Numpy

목차

---

1. Numpy

• Numerical Python
• 파이썬은 인터프리터 언어이기 때문에 대용량 데이터를 다룰 때 조금 힘들기 때문에 Numpy라는 패키지를 활용
• 선형대수와 관련된 기능 제공
• 내부 구조는 C로 되어있음
• ndarray(numpy dimension array)라는 단위를 사용
• 하나의 데이터 type만 사용
• Dynamic typing을 지원하지 않음
• For문을 사용하지 않고 웬만한면 가능

temp = np.array(["1",2,3], float)
type(temp[0]) -> float64

dtype

• 배열의 데이터 타입을 리턴함

temp = np.array(["1",2,3], float)
temp.dtype -> float64

shape

• dimension의 구성정보

temp = np.array([["1",2,3]], float)
temp.shape -> (1,4)

temp2 = np.array(["1",2,3], float)
temp2.shpae -> (4,)

three tensors

• 차원이 늘어날수록 뒤로 밀려남

np.array([1,2,3,4], float).shape -> (4,)
np.array([[1,2,3,4],[1,2,3,4]], float).shape -> (2,4)
np.array([[[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              ],float).shape -> (3, 2, 4)

ndim

• number of dimension

np.array([[[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              ],float).ndim -> 3

size

• 전체 데이터의 개수

np.array([[[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              ],float).size -> 24

reshape

• 데이터의 dimension을 변경

np.array([[[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              ],float).reshape(6,4)
-> 
array([[1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.],
       [1., 2., 3., 4.]])

• 필요한 row의 개수를 잘 모르기 때문에 size기반으로 row 개수를 선정함

np.array([[[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              [[1,2,3,4],[1,2,3,4]],
              ],float).reshape(-1,2).shape -> (12, 2)

flatten

• N차원의 데이터들을 1차원으로 변경

np.array([[1,2,3,4],[1,2,3,4]]).flatten() -> array([1, 2, 3, 4, 1, 2, 3, 4])

indexing

temp = np.array([[1,2,3,4],[1,2,3,4]])

# 두개가 같음
temp[0][0]
temp[0,0]

slicing

temp = np.array([[1,2,3,4],[1,2,3,4],[1,2,3,4]])
temp [:,2:]  -> array([[3, 4],[3, 4],[3, 4]])
temp [1,1:3] -> array([2,3])
temp[1:3] -> array([[1, 2, 3, 4]])

arange

• array의 범위를 지정하여 list를 생성

np.arange(30) -> array([0,1,2,3,4,5....27,28,29])


# start, end, step
np.arange(0, 5, 0.5) -> array([0, 0.5, 1 ... 4.0, 4.5])

np.arange(30).reshape(-1,5)

ones, zeros, empty

• zeros: 0으로 초기화가된 array

np.zeros(shape=(10,), dtype=np.int8) -> [0,0,0,0,0,0,0,0,0,0]

np.zeros((2,5)) -> [[0,0,0,0,0][0,0,0,0,0]]

• onse: 1로 초기화된 array
• empty:
  • shape만 주어지고 비어있는 ndarray 생성
  • 초기화가 안되어있어서 쓰레기값이 들어있음

something_like

• shape이 같은 새로운 배열을 생성

temp = np.zeros((2,5))  
np.ones_like(temp) -> [[1,1,1,1,1],[1,1,1,1,1]]

identity

• 단위행렬을 생성

np.identity(n=3, dtype=np.int8)  
-> [[1,0,0],  
[0,1,0],  
[0,0,1]]

eye

• 대각선이 1일 행렬 생성

# k: 시작 인덱스

np.eye(N=3, M=5, k=2, dtype=np.int8)  
-> array([[0,0,1,0,0],  
[0,0,0,1,0],  
[0,0,0,0,1]])

diag

• 대각선의 위치에 있는 값을 가져옴

matrix = np.arange(9).reshape(3,3)

