[Boost Camp] 1 WEEK . Days- Numpy의 기초

강의제공 - boost camp

1. Numpy란 ?

• Numerical Python
• 파이썬의 고성능 과학 계산용 패키지
• Matrix와 Vector와 같은 Array연산의 사실상 표준
• 일반 List에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열에 대한 처리를 지원

2. Numpy 호출방법

import numpy as np

 

-일반적으로 numpy는 np라는 별칭을 이용해 호출함

 

3.Numpy 생성

print(test_array=np.array(["1","4",5.0,8],float))  #float로 선언
print(type(test_array[3]))

*출력 

array([1 . ,4 . ,5 . , 8.])

numpy.float64

 

• numpy는 하나의 데이터type만 배열에 넣을 수 있음(data type을 정해줄 수 있다.)

4.numpy와 List의 차이

• Numpy는 차례대로 값이 들어감.
• 메모리의 접근성이 Numpy가 더 좋다.

5. Numpy의 용어

-shape: numpy array의 dimension구성을 반환

• Array shape(vector)

벡터형태의 값들로 표현

 

• Array shape(matrix)

행렬형태의 값들로 표현

 

• Array shape(3rd order tensor)

(4,3,4) -(행렬들의 개수, raw, coulm)

- dtype: numpy arrat의 type을 반환

- ndim:number of dimensions

- size: data의 개수 ex? (4,3,4) ->원소 48개

test_array=np.array([1,4,5,8],float)
print(test_array)
print(type(test_array[3])) #Float Type으로 자동 형변환 실시
print(test_array.dtype) #Array(배열) 전체의 데이터 Type을 반환
print(test_array.shape) #Array(배열)의 shape을 반환

#출력 

[1. 4. 5. 8.]

<class 'numpy.float64'>

float64

(4,)

*여기서 중요한 것 !- numpy는 list와 달리 dynamic supporting을 지원하지않음 즉, 무조건 같은 type형만 nd.array에 저장이 가능 , numpy는 data타입을 지정해줄 수 있음

 

6. Array nbytes

-nbytes- ndarray object의 메모리 크기를 반환함

np.array([[1,2,3],[4.5,"5","6"]], dtype=np.float32).nbytes

32bits = 4 bytes -> 6*4 bytes =24bytes

• 메모리를 적게 소요하고 있는게 더 좋은 것은 아님.

 

 

*Hadling shape

7. reshape

•  Array의 shape의 크기를 변경함, element갯수는 동일하다.

test_matrix=[[1,2,3,4],[1,2,5,8]]
np.array(test_matrix).shape

*출력 (2,4)

np.array(test_matrix).reshape(8,)

#출력 array([1, 2, 3, 4, 1, 2, 5, 8])

 

np.array(test_matrix).reshape(-1,2).shape

reshape(-1, 지정값)

-1: size을 기반으로 row개수 선정

 

7.flatten

• 다차원 array를 1차원 array로 변환

test_matrix=np.array([[1, 2, 3, 4], [1, 2, 5, 8]])
test_matrix.flatten()

#출력

array([1, 2, 3, 4, 1, 2, 5, 8])

 

8. indexing for numpy array

-list와 달리 이차원 배열에서 [0,0] 표기법을 제공함

-matrix일 경우 앞은 row뒤는 column을 의미

 

a=np.array([[1,2,3],[4.5,5,6]],int)
print(a[0,0])

#출력 0

 

9. slicing for numpy array

• list와 달리 행과 열 부분을 나눠서 slicing이 가능함
• matrix의 부분 집합을 추출할 때 유용함

a=np.array([[1,2,3,4,5],[6,7,8,9,10]],int)
print(a[:,2:]) #전체 row의 2열 이상
print(a[1,1:3]) #1 row의 1열~2열
print(a[1:3]) #1row~2row의 전체

#출력

[[ 3 4 5] [ 8 9 10]]

[7 8]

[[ 6 7 8 9 10]]

 

10. arange

• array의 범위를 지정하여, 값의 list을 생성하는 명령어

np.arange(30).reshape(5,6)

#출력

array([[ 0, 1, 2, 3, 4, 5],

[ 6, 7, 8, 9, 10, 11],

[12, 13, 14, 15, 16, 17],

[18, 19, 20, 21, 22, 23],

[24, 25, 26, 27, 28, 29]])

 

11. identity

• 단위 행렬을 생성함 n-> number of rows

np.identity(n=3,dtype=np.int8)

#출력

array([[1, 0, 0],

        [0, 1, 0],

        [0, 0, 1]], dtype=int8)

 

12. diag

• 대각 행렬의 값을 추출

 

13. random sampling

• 데이터 분포에 따른 sampling으로 array을 생성
• random.uniform(시작값, 끝값, data의 개수)

np.random.uniform(0,1,10).reshape(2,5)

#출력

array([[0.47420167, 0.52110346, 0.07759909, 0.36682082, 0.06365799],

        [0.38307182, 0.56236159, 0.69351393, 0.23874585, 0.03644417]])

 

*operation functions

 

14. axis

• 모든 operation function을 실행할 땨 기준이 되는 dimension 축

 

15. concatenate

• numpy array을 합치는(붙이는 )함수

a=np.array([[1,2],[3,4]])
b=np.array([5,6]) 
b=b[np.newaxis, :]
np.concatenate((a,b.T), axis=1) #열 기준으로 합치기

#출력

array([[1, 2, 5],

       [3, 4, 6]])

 

16. Element-wise operations

• array들 끼리의 크기가 같다면 element_wise operations으로 원소끼리 연산
• 곱셈, 뺄셈, 덧셈 모두 원소간의 연산

numpy간의 곱셈은 원소들간의 곱

17. broadcasting

• shape이 맞지 않은 연산일 경우, 둘 간의 shape을 맞추어 연산하는 것 

18.comparison operation 1

• numpy는 배열의 크기가 동일 할 때 element간 비교의 결과를 Boolean type으로 반환

test_a=np.array([1,3,0],float)
test_b=np.array([5,2,1],float)
test_a>test_b

#출력

array([False, True, False])

(test_a>test_b).any()

 

#출력

True

(test_a>test_b).all()

​#출력

False

19. np.where

• where(condition, TRUE, FALSE)

a=np.array([1,3,0],float)
np.where(a>0,3,2)

#출력

array([3, 3, 2])