
#>        ( 18., 8,  318., 150, 3436,  11. , 70, 1, b'"plymouth satellite"')],
#>       dtype=[('f0', '

最后，'np.savetxt'將數(shù)據(jù)保存為csv文件.

# 保存數(shù)據(jù)為csv文件
np.savetxt("out.csv", data, delimiter=",")

3. 如何保存和加載numpy數(shù)據(jù)

Numpy提供了.npy和.npz文件類型來實現(xiàn)。如果保存一個ndarray數(shù)據(jù)，使用np.save保存為.npy文件；若保存多個ndarray數(shù)據(jù)，使用np.savez保存為.npz文件。加載numpy數(shù)據(jù)，則統(tǒng)一用np.load函數(shù).

# 保存單一的numpy數(shù)據(jù)，使用.npy文件
np.save('myarray.npy', arr2d)  

# 保存多個numpy數(shù)據(jù)，使用.npz文件
np.savez('array.npz', arr2d_f, arr2d_b)

# 加載.npy文件
a = np.load('myarray.npy')
print(a)

#> [[0 1 2]
#>  [3 4 5]
#>  [6 7 8]]

加載.npz文件，獲取特定的數(shù)組值.

# 加載.npz文件
b = np.load('array.npz')
print(b.files)
b['arr_0']

#> ['arr_0', 'arr_1']

#> array([[ 0.,  1.,  2.],
#>        [ 3.,  4.,  5.],
#>        [ 6.,  7.,  8.]])

雖然通過'arr_0'和'arr_1'獲取了數(shù)組值，但是我們對這兩個索引比較陌生，下面介紹手動設(shè)置索引保存和加載數(shù)組.

# 增加索引保存數(shù)據(jù)
b=np.savez('array.npz',arr2d_f=arr2d_f,arr2d_b=arr2d_b)
c = np.load('array.npz')
print(c.files)

c['arr2d_f']

#> ['arr2d_f', 'arr2d_b']

#> array([[1., 2., 3., 4.],
       [3., 4., 5., 6.],
       [5., 6., 7., 8.]])

4.?如何按列或行拼接numpy數(shù)組

本節(jié)介紹三種拼接numpy數(shù)組的方法：

• 方法1：設(shè)置np.concatenate參數(shù)axis的值為1或0，實現(xiàn)數(shù)組的列拼接或行拼接。

• 方法2：np.vstack和np.hstack

• 方法3：np.r_和np.c_

需要注意的是，np.r_和np.c_使用方括號來拼接數(shù)組，其他兩種方法使用括號。

首先，定義兩個需要拼接的數(shù)組.

# 定義兩個拼接的數(shù)組
a = np.zeros([4, 4])
b = np.ones([4, 4])
print(a)
print(b)

#> [[ 0.  0.  0.  0.]
#>  [ 0.  0.  0.  0.]
#>  [ 0.  0.  0.  0.]
#>  [ 0.  0.  0.  0.]]

#> [[ 1.  1.  1.  1.]
#>  [ 1.  1.  1.  1.]
#>  [ 1.  1.  1.  1.]
#>  [ 1.  1.  1.  1.]]

行拼接數(shù)組

# 行拼接數(shù)組
np.concatenate([a, b], axis=0)  
np.vstack([a,b])  
np.r_[a,b]  

#> array([[ 0.,  0.,  0.,  0.],
#>        [ 0.,  0.,  0.,  0.],
#>        [ 0.,  0.,  0.,  0.],
#>        [ 0.,  0.,  0.,  0.],
#>        [ 1.,  1.,  1.,  1.],
#>        [ 1.,  1.,  1.,  1.],
#>        [ 1.,  1.,  1.,  1.],
#>        [ 1.,  1.,  1.,  1.]])

列拼接數(shù)組

# 列拼接
np.concatenate([a, b], axis=1) 
np.hstack([a,b])  
np.c_[a,b]

#> array([[ 0.,  0.,  0.,  0.,  1.,  1.,  1.,  1.],
#>        [ 0.,  0.,  0.,  0.,  1.,  1.,  1.,  1.],
#>        [ 0.,  0.,  0.,  0.,  1.,  1.,  1.,  1.],
#>        [ 0.,  0.,  0.,  0.,  1.,  1.,  1.,  1.]])