# k: 시작 인덱스

np.diag(matrix, k=1)  
-> [1,5]

random sampling

• 데이터 분포에 따른 sampling으로 array 생성
• 균등분포

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

• 정규분포

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

sum

• 모든 값을 더함

temp = np.arange(1,11)  
temp.sum(dtype=np.float)  
-> 55

axis

• 모든 operation function을 실행할 때 기준이 되는 차원의 축
• axis 0은 항상 새로(늦게) 추가된 dimension이라고 보면됨, 기존에 있던 차원들이 한차원씩 밀린다고 생각(axis +1)

temp = np.arange(1,13).reshape(3,4)

temp.sum(axis=1)  
-> [10,26,42]

temp.sum(axis=0)  
-> [15,18,21,24]

mathematical functions

• 수학 연산들이 많음

concat

• 속도는 python의 list가 더 빠름
  • 이유: 저장공간을 계속 확보해야하기 때문, 파이썬은 연결리스트라 다음 위치를 가리키기만 하면됨
• stack

1. vstack (vertical)

a = np.array([1,2,3])  
b = np.array([4,5,6])  
np.vstack((a,b))  
-> [[1,2,3],[4,5,6]]

2. hstack (horizontal)

a = np.array([[1],[2],[3]])  
b = np.array([[4],[5],[6]])  
np.hstack((a,b))  
-> [[1,4],[2,5],[3,6]]

• concatenate

a = np.array([[1,2,3]])  
b = np.array([[4,5,6]])  
np.concatenate((a,b), axis=0)  
-> [[1,2,3],[4,5,6]]

a = np.array([[1,2], [3,4]])  
b = np.array([[5,6]])

np.concatenate( (a,b.T), axis=1)  
-> [[1,2,5],[3,4,6]]

# T속성은 전치행렬

사칙연산

• 넘파이는 기본적으로 같은 위치에 있는 값끼리 사칙연산을함

broadcasting

• shape이 다른 두개를 연산 할 경우 모든 위치에 더해줌

temp = np.array([1,2,3])  
temp+3  
-> [4,5,6]

temp = np.array([1,2,3])  
temp2 = np.array([2,3,4])  
temp + temp2  
-> [3, 5, 7]

all & any

• 값을 비교하는데 broadcasting이 일어남
• all은 모든값이 조건에 부합하는지
• any는 한개라도 조건에 부합하는지

temp = np.arange(10)  
temp > 5 -> [False, False, False ... True, True]

np.all(temp>5) -> False

np.any(temp>5) -> True

where

• 인덱스를 뽑음

a = np.array([1,2,3])

1) 조건문, True일 경우, False일 경우  
np.where(a>1, 5, 6)  
-> [6,5,5]

2) 인덱스값 반환  
np.where(a>1)  
-> (array([1,2],),)

argmax, argmin

• argmax: 제일 큰값
• argmin: 제일 작은값

a = np.array([1,2,13,0,5,6,7])  
np.argmax(a) -> 2  
np.argmin(a) -> 3

# 축에서 제일 큰값 작은값

a = np.array([[1,7,3],[4,5,6]])  
np.argmax(a, axis=0) -> [4,7,6]  
np.argmax(a, axis=1) -> [7,6]

boolean index

• 넘파이 배열은 특정 조건에 따른 값을 배열 형태로 추출 가능
• comparison operation 함수들도 모두 사용가능
• 값을 뽑음

temp = np.array([1,2,3,4,5])  
temp[temp>3]  
-> [4,5]

fancy index

• array를 index value로 사용해서 값을 추출하는 방법

a = np.array([2,4,6,8], float)  
b = np.array([0,0,1,3,2],int)  
a[b]  
-> [2,2,4,8,6]

#위의 방법과 같음  
a.take(b)  
-> [2,2,4,8,6]

#2차원  
a = np.array([[1,4],[9,16]], float)  
b = np.array([0,0,1,1,0], int)  
c = np.array([0,1,1,1,1], int)

a[b,c]  
-> [1,0,16,16,4]

save

• pickle을 사용