NumPy_내장함수
ndaraay.sum()
- Elements의 합
- dtype 지정 가능
ndarray가 있을 때 갯수에 관계 없이 전체를 다 더하고 싶을 때 sum을 사용한다
axis 방향
shape = (z, y, x) = index(0,1,2)
y = ↓ x = → z = ↘ ( 3차원 정육면체 격자 기준 상상 )
ndarray 내장 함수 (methods)들
축에 방향에 따라 계산이 가능하다
ndarray methods 사용 예시
내장함수는 축에 방향으로 계산이 가능하다
NumPy 내장 수학 함수들
다양한 내장수학 함수들이 있다
NumPy 수학 함수 사용 예시
sqrt : 루트 구하는 것
square : 제곱 구하는 것
수학 함수를 쓰고 해당 데이터를 넣어서 계산
각각의 함수들에 적용되는 모양
np.vstack
vstack 벽돌 쌓는 것처럼 아래위로 쌓는 것
쌓고자 하는 ndarray를 쌓아서 ndarrary를 만드는 것
x축 방향으로 벽돌의 모양이 맞아야 쌓을 수 있다
x축 방향으로 벽돌 모양이 일치 하지 않으면 못 쌓는다
np.hstack
hstack 벽돌 쌓는 것처럼 옆으로 쌓는 것
y축 방향으로 벽돌의 모양이 맞아야 쌓을 수 있다
y축 방향으로 벽돌 모양이 일치 하지 않으면 못 쌓는다
np.concatenate
3차원을 2개를 붙이는 데 (0, 2, 3) axis = 0번(z)의 앞에 패킹을 한 것(겹쳐짐)
axis = 1번(y) 세로방향에 같아 붙인 것
axis = 2번(x) 가로방향에 같아 붙인 것
NumPy 내장함수
data = np.arange(1,21).reshape((4,5)) result = data.sum(dtype=float) print(data) print(result)출력 : [[ 1 2 3 4 5] [ 6 7 8 9 10] [11 12 13 14 15] [16 17 18 19 20]] 출력 : 210.0data = np.arange(24).reshape((3,2,4)) print(data) print(data.shape)출력 : [[[ 0 1 2 3] [ 4 5 6 7]] [[ 8 9 10 11] [12 13 14 15]] [[16 17 18 19] [20 21 22 23]]] 출력 : (3, 2, 4)result1 = data.sum(axis=0) print(result1) print(result1.shape)출력 : [[24 27 30 33] [36 39 42 45]] 출력 : (2, 4)result2 = data.sum(axis=1) print(result2) print(result2.shape)출력 : [[ 4 6 8 10] [20 22 24 26] [36 38 40 42]] 출력 : (3, 4)result3 = data.sum(axis=2) print(result3) print(result3.shape)출력 : [[ 6 22] [38 54] [70 86]] 출력 : (3, 2)data = np.arange(24).reshape((3,2,4)) print(data) print(data.shape)출력 : [[[ 0 1 2 3] [ 4 5 6 7]] [[ 8 9 10 11] [12 13 14 15]] [[16 17 18 19] [20 21 22 23]]] 출력 : (3, 2, 4)result1 = data.max(axis=0) print(result1) print(result1.shape)출력 : [[16 17 18 19] [20 21 22 23]] 출력 : (2, 4)result2 = data.max(axis=1) print(result2) print(result2.shape)출력 : [[ 4 5 6 7] [12 13 14 15] [20 21 22 23]] 출력 : (3, 4)result3 = data.max(axis=2) print(result3) print(result3.shape)출력 : [[ 3 7] [11 15] [19 23]] 출력 : (3, 2)data = np.arange(15).reshape((3,5)) print(data)출력 : [[ 0 1 2 3 4] [ 5 6 7 8 9] [10 11 12 13 14]]result1 = data.mean(axis=1) print(result1)출력 : [ 2. 7. 12.]result2 = data.min(axis=0) print(result2)출력 : [0 1 2 3 4]data = np.arange(1,10, dtype=float).reshape((3,3)) print(data)출력 : [[1. 2. 3.] [4. 5. 6.] [7. 8. 9.]]result1 = np.sqrt(data) print(result1)출력 : [[1. 1.41421356 1.73205081] [2. 2.23606798 2.44948974] [2.64575131 2.82842712 3. ]]result2 = np.square(data) print(result2)출력 : [[ 1. 4. 9.] [16. 25. 36.] [49. 64. 81.]]result3 = np.sin(data) print(result3)출력 : [[ 0.84147098 0.90929743 0.14112001] [-0.7568025 -0.95892427 -0.2794155 ] [ 0.6569866 0.98935825 0.41211849]]data1 = np.array([[1,2,3],[4,5,6]]) data2 = np.array([[7,8,9],[10,11,12],[10,11,12]])print(data1) print(data2)출력 : [[1 2 3] [4 5 6]] 출력 : [[ 7 8 9] [10 11 12] [10 11 12]]result = np.vstack((data1, data2)) print(result)출력 : [[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12] [10 11 12]]data1 = np.array([[1,2,3],[4,5,6]]) data2 = np.array([[7],[10]]) data3 = np.array([[8,9],[11,12]])print(data1) print(data2)출력 : [[1 2 3] [4 5 6]] 출력 : [[ 7] [10]]result = np.hstack((data1, data2, data3)) print(result)출력 : [[ 1 2 3 7 8 9] [ 4 5 6 10 11 12]]data1 = np.array([[1,2,3],[4,5,6]]) data2 = np.array([[7,8,9],[10,11,12]]) result = np.concatenate((data1, data2), axis=0) print(result)출력 : [[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12]]result = np.concatenate((data1, data2), axis=1) print(result)출력 : [[ 1 2 3 7 8 9] [ 4 5 6 10 11 12]]data1 = np.array([[[1,2,3],[4,5,6]]]) data2 = np.array([[[7,8,9],[10,11,12]]]) print(data1) print(data1.shape) print(data2) print(data2.shape) print("-"*10)출력 : [[[1 2 3] [4 5 6]]] 출력 : (1, 2, 3) 출력 : [[[ 7 8 9] [10 11 12]]] 출력 : (1, 