0125 TIL - numpy
📌 Numpy
- 파이썬의 고성능 과학 계산용 패키지로,
- Matrix 와 Vector 와 같은 Array 연산의 표준 으로 불리운다.
- 넘파이(Numpy) 는 일반 List에 비해 빠르고, 메모리 효율적이다.
- 또한 반복문 없이 데이터 배열에 대한 처리를 치원하고 선형대수와 관련된 다양한 기능을 제공한다.
📄 Array creation
:pencil2: ndarray
-
np.array([자료], dtype=자료형) -
Numpy의 array는 python list와는 다르게 순차적인 데이터 저장 구조 방식으로 저장용량 과 접근 방식의 비용에 있어서 더 효율적이다.
-
또한 하나의 데이터 type 만 배열에 넣을수 있다. 즉, dynamic typing 을 지원하지 않는다.
-
rray의 RANK에 따라 불리는 이름이 있음
- 0 Rank : scalar
- 1 Rank : vector
- 2 Rank : matrix
- 3 Rank : 3-tensor
- n Rank : n-tensor
import numpy as np
data=np.array([1,2,3,'4'],dtype=np.float32) # ndarray 객체
data
#array([1., 2., 3., 4.], dtype=float32)
data_1D=np.array([1,2,3,4],dtype=np.int32) # np.array([1,2,3,4],int) 로 쓸 수 도 있음
data_1D.shape # Vector ,(4,)
#####################################
data_2D=np.array([[1,2,3],
[4,5,6]],dtype=np.int32)
data_2D.shape # Matrix ,(2,3)
#####################################
data_3D=np.array([[[1,2,3],[4,5,6]],
[[1,2,3],[4,5,6]],
[[1,2,3],[4,5,6]]],dtype=np.int32)
data_3D.shape # 3-tensor ,(3,2,3)📄 Array dtype
ndarray의 single element 가 가지는 data type 으로 각 element가 차지하는 memory 의 크기가 결정된다.
np.array([[1,2,3],[4.5,'6','5']],dtype=np.float32).nbytes # 32bit = 1byte *4 =4bytes -> 6 *4bytes =24bytes
# 24📄 Handling shape
✏️ Reshape
Array의 크기를 element의 갯수는 유지하면서 변형한다.
test_matrix=np.arange(10).reshape(2,5) # vector -> 2x5 matrix
test_matrix
# array([[0, 1, 2, 3, 4],
# [5, 6, 7, 8, 9]])✏️ Flatten
다차원 array를 1차원 array로 변환한다.
test_matrix=np.arange(10).reshape(2,5) # 2x5 matrix
test_matrix.flatten()
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])📄 Indexing & Slicing
✏️ Indexing
- list와 달리 이차원 배열에서 [0,0] 표기법을 제공함
- matrix일 경우, 앞은 row 뒤는 column을 의미함
test_matrix=np.arange(6).reshape(3,2)
test_matrix
# array([[0, 1],
# [2, 3],
# [4, 5]])
test_matrix[2,1] # ==test_matrix[2][1]
#5✏️ Slicing
- list 와 달리 행과 열부분을 나눠서 slicing이 가능 하여 matrix의 부분집합을 추출할때 유용하다.
test_matrix=np.arange(15).reshape(3,5)
test_matrix
# array([[ 0, 1, 2, 3, 4],
# [ 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14]])
test_matrix[:,1] # row 전체, 두번째열
# array([ 1, 6, 11])
test_matrix[:,:] # == test_matrix == test_matrix[:]
# array([[ 0, 1, 2, 3, 4],
# [ 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14]])
test_matrix[::2,::3]
# array([[ 0, 3],
# [10, 13]])📄 Creation function
✏️ arange
- list의 range 처럼 array의 범위를 지정하여 생성한다. list의 range 와의 차이점은 step의 경우 floating point도 표시가능하다.
