NumPy_데이터 생성 및 초기화
np.arange()
- range()와 비슷하다
- float 데이터를 초기화 할 수 있다
dtype을 float으로 두면 실수형으로 줄 수 있다
ndarray를 실제로 만드는 것
np.zeros()
- np.zeros(shape, dtype= float)
- ndarray를 생성하고 0으로 초기화
ndarray를 만들고 전부 0으로 초기화
ndarray처럼 숫자만 쓸 경우 기본적으로 1차원 벡터가 만들어진다
기본적인 타입은 float64 디폴트값이다
np.onse()
- np.ones(shape, dtype=float)
- ndarray를 생성하고 1으로 초기화
1로 초기화 값으로 되있다
기본적인 타입은 float64 디폴트값이다
data1 = np.ones((4,5)) * 곱하고 싶은 숫자 일 경우 다 곱하고 싶은 숫자가 되기 때문에, ones, zeros로 만 있다
ex) data1 = np.ones((4,5)) * 2를 할 경우 1로 초기화되어 있는 숫자가 다 2로 변경 된다
np.empty()
- np.empty(shape, dtype=float)
- ndarray를 생성하고 메모리 초기화 하지 않음
- 메모리 상태에 따라 임의이 값이 들어가 있을 수 있슴
0으로 초기화 시켜서 할 수 있는데, 굳이 empty로 할 필요가 없다는 소리
단순하게 메모리만 할당할 때 사용한다
임의의 메모리를 할당하고 사용할때 데이터를 집어넣어 사용한다
타입을 정해줘야 어떤 데이터를 사용할지 알기 때문에 타입을 정해주는 것
타입에 따라 바이트사이즈 및 메모리가 정해진다
np.ones_like(), zeros_like(), empty_like()
- 기존 ndarray의 shape과 같은 1, 0 또는 empty ndarray를 생성
_like() : 이미 어떤 사이즈의 ndarray를 가지고 있고, 똑같은 ndarray를 가지고 싶을 때 _like()를 사용한다
np.indentity()
- np.identity(number_of_rows, dtype=float)
- 단위행렬(identity matrix)를 생성
indentity : 수학적으로 대각선이 1인 것을 말함
수학적으로 대각선이 1인 것을 만들 수 있는 툴이 있다
np.eye()
- np.identity(N, M=None, k=0, dtype=float)
- 대각선이 1인 행렬을 생성, k = 시작 인덱스
정사각형 행렬이 아닐때, 시작 인덱스를 지정해서 대각선을 1인 것을 만들 수 있다
모양을 변환할때 수학적으로 identity, eye를 사용한다
대각선 관련 초기화 하는 방법이 있다고 알아두기
np.diag()
- np.diag(matrix, k=0)
- 대각 행렬의 값 추출, k = 시작 인덱스
시작인덱스를 기준으로 대각선에 어떤 값이 있는 지 찾아내는 데 사용한다
Random Sampling
- 데이터 분포에 따른 sampling으로 ndarray를 생성
- np.random.uniform(low=0.0, high=1.0, size=None) : 균등분포
- np.random.normal(loc=0.0, scale=1.0, size=None) : 정규분포
많이 사용되는 표준분포
초기화 및 샘플링 - 강의 중 실습 내용
import numpy as npa = np.arange(10) print(a)출력 : [0 1 2 3 4 5 6 7 8 9]a = np.arange(1,21) print(a)출력 : [ 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 ]a = np.arange(1,21, 3) print(a)출력 : [ 1 4 7 10 13 16 19 ]a = np.arange(1,21, 3, dtype=float) print(a)출력 : [ 1. 4. 7. 10. 13. 16. 19 ]a = np.arange(1,11, 0.3, dtype=float) print(a)출력 : [ 1. 1.3 1.6 1.9 2.2 2.5 2.8 3.1 3.4 3.7 4. 4.3 4.6 4.9 5.2 5.5 5.8 6.1 6.4 6.7 7. 7.3 7.6 7.9 8.2 8.5 8.8 9.1 9.4 9.7 10. 10.3 10.6 10.9]a = np.arange(1,110, 0.3) d = 13 n = a.size % dtry: b = a.reshape(-1,d) except: b = a[:-n].reshape(-1,d) print(n) print(b)출력 : 0 출력 : [[ 1. 1.3 1.6 1.9 2.2 2.5 2.8 3.1 3.4 3.7 4. 4.3 4.6] [ 4.9 5.2 5.5 5.8 6.1 6.4 6.7 7. 7.3 7.6 7.9 8.2 8.5] [ 8.8 9.1 9.4 9.7 10. 10.3 10.6 10.9 11.2 11.5 11.8 12.1 12.4] [ 12.7 13. 13.3 13.6 13.9 14.2 14.5 14.8 15.1 15.4 15.7 16. 16.3] [ 16.6 16.9 17.2 17.5 17.8 18.1 18.4 18.7 19. 19.3 19.6 19.9 20.2] [ 20.5 20.8 21.1 21.4 21.7 22. 22.3 22.6 22.9 23.2 23.5 23.8 24.1] [ 24.4 24.7 25. 25.3 25.6 25.9 26.2 26.5 26.8 27.1 27.4 27.7 28. ] [ 28.3 28.6 28.9 29.2 29.5 29.8 30.1 30.4 30.7 31. 31.3 31.6 31.9] [ 32.2 32.5 32.8 33.1 33.4 33.7 34. 34.3 34.6 34.9 35.2 35.5 35.8] [ 36.1 36.4 36.7 37. 