5. 如何按列對數(shù)據(jù)進行排序

本節(jié)介紹三種按列排序方法：np.sort，np.argsort和np.lexsort。在介紹三種排序方法前，先定義一個2維數(shù)組.

arr = np.random.randint(1,6, size=[8, 4])
arr

#> array([[3, 3, 2, 1],
#>        [1, 5, 4, 5],
#>        [3, 1, 4, 2],
#>        [3, 4, 5, 5],
#>        [2, 4, 5, 5],
#>        [4, 4, 4, 2],
#>        [2, 4, 1, 3],
#>        [2, 2, 4, 3]])

np.sort基于列對arr數(shù)組進行排序.

# axis=0表示列排序，1表示行排序
np.sort(arr, axis=0)

#> array([[1, 1, 1, 1],
#>        [2, 2, 2, 2],
#>        [2, 3, 4, 2],
#>        [2, 4, 4, 3],
#>        [3, 4, 4, 3],
#>        [3, 4, 4, 5],
#>        [3, 4, 5, 5],
#>        [4, 5, 5, 5]])

由上面結(jié)果分析，np.sort排序函數(shù)認為所有列是相互獨立的，對所有列進行排序，破壞了每行的結(jié)構(gòu)，

使用np.argsort函數(shù)可以保留行的完整性 .

# 對arr的第一列進行排序，返回索引
sorted_index_1stcol = arr[:, 0].argsort()

# 根據(jù)第一列的索引對數(shù)組排序，保留了行的完整性
arr[sorted_index_1stcol]

#> array([[1, 5, 4, 5],
#>        [2, 4, 5, 5],
#>        [2, 4, 1, 3],
#>        [2, 2, 4, 3],
#>        [3, 3, 2, 1],
#>        [3, 1, 4, 2],
#>        [3, 4, 5, 5],
#>        [4, 4, 4, 2]])

倒轉(zhuǎn)argsort索引實現(xiàn)遞減排序

# 遞減排序
arr[sorted_index_1stcol[::-1]]

#> array([[4, 4, 4, 2],
#>        [3, 4, 5, 5],
#>        [3, 1, 4, 2],
#>        [3, 3, 2, 1],
#>        [2, 2, 4, 3],
#>        [2, 4, 1, 3],
#>        [2, 4, 5, 5],
#>        [1, 5, 4, 5]])

若要基于多個列對數(shù)組進行排序，使用np.lexsort函數(shù)，它的參數(shù)是元組類型，元組的每個元素表示數(shù)組的某一列，排序規(guī)則是：越靠近右邊的列，優(yōu)先級越高.

# 先比較第一列，第一列相同的情況下再比較第二列
lexsorted_index = np.lexsort((arr[:, 1], arr[:, 0])) 
arr[lexsorted_index]

#> array([[1, 5, 4, 5],
#>        [2, 2, 4, 3],
#>        [2, 4, 5, 5],
#>        [2, 4, 1, 3],
#>        [3, 1, 4, 2],
#>        [3, 3, 2, 1],
#>        [3, 4, 5, 5],
#>        [4, 4, 4, 2]])

6. 如何用Numpy處理日期

np.datatime64創(chuàng)建日期對象，精確度達到納秒，你可以使用標準的YYYY-MM-DD格格式的字符串作為參數(shù)創(chuàng)建日期.

# 創(chuàng)建datetime64對象
date64 = np.datetime64('2018-02-04?23:10:10')
date64

#>?numpy.datetime64('2018-02-04T23:10:10')

從datatime64對象分離時間

# 從datatime64對象分離時間
dt64 = np.datetime64(date64, 'D')
dt64

#> numpy.datetime64('2018-02-04')

如果你想增加天數(shù)或其他任何時間單元，比如月份，小時，秒等，使用np.timedelta函數(shù)非常方便.