- np.arange(start, end, step)
np.arange(30,50,0.5) # floating point 도 가능하다
# array([30. , 30.5, 31. , 31.5, 32. , 32.5, 33. , 33.5, 34. , 34.5, 35. ,
# 35.5, 36. , 36.5, 37. , 37.5, 38. , 38.5, 39. , 39.5, 40. , 40.5,
# 41. , 41.5, 42. , 42.5, 43. , 43.5, 44. , 44.5, 45. , 45.5, 46. ,
# 46.5, 47. , 47.5, 48. , 48.5, 49. , 49.5])✏️ Ones / Zeros / Empty / Something_like
- ones : 1로 가득찬 ndarray 생성
- zeros : 0으로 가득찬 ndarray 생성
- empty : shape만 주어지고 비어있는 ndarray 생성(memory initialization이 되지 않음)
- somthing_like - 기존 ndarray의 shape 크기 만큼 1, 0, 또는 empty array 생성
np.zeros((2,5)) # 2x5 - zero matrix
# array([[0., 0., 0., 0., 0.],
# [0., 0., 0., 0., 0.]])
np.ones((2,5)) # 2x5 - one matrix
# array([[1., 1., 1., 1., 1.],
# [1., 1., 1., 1., 1.]])
np.empty((2,5)) # 2x5 - empty matrix (결과는 one matrix 가 생성된것같지만 해당 메모리의 값이 1로 쓰레기값이 남아 있어서이다)
# array([[1., 1., 1., 1., 1.],
# [1., 1., 1., 1., 1.]])
test_matrix=np.arange(30).reshape(5,6)
np.ones_like(test_matrix) # 5x6 one matrix
# array([[1, 1, 1, 1, 1, 1],
# [1, 1, 1, 1, 1, 1],
# [1, 1, 1, 1, 1, 1],
# [1, 1, 1, 1, 1, 1],
# [1, 1, 1, 1, 1, 1]])✏️ Identity
단위행렬을 생성한다
np.identity(n=3,dtype=np.float32)
# array([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]], dtype=float32)✏️ Eye
- 대각선이 1인 행렬로
- identity와의 차이점은 shape 설정과 k값을 통해 start index 설정이 가능하다
- k=0일 때 np.identity와 같음
np.eye(3)
# array([[1., 0., 0.],
# [0., 1., 0.],
# [0., 0., 1.]])
np.eye(3,5,k=2)
# array([[0., 0., 1., 0., 0.],
# [0., 0., 0., 1., 0.],
# [0., 0., 0., 0., 1.]])✏️ Diag
- 대각행렬의 값을 추출하며
- k값을 통해 start index 설정이 가능하다
matrix=np.arange(9).reshape(3,3)
matrix
# array([[0, 1, 2],
# [3, 4, 5],
# [6, 7, 8]])
np.diag(matrix)
# array([0, 4, 8])
np.diag(matrix,k=1)
# array([1, 5])✏️ Random sampling
데이터 분포에 따른 sampling으로 array를 생성한다
- np.random.uniform() : 균등분포
- np.random.normal() : 정규분포
- np.random.exponential() : 지수분포
np.random.uniform(0,1,10).reshape(2,5) # 균등분포
# array([[0.08602674, 0.74042107, 0.15989891, 0.65901218, 0.71817766],
# [0.34351467, 0.32649185, 0.18205676, 0.14635388, 0.68248751]])
np.random.normal(0,1,10).reshape(2,5) # 정규분포
# array([[ 0.12853111, 0.39784715, 1.34587716, -0.20692527, 0.53340462],
# [ 1.19029392, -0.72233091, 0.79634839, 0.67064794, 0.13323741]])📄 Operation function
✏️ Axis
Operation function 및 Comparison 을 실행할때 기준이 되는 dimension 축으로 이 부분을 잘 이해하고 있어야 한다
:pen: newaxis
-
numpy array 의 차원을 늘려주는 것 ( 1D -> 2D , 2D-> 3D)
-
newaxis = None
- newaxis가 생각 안나면 None을 써도 무방
-
reshape와 newaxis의 차이?
