이번 챕터에서는 파이썬, 넘파이 matplotlib에 대한 내용을 다룬다.
파이썬 부분은 건너뛰도록 하겠다!!
1. Numpy
- 배열/행렬 계산
- 넘파이의 배열 클래스인
numpy.array에는 편리한 메서드가 많아 딥러닝 구현할 때 많이 이용!
넘파이 배열 생성
np.array()
: 파이썬의 리스트를 인수로 받아 넘파이 라이브러리가 제공하는 특수한 형태의 배열(numpy.ndarray)을 반환한다.
>>> x = np.array([1.0, 2.0, 3.0])
>>> print(x)
[1. 2. 3.]
>>> type(x)
<class 'numpy.ndarray'>넘파이 산술 연산
>>> x = np.array([1.0, 2.0, 3.0])
>>> y = np.array([2.0, 4.0, 6.0])
>>> x + y # 원소별(element-wise) 덧셈
array([3., 6., 9.])
>>> x - y
array([-1., -2., -3.])
>>> x * y # elsement-wise product
array([2., 8., 18.])
>>> x / y
array([0.5, 0.5, 0.5])📌 배열 x와 y의 원소 수가 같아야 한다!
넘파이 배열은 원소별 계산뿐 아니라 넘파이 배열과 수치 하나(스칼라값)의 조합으로 된 산술 연산도 수행 가능!
➡️ 브로드캐스트 (아래에서 자세히 다루자)
넘파이의 N차원 배열
2차원 배열(행렬)을 작성해보자.
>>> A = np.array([[1, 2], [3, 4]]) # 2x2 행렬
>>> print(A)
[[1 2]
[3 4]]
>>> A.shape # 행렬의 형상
(2, 2)
>>> A.dtype # 행렬에 담긴 원소의 자료형
dtype('int64')
>>> B = np.array([[3, 0], [0, 6]])
>>> A + B
array([[ 4, 2],
[ 3, 10])
>>> A * B
array([ 3, 0],
[ 0, 24]])
>>> A * 10
array([[ 10, 20]
[ 30, 40]])
형상: 행렬을 포함한 N차원 배열에서 그 배열의 '각 차원의 크기(원소의 수)' ➡️shape으로 알 수 있다.
행렬에 담긴 원소형은dtype으로 알 수 있다.
벡터(vector): 1차원 배열
행렬(matrix): 2차원 배열
텐서(tensor): 벡터와 행렬을 일반화한 것
이 책에서는 2차원 배열을행렬, 3차원 이상의 배열을다차원 배열이라고 한다.
브로드캐스트 (broadcast)
넘파이에서는 형상이 다른 배열끼리도 계산할 수 있다. ➡️ 브로드캐스트
>>> x = np.array([1.0, 2.0, 3.0])
>>> x / 2.0
array([0.5, 1., 1.5])>>> A = np.array([[1, 2], [3, 4]])
>>> B = np.array([10, 20])
>>> A * B
array([[ 10, 40],
[ 30, 80]])원소 접근
인덱스로 원소 접근
>>> X = np.array([[51, 55], [14, 19], [0, 4]])
>>> print(X)
[[51 55]
[14 19]
[ 0 4]]
>>> X[0]
array([51, 55])
>>> X[0][1]
55for문으로 원소 접근
>>> for row in X:
print(row)
[51 55]
[14 19]
[0 4]
인덱스를 배열로 지정해 한 번에 여러 원소에 접근
>>> X = X.flatten() # X를 1차원 배열로 변환(평탄화)
>>> print(X)
[51 55 14 19 0 4]
>>> X[np.array([0, 2, 4])] # 인덱스가 0, 2, 4인 원소 얻기
array([51, 14, 0])특정 조건을 만족하는 원소에만 접근
>>> X > 15
array([ True, True, False, True, False, False], dtype=bool)
>>> X[X>15]
array([51, 55, 19])📌 넘파이의 주된 처리는 C와 C++로 구현!