# np.delta建立多個時間單元
tenminutes = np.timedelta64(10, 'm')  		# 10 分鐘
tenseconds = np.timedelta64(10, 's')  		# 10 秒鐘
tennanoseconds = np.timedelta64(10, 'ns')  	# 10 納秒

print('Add?10?days:?', dt64 + 10)		# 增加10天
print('Add?10?minutes:?', dt64 + tenminutes)	# 增加10分鐘
print('Add?10?seconds:?', dt64 + tenseconds)	# 增加10秒
print('Add?10?nanoseconds:?', dt64 + tennanoseconds)  # 增加10納秒

#>?Add?10?days:??2018-02-14
#>?Add?10?minutes:??2018-02-04T00:10
#>?Add?10?seconds:??2018-02-04T00:00:10
#>?Add?10?nanoseconds:??2018-02-04T00:00:00.000000010

dt64對象轉(zhuǎn)化為字符串

# dt64轉(zhuǎn)化為字符串
np.datetime_as_string(dt64)

#> '2018-02-04'

np.is_busday函數(shù)判斷日期是否為工作日，工作日默認為周一至周五.

print('Date:?', dt64)
print("Is?it?a?business?day?:?", np.is_busday(dt64))

#>?Date:??2018-02-04
#>?Is?it?a?business?day?:??False????#?False表示不是

手動設(shè)置工作日的時間，如設(shè)置工作日為周六周日，其他時間為休息日.

date64 = np.datetime64('2019-04-14')
# 設(shè)置周六周日為工作日
np.is_busday(date64,weekmask='Sat Sun')

#> True

np.busday_offset查看后幾個工作日的日期.

# 周四
date64 = np.datetime64('2019-04-11')
# 查看兩個工作日后的日期
t = np.busday_offset(date64, 2)
t

#> numpy.datetime64('2019-04-15')

若當前工作日為非工作日，則默認是報錯的.

# 周六
date64 = np.datetime64('2019-04-13')
# 查看兩個工作日后的日期
t = np.busday_offset(date64, 2)
t

#>?ValueError:?Non-business?day?date?in?busday_offset??#?非工作日不能作為busday_offset的參數(shù)

可以增加參數(shù)forward或backward來報錯，forward的含義是若當前日期非工作日，那么往前尋找最接近當前日期的工作日，backward的含義則是往后尋找最接近當前日期的工作日.

#當前時間為周六(2019-04-13)，往前最接近當前時間的工作日是2019-04-15，兩個工作日偏移后的日期是2019-04-17
print("Add?2?business?days,?rolling?forward?to?nearest?biz?day:?", np.busday_offset(date64, 2, roll='forward'))
#當前時間為周六(2019-04-13)，往后最接近當前時間的工作日是2019-04-12，兩個工作日偏移后的日期是2019-04-16
print("Add?2?business?days,?rolling?backward?to?nearest?biz?day:?", np.busday_offset(date64, 2, roll='backward'))

#>?Add?2?business?days,?rolling?forward?to?nearest?biz?day:??2019-04-17
#>?Add?2?business?days,?rolling?backward?to?nearest?biz?day:??2019-04-16

6.1 如何創(chuàng)建日期序列

np.arange可簡單創(chuàng)建日期序列

# 建立日期序列
dates = np.arange(np.datetime64('2018-02-01'), np.datetime64('2018-02-10'))
print(dates)

# 檢查是否為工作日
np.is_busday(dates)

#> ['2018-02-01' '2018-02-02' '2018-02-03' '2018-02-04' '2018-02-05'
#>  '2018-02-06' '2018-02-07' '2018-02-08' '2018-02-09']

array([ True,  True, False, False,  True,  True,  True,  True,  True], dtype=bool)

6.2 如何把numpy.data64對象轉(zhuǎn)化為datatime.datatime對象

# np.datetime64類型轉(zhuǎn)化為datetime.datetime類型
import datetime
dt = dt64.tolist()
dt

#> datetime.date(2018, 2, 4)

獲取datatime對象的年月日非常簡便

print('Year:?', dt.year)  
print('Day?of?month:?', dt.day)
print('Month?of?year:?', dt.month)  
print('Day?of?Week:?', dt.weekday())  # 周五

