9- Numpy 사용해보기

목차
NumPy 소개
배열 생성
배열 데이터 타입 dtype
다양한 배열 만들기
난수로 채워진 배열 만들기
배열의 기초
찾고 골라내기
모양바꾸기
이어 붙이고, 나누기
NumPy 연산
기본 연산
행렬간 연산
브로드 캐스팅
집계함수 & 마스킹 연산
- 집계함수
- 마스킹 연산

NumPy 소개

NumPy?

:Numerical Python

Python에서 대규모 다차원 배열을 다룰 수 있게 도와주는 라이브러리

Why?

데이터의 대분은 숫자 배열로 볼 수 있다.

Pythonlist?

파이썬 리스트에 비해, 빠른 연산을 지원하고 메모리를 효율적으로 사용한다.

배열 생성

list(range(10))
# [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
import numpy as np
np.array([1, 2, 3, 4, 5])
# array([1, 2, 3, 4, 5])

np.array([1, 2, 3, 4, 5])
# array([1, 2, 3, 4, 5])
np.array([3, 1.4, 2, 3, 4])
# array([3. , 1.4, 2. , 3. , 4. ])
np.array([[1, 2],
[3, 4]])
# array([[1, 2],
[3, 4]])
np.array([1, 2, 3, 4], dtype='float’)
# array([1., 2., 3., 4.])

arr = np.array([1, 2, 3, 4], dtype=float)
arr # array([1., 2., 3., 4.])
arr.dtype
# dtype(‘float64’)
arr.astype(int)
# array([1, 2, 3, 4])

Python List와 다르게 array는 단일타입으로 구성

배열 데이터 타입 dtype

dtype	설명	다양한 표현
int	정수형 타입	i, int_, int32, int64, i8
float	실수형 타입	f, float_, float32, float64, f8
str	문자열 타입	str, U, U32
bool	부울 타입	?, bool_

다양한 배열 만들기

np.zeros(10, dtype=int)
# array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
np.ones((3, 5), dtype=float)
# array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
np.arange(0, 20, 2)
# array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
np.linspace(0, 1, 5)
# array([0. , 0.25, 0.5 , 0.75, 1. ])

난수로 채워진 배열 만들기

np.random.random((2, 2))
# array([[0.30986539, 0.85863508],
[0.89151021, 0.19304196]])
np.random.normal(0, 1, (2, 2))
# array([[ 0.44050683, 0.04912487],
[-1.67023947, -0.70982067]])
np.random.randint(0, 10, (2, 2))
# array([[3, 9],
[3, 2]])

배열의 기초

x2 = np.random.randint(10, size=(3, 4))
# array([[2, 2, 9, 0],
#			   [4, 2, 1, 0],
#        [1, 8, 7, 3]])
x2.ndim # 2
x2.shape # (3, 4)
x2.size # 12
x2.dtype # dtype(‘int64’)

#[2 2 9 0]
#[4 2 1 0]
#[1 8 7 3]

찾고 골라내기

x = np.arange(7)
x[3]
# 3
x[7]
# IndexError: index 7 is out of bounds
x[0] = 10
# array([10, 1, 2, 3, 4, 5, 6])

Indexing: 인덱스로 값을 찾아냄

x = np.arange(7)
x[1:4]
# array([1, 2, 3])
x[1:]
# array([1, 2, 3, 4, 5, 6])
x[:4]
# array([0, 1, 2, 3])
x[::2]
array([0, 2, 4, 6])

Slicing: 인덱스 값으로 배열의 부분을 가져옴

모양바꾸기

x = np.arange(8)
x.shape
# (8,)
x2 = x.reshape((2, 4))
# array([[0, 1, 2, 3],
#       [4, 5, 6, 7]])
x2.shape
# (2, 4)

reshape: array의 shape를 변경

이어 붙이고, 나누기

x = np.array([0, 1, 2])
y = np.array([3, 4, 5])
np.concatenate([x, y])
# array([0, 1, 2, 3, 4, 5])

concatenate: array를 이어 붙임

matrix = np.arange(4).reshape(2, 2)
np.concatenate([matrix, matrix], axis=0)
# array [ 0 1 ]
#.      [ 2 3 ]
#.      [ 0 1 ]
#.      [ 2 3 ]

np.concatenate: axis 축을 기준으로 이어붙임

matrix = np.arange(4).reshape(2, 2)
np.concatenate([matrix, matrix], axis=1)

# array [ 0 1 0 1]
#.      [ 2 3 2 3]

np.concatenate: axis 축을 기준으로 이어붙임

matrix = np.arange(16).reshape(4, 4)
upper, lower = np.split(matrix, [3], axis=0)

# array [ 0 1 2 3   ]
#.      [ 4 5 6 7   ]
#.      [ 8 9 10 11 ]
        -------
#.      [ 12 13 14 15 ]

np.split: axis 축을 기준으로 분할

matrix = np.arange(16).reshape(4, 4)
left, right = np.split(matrix, [3], axis=1)

# array [ 0 1 2    ][3]
#.      [ 4 5 6    ][7]
#.      [ 8 9 10   ][11]
#.      [ 12 13 14 ][15]

np.split: axis 축을 기준으로 분할

NumPy 연산

def add_five_to_array(values):
output = np.empty(len(values))
for i in range(len(values)):
output[i] = values[i] + 5
return output
values = np.random.randint(1, 10, size=5)
add_five_to_array(values)

array의 모든 원소에 5를 더해서 만드는 함수

만약 array의 크기가 크다면..?

big_array = np.random.randint(1, 100, size=10000000)
add_five_to_array(big_array)
# 5.3 s ± 286 ms per loop (mean ± std. dev. of 7 runs,
5 loops each)
big_array + 5
# 33.5 ms ± 1.94 ms per loop (mean ± std. dev. of 7
runs, 5 loops each)

루프는 느리다!

기본 연산

x = np.arange(4)
# array([0, 1, 2, 3])
x + 5
# array([5, 6, 7, 8])
x - 5
# array([-5, -4, -3, -2])
x * 5
# array([ 0, 5, 10, 15])
x / 5
# array([0. , 0.2, 0.4, 0.6])

array는 +, - *, / 에 대한 기본 연산을 지원

행렬간 연산

x = np.arange(4).reshape((2, 2))
y = np.random.randint(10, size=(2, 2))
x + y
# array([[1, 7],
#.      [6, 5]])
x - y
# array([[-1, -5],
#.      [-2, 1]])

다차원 행렬에서도 적용 가능

브로드 캐스팅

ex) [2 4 2]
	  [1 3 5] 배열에 shape 가 다른 5를 더하면

		[7 9 7]
		[6 8 10] 이 된다.

집계함수 & 마스킹 연산

집계함수

x = np.arange(8).reshape((2, 4))
np.sum(x)
# 28
np.min(x)
# 0
np.max(x)
# 7
np.mean(x)
# 3.5

집계: 데이터에 대한 요약 통계

x = np.arange(8).reshape((2, 4))
np.sum(x, axis=0)
# array([ 4, 6, 8, 10])
np.sum(x, axis=1)
# array([ 6, 22])