이유) 파이썬 같은 동적 언어는 C나 C++같은 정적 언어(컴파일 언어)보다 처리 속도가 늦다. 그래서 무거운 작업을 할 때는 C/C++로 작성한 프로그램을 쓰는 편이 좋다.
➡️ 파이썬에서 빠른 성능이 요구될 경우, 해당 부분을 C/C++로 구현한다. (이때 파이썬은 C/C++로 쓰인 프로그램을 호출해주는 중개자 같은 역할)
2. matplotlib
: 그래프 그리기, 데이터 시각화를 위한 라이브러리!
단순한 그래프 그리기
📌 그래프를 그리려면 matplotlib의 pyplot 모듈을 이용한다.
sin 함수를 그려보자!
import numpy as np
import matplotlib.pyplot as plt
# 데이터 준비
x = np.arange(0, 6, 0.1) # 0에서 6까지 0.1 간격으로 생성
y = np.sin(x)
# 그래프 그리기
plt.plot(x, y)
plt.show()코드 설명
- 넘파이의 arange 메서드로 [0, 0.1, 0.2, ..., 5.8, 5.9]라는 데이터를 생성하여 변수 x에 할당했다.
- x의 각 원소에 넘파이의 sin 함수인 np.sin()을 적용하여 변수 y에 할당한다.
- x와 y를 인수로 plt.plot 메서드를 호출해 그래프를 그린다.
- 마지막으로 plt.show()를 호출해 그래프를 화면에 출력한다.
추가) np.arange() vs range()
-
표현 단위
- np.arange는 실수 단위도 표현 가능
- range 함수는 정수 단위만 표현 가능
- 자료형 반환
- np.arange는 numpy array 자료형 반환
➡️ 넘파이에서 수행하는 연산 연계가 가능
- range는 range iterator 자료형 반환
- np.arange는 numpy array 자료형 반환
-
수행시간 차이
-
np.arange는 입출력에서 range보다 약 3배 더 많은 시간 소요
- 하지만 array에서 직접 연산하는 경우는 np.arange가 압도적으로 유리
-
range는 for 문 등에서 순회하고 싶은 수열이 정수로 구성되어 있을 때 유리
-
pyplot의 기능
위의 sin 함수에서 cos 함수도 추가적으로 그려보자!
pyplot에서 제공하는 제목과 각 축의 이름(레이블) 표시 등의 기능도 사용해보자!
import numpy as np
import matplotlib.pyplot as plt
# 데이터 준비
x = np.arange(0, 6, 0.1) # 0에서 6까지 0.1 간격으로 생성
y1 = np.sin(x)
y2 = np.cos(x)
# 그래프 그리기
plt.plot(x, y1, label="sin")
plt.plot(x, y2, linestyle="--", label="cos") # cos 함수는 점선으로 그리기
plt.xlabel("x") # x축 이름
plt.ylabel("y") # y축 이름
plt.title('sin & cos') # 제목
plt.legend()
plt.show()추가) plt.legend()
legend(범례): 그래프에 데이터의 종류를 표시하기 위한 텍스트
📌사용 방법:
plot() 함수에 label 문자열을 지정하고 legend() 함수를 호출한다.
위에서 구현한 sin & cos 그래프에서 plt.legend()를 사용하면 아래와 같다.
이미지 표시하기
📌 imshow() : pyplot에서 이미지를 표시해주는 메서드
import matplotlib.pyplot as plt
from matplotlib.image import imread
img = imread('lena.png') # 이미지 읽어오기 (경로 설정 해야 함)
plt.imshow(img)
plt.show()책에서 추천하는 참고 자료
책 추천
파이썬
- 처음 시작하는 파이썬 (한빛미디어, 2015)
넘파이
- 파이썬 라이브러리를 활용한 데이터 분석 (한빛미디어, 2013)
사이트 추천
넘파이 & matplotlib
- <Spicy 강의 노트>