#>?Year:??2018
#>?Day?of?month:??4
#>?Month?of?year:??2
#>?Day?of?Week:??6

7.?高階numpy函數(shù)介紹

7.1 標量函數(shù)的向量化

標量函數(shù)只能處理標量，不能處理數(shù)組

# 定義標量函數(shù)
def foo(x):
    if x % 2 == 1:
        return x**2
    else:
        return x/2

# On a scalar
print('x = 10 returns ', foo(10))
print('x = 11 returns ', foo(11))

#> x = 10 returns  5.0
#> x = 11 returns  121

# 函數(shù)不能處理數(shù)組
# print('x = [10, 11, 12] returns ', foo([10, 11, 12]))  # 錯誤

np.vectorize使標量函數(shù)也能處理數(shù)組，可選參數(shù)otypes為輸出的類型.

# 函數(shù)向量化，向量化的輸出類型是float
foo_v = np.vectorize(foo, otypes=[float])

print('x = [10, 11, 12] returns ', foo_v([10, 11, 12]))
print('x = [[10, 11, 12], [1, 2, 3]] returns ', foo_v([[10, 11, 12], [1, 2, 3]]))

#> x = [10, 11, 12] returns  [   5.  121.    6.]
#> x = [[10, 11, 12], [1, 2, 3]] returns  [[   5.  121.    6.]
#>  [   1.    1.    9.]]

7.2 apply_along_axis函數(shù)

首先定義一個二維數(shù)組

# 定義一個4x10的隨機二維數(shù)組
np.random.seed(100)
arr_x = np.random.randint(1,10,size=[4,10])
arr_x

#> array([[9, 9, 4, 8, 8, 1, 5, 3, 6, 3],
#>        [3, 3, 2, 1, 9, 5, 1, 7, 3, 5],
#>        [2, 6, 4, 5, 5, 4, 8, 2, 2, 8],
#>        [8, 1, 3, 4, 3, 6, 9, 2, 1, 8]])

如果我們要找數(shù)組每行或每列的最大值，numpy的一個最大特點是基于向量化操作的，因此我們使用np.apply_along_axis函數(shù)找每行或每列的最大值.

# 基于列操作，找每列的最大值
print('max?of?per?column:?', np.apply_along_axis(np.max, 0, arr=arr_x))

# 基于行操作，找每行的最大值
print('max?of?per?row:?', np.apply_along_axis(np.max, 1, arr=arr_x))

#>?max?of?per?column:??[9?9?4?8?9?6?9?7?6?8]
#>?max?of?per?row:??[9?9?8?9]

7.3 searchsorted函數(shù)

np.searchsorted函數(shù)返回某一變量在有序數(shù)組的位置，在該位置插入變量后數(shù)組仍然是有序的.

# 生成有序數(shù)組
x = np.arange(10)
print('Where?should?5?be?inserted?:?', np.searchsorted(x, 5))
# 若遇到相同大小的數(shù)值，輸入變量放在右邊位置
print('Where?should?5?be?inserted?(right)?:?', np.searchsorted(x, 5, side='right'))

#>?Where?should?5?be?inserted?:??5
#>?Where?should?5?be?inserted?(right)?:??6

7.4 如何增加數(shù)組維度

在不增加任何額外數(shù)據(jù)的前提下，np.newaxis函數(shù)可以增加數(shù)組的維數(shù)，newaxis在的位置就是要增加的維度.

# 定義一維數(shù)組
x = np.arange(5)
print('Original?array:?', x)
# 數(shù)組維度為2
print('ndims?of?x:', x.ndim)

# 列維度增加
x_col = x[:, np.newaxis]
print(x_col)
# 數(shù)組維度為2
print('ndims?of?x_col:?', x_col.ndim)
print('x_col?shape:?', x_col.shape)

# 行維度增加
x_row = x[np.newaxis, :]
print(x_row)
print('x_row?shape:?', x_row.shape)
# 數(shù)組維度為2
print('ndims?of?x_row:?', x_row.ndim)

#>?Original?array:??[0?1?2?3?4]
#>?ndims?of?x:?1
#> [[0]
    [1]
    [2]
    [3]
    [4]]
#>?ndims?of?x_col:??2
#>?x_col?shape:??(5,?1)
#> [[0 1 2 3 4]]
#>?x_row?shape:??(1,?5)
#>?ndims?of?x_row:??2

7.5 Digitize函數(shù)

np.digitize函數(shù)返回數(shù)組每個元素屬于bin的索引位置.