-
reshape는 변환전 차원의 합과 변환후 차원의 합이 같아야 함
(4,1) -> (2,2) 가능
(4,1) -> (3,3) 불가능
-
-
어떨 때 사용하는가 - 사용예제 3개
- 1D array를 row vector나 column vector로 사용하고 싶을 경우
arr = np.arange(4) arr.shape # (4,) row_vec = arr[np.newaxis, :] row_vec.shape # (1, 4) row_vec # array([[0, 1, 2, 3]]) col_vec = arr[:, np.newaxis] col_vec.shape col_vec # array([[0, 1, 2, 3]])- numpy broadcasting이라고 shape이 다른 array간 연산을 할때도 유용
x1 = np.array([1, 2, 3, 4, 5]) x2 = np.array([5, 4, 3]) x1+x2 # ValueError: operands could not be broadcast together with shapes (5,) (3,) x1_new = x1[:, np.newaxis] # now, the shape of x1_new is (5, 1) # array([[1], # [2], # [3], # [4], # [5]]) x1_new + x2 """ array([[ 6, 5, 4], [ 7, 6, 5], [ 8, 7, 6], [ 9, 8, 7], [10, 9, 8]]) """
-
array라는 단순한 녀석을 좀 더 고차원으로 만들고 싶다면
arr = np.arange(5*5).reshape(5,5) arr.shape # (5, 5) arr_5D = arr[np.newaxis, ..., np.newaxis, np.newaxis] arr_5D.shape # (1, 5, 5, 1, 1)
✏️ Sum / Mean / Std / Mathematical functions
-
sum: ndarray의 element 들 간의 합.
-
mean: ndarray의 element 들 간의 평균.
-
std : ndarray의 element 들 간의 표준편차.
-
mathematical functions : 다양한 수학연산자를 제공하므로 필요한 내용은 레퍼런스 참조.(np.something 호출)
test_matrix=np.arange(10).reshape(2,5)
test_matrix
# array([[0, 1, 2, 3, 4],
# [5, 6, 7, 8, 9]])
test_matrix.sum()
# 45
test_matrix.sum(axis=1) #axis=1을 기준으로 summation
# array([10, 35])
test_matrix.mean()
# 4.5
test_matrix.std()
# 2.8722813232690143 ✏️ Concatenate
numpy array를 붙이는 함수를 제공한다.
- vstack : vertical 방향으로 붙인다
- hstack : horizontal 방향으로 붙인다
- concatenate : 두 array를 axis 기준으로 붙인다
a=np.array([1,2,3])
b=np.array([4,5,6])
np.vstack((a,b))
# array([[1, 2, 3],
# [4, 5, 6]])
np.hstack((a,b))
# array([1, 2, 3, 4, 5, 6])
np.concatenate((a,b),axis=0) # == np.hstack((a,b))
# array([1, 2, 3, 4, 5, 6])📄 Array Operation
- numpy는 array간의 기본적인 사칙연산을 지원한다.
- 주의할것은 기본적인 연산 의 경우 element-wise operation 이며,
- 행렬 곱연산을 원할경우 dot함수를 이용하자.
✏️ Basic element-wise operations
test_a=np.array([[1,2,3],
[4,5,6]])
test_a+test_a
# array([[ 2, 4, 6],
# [ 8, 10, 12]])
test_a-test_a
# array([[0, 0, 0],
# [0, 0, 0]])
test_a*test_a
# array([[ 1, 4, 9],
# [16, 25, 36]])
test_a/test_a
# array([[1., 1., 1.],
# [1., 1., 1.]])
test_a//test_a
# array([[1, 1, 1],
# [1, 1, 1]], dtype=int32)
test_a%test_a
# array([[0, 0, 0],
# [0, 0, 0]], dtype=int32)✏️ Dot
matrix의 기본연산은 dot함수를 사용한다.
test_a=np.array([[1,2,3],
[4,5,6]]) #2x3
test_b=test_a.T # ==test_a.transpose()
test_a.dot(test_b) # 2x2
# array([[14, 32],
# [32, 77]])✏️ Broadcasting
shape이 다른 배열간 연산을 지원해준다.