37.3 37.6 37.9 38.2 38.5 38.8 39.1 39.4 39.7] [ 40. 40.3 40.6 40.9 41.2 41.5 41.8 42.1 42.4 42.7 43. 43.3 43.6] [ 43.9 44.2 44.5 44.8 45.1 45.4 45.7 46. 46.3 46.6 46.9 47.2 47.5] [ 47.8 48.1 48.4 48.7 49. 49.3 49.6 49.9 50.2 50.5 50.8 51.1 51.4] [ 51.7 52. 52.3 52.6 52.9 53.2 53.5 53.8 54.1 54.4 54.7 55. 55.3] [ 55.6 55.9 56.2 56.5 56.8 57.1 57.4 57.7 58. 58.3 58.6 58.9 59.2] [ 59.5 59.8 60.1 60.4 60.7 61. 61.3 61.6 61.9 62.2 62.5 62.8 63.1] [ 63.4 63.7 64. 64.3 64.6 64.9 65.2 65.5 65.8 66.1 66.4 66.7 67. ] [ 67.3 67.6 67.9 68.2 68.5 68.8 69.1 69.4 69.7 70. 70.3 70.6 70.9] [ 71.2 71.5 71.8 72.1 72.4 72.7 73. 73.3 73.6 73.9 74.2 74.5 74.8] [ 75.1 75.4 75.7 76. 76.3 76.6 76.9 77.2 77.5 77.8 78.1 78.4 78.7] [ 79. 79.3 79.6 79.9 80.2 80.5 80.8 81.1 81.4 81.7 82. 82.3 82.6] [ 82.9 83.2 83.5 83.8 84.1 84.4 84.7 85. 85.3 85.6 85.9 86.2 86.5] [ 86.8 87.1 87.4 87.7 88. 88.3 88.6 88.9 89.2 89.5 89.8 90.1 90.4] [ 90.7 91. 91.3 91.6 91.9 92.2 92.5 92.8 93.1 93.4 93.7 94. 94.3] [ 94.6 94.9 95.2 95.5 95.8 96.1 96.4 96.7 97. 97.3 97.6 97.9 98.2] [ 98.5 98.8 99.1 99.4 99.7 100. 100.3 100.6 100.9 101.2 101.5 101.8 102.1] [102.4 102.7 103. 103.3 103.6 103.9 104.2 104.5 104.8 105.1 105.4 105.7 106. ] [106.3 106.6 106.9 107.2 107.5 107.8 108.1 108.4 108.7 109. 109.3 109.6 109.9]]
a = np.zeros((3,5)) print(a)출력 : [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]]b = np.ones((3,5)) print(b)출력 : [[1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.] [1. 1. 1. 1. 1.]]b1 = np.ones((3,5)) * 2 print(b1)출력 : [[2. 2. 2. 2. 2.] [2. 2. 2. 2. 2.] [2. 2. 2. 2. 2.]]c = np.empty((3,5)) print(c)출력 : [[0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.] [0. 0. 0. 0. 0.]]
a = np.array( [[2,3],[4,5],[6,7]]) print(a) print(a.shape)출력 : [[2 3] [4 5] [6 7]] 출력 : (3, 2)b = np.zeros_like(a) print(b)출력 : [[0 0] [0 0] [0 0]]b1 = np.ones_like(a) print(b1)출력 : [[1 1] [1 1] [1 1]]
a = np.eye(4, dtype=int) print(a)출력 : [[1 0 0 0] [0 1 0 0] [0 0 1 0] [0 0 0 1]]b = np.eye(3,5, dtype=int) print(b)출력 : [0 1 0 0 0] [0 0 1 0 0]]b1 = np.eye(3,5, k=2, dtype=int) print(b1)출력 : [[0 0 1 0 0] [0 0 0 1 0] [0 0 0 0 1]]
a = np.arange(15).reshape(3,5) print(a)출력 : [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]d = np.diag(a) print(d)출력 : [ 0 6 12]d = np.diag(a, k=2) print(d)출력 : [ 2 8 14]
a = np.random.uniform(0,1.0, 10).reshape(2,5) print(a)출력 : [[0.34994398 0.79685899 0.99928905 0.14128312 0.70858612] [0.31581712 0.92091744 0.88537853 0.28639324 0.15929932]]b = np.random.uniform(0,1.0, (2,5)) print(b)출력 : [[0.81049346 0.62670403 0.06075431 0.45952006 0.25566875] [0.55975794 0.98396203 0.21019873 0.80737271 0.66705947]]c = np.random.normal(0,1, 10) print(c)출력 : [-1.92540058 -0.60097753 0.38332519 -0.24462928 1.26916321 1.84714642 1.72690107 -0.96074994 0.91260084 1.07231518]
현재 : C# WPF 개발자 / 목표 : AI 의료 영상 분석 연구원