# 構(gòu)建數(shù)組和bin
x = np.arange(10)
bins = np.array([0, 3, 6, 9])

# 返回bin索引位置
np.digitize(x, bins)

#> array([1, 1, 1, 2, 2, 2, 3, 3, 3, 4])

可視化分析digitize算法原理：

如上圖，根據(jù)變量落在bin的區(qū)間范圍，返回對應(yīng)的索引.

7.7 Clip函數(shù)

np.clip函數(shù)將數(shù)字限制在給定截止范圍內(nèi)，所有小于范圍下限的數(shù)被當成下限值，大于范圍上限的數(shù)被當成上限值.

# 限制x的所有元素位于3和8之間
np.clip(x, 3, 8)

#> array([3, 3, 3, 3, 4, 5, 6, 7, 8, 8])

7.8 Histogram函數(shù)和Bincount函數(shù)

np.bincount函數(shù)統(tǒng)計最小值到最大值的個數(shù)，最小值為0.

# Bincount例子
x = np.array([1,1,2,3,2,4,4,5,6,6,6])
np.bincount(x) # 0出現(xiàn)0次, 1出現(xiàn)2次, 2出現(xiàn)2次, 3出現(xiàn)1次，4出現(xiàn)2次，5出現(xiàn)1次，6出現(xiàn)3次

#> array([0, 2, 3, 0, 2, 1, 3], dtype=int64)

np.histogram函數(shù)統(tǒng)計數(shù)據(jù)落入bins的區(qū)間，不考慮bins兩側(cè)的區(qū)間（如下圖所示）.

x = np.array([1,1,2,3,2,4,4,5,6,6,6])
counts, bins = np.histogram(x, [0, 2, 4, 6, 8])
print('Counts:?', counts)
print('Bins:?', bins)

#>?Counts:??[2?3?3?3]
#>?Bins:??[0?2?4?6?8]

下載1：OpenCV-Contrib擴展模塊中文版教程

在「小白學(xué)視覺」公眾號后臺回復(fù)：擴展模塊中文教程，即可下載全網(wǎng)第一份OpenCV擴展模塊教程中文版，涵蓋擴展模塊安裝、SFM算法、立體視覺、目標跟蹤、生物視覺、超分辨率處理等二十多章內(nèi)容。

下載2：Python視覺實戰(zhàn)項目52講

在「小白學(xué)視覺」公眾號后臺回復(fù)：Python視覺實戰(zhàn)項目，即可下載包括圖像分割、口罩檢測、車道線檢測、車輛計數(shù)、添加眼線、車牌識別、字符識別、情緒檢測、文本內(nèi)容提取、面部識別等31個視覺實戰(zhàn)項目，助力快速學(xué)校計算機視覺。

下載3：OpenCV實戰(zhàn)項目20講

在「小白學(xué)視覺」公眾號后臺回復(fù)：OpenCV實戰(zhàn)項目20講，即可下載含有20個基于OpenCV實現(xiàn)20個實戰(zhàn)項目，實現(xiàn)OpenCV學(xué)習(xí)進階。

交流群

歡迎加入公眾號讀者群一起和同行交流，目前有SLAM、三維視覺、傳感器、自動駕駛、計算攝影、檢測、分割、識別、醫(yī)學(xué)影像、GAN、算法競賽等微信群（以后會逐漸細分），請掃描下面微信號加群，備注：”昵稱+學(xué)校/公司+研究方向“，例如：”張三?+?上海交大?+?視覺SLAM“。請按照格式備注，否則不予通過。添加成功后會根據(jù)研究方向邀請進入相關(guān)微信群。請勿在群內(nèi)發(fā)送廣告，否則會請出群，謝謝理解~