test_scalar=3
test_vector=np.arange(2) # [0,1]
test_matrix=np.arange(4).reshape(2,2) # [[0,1],[2,3]]
test_vector-test_scalar # Vector - scalar
# array([-3, -2])
test_matrix-test_scalar # Matrix - scalar
# array([[-3, -2],
# [-1, 0]])
test_matrix-test_vector # Matrix - vector
# array([[0, 0],
# [2, 2]]):pencil2: transpose
- 행과 열을 바꾸기
- 전치행렬(transpose matrix)
- 3가지 방법
a.Tnp.transpose(a)np.swapaxes(a, 0, 1)
📄 Comparison
✏️ All/Any
데이터의 전부(and) 또는 일부(or) 가 조건 만족여부 반환한다.
a=np.arange(10) # [0,1,2,3,4,5,6,7,8,9]
np.all(a>5) # False
np.any(a>8) # True✏️ Comparison operation
numpy는 배열의 크기가 동일할때 element 간 비교의 결과를 boolean type의 array로 반환해준다.
test_a=np.array([1,3,0])
test_b=np.array([5,2,1])
test_a>test_b
# array([False, True, False])
test_a==test_b
# array([False, False, False])
(test_a>test_b).any()
# True
np.logical_and(test_a>1,test_b<3)
# array([False, True, False])
np.logical_not(test_a>1) # test_a<=1
# array([ True, False, True])
np.logical_or(test_a>1,test_b<3)
# array([False, True, True])✏️ Where
- np.where(condition, TRUE, FALSE)
- np.where(condintion): index 값 반환
test_a=np.array([1,3,0])
np.where(test_a>1,2,-2) # where(condition,True일경우 값 변환,False일경우 값변환)
# array([-2, 2, -2])
np.where(test_a>1) # Index 반환
# (array([1], dtype=int64),)
test_b=np.array([1,np.NaN,np.Inf])
np.isnan(test_b)
# array([False, True, False])
np.isfinite(test_b)
# array([ True, False, False])✏️ Argmax / Argmin
arry 내 최대값 또는 최소값의 index를 반환해준다
test_a=np.arange(10).reshape(2,5)
test_a
# array([[0, 1, 2, 3, 4],
# [5, 6, 7, 8, 9]])
np.argmax(test_a,axis=1) # axis=1 : 행기준 행마다 최대값 위치/ axis=0 : 열기준 열마다 최대값 위치
# array([4, 4], dtype=int64)
np.argmin(test_a[1]) #test_a[1] = [5,6,7,8,9]
# 0📄 Boolean & Fancy index
✏️ Boolean index
특정조건에 따른 boolean 값을 이용하여 해당 element 추출 가능.
test_array=np.array([1,-1,2,3,-3])
test_array[test_array>0] # 양수만 추출
# array([1, 2, 3])✏️ Fancy index
array를 index 로 사용해서 해당 element 추출 가능.
test_array=np.array([1,-1,2,3,-3])
fancy_index=np.array([0,2,3,2],dtype=np.int8) # 0,2,3,2 번 인덱스 element 추출. 반드시 integer로 선언
test_array[fancy_index]
# array([1, 2, 3, 2])
test_array.take(fancy_index) # take : bracket index 와 같은 효과
# array([1, 2, 3, 2])
#================================
test_matrix=np.array([[1,4],[9,16]])
row_fancy=np.array([0,1,1],dtype=np.int8)
column_fancy=np.array([1,1,0],dtype=np.int8)
test_matrix[row_fancy,column_fancy] # Matrix에도 가능 # (0,1), (1,1), (1,0) 위치 뽑아냄
# array([ 4, 16, 9])Author And Source
이 문제에 관하여(0125 TIL - numpy), 우리는 이곳에서 더 많은 자료를 발견하고 링크를 클릭하여 보았다 https://velog.io/@swhan9404/0125-TIL-numpy저자 귀속: 원작자 정보가 원작자 URL에 포함되어 있으며 저작권은 원작자 소유입니다.
우수한 개발자 콘텐츠 발견에 전념
(Collection and Share based on the CC Protocol.)
좋은 웹페이지 즐겨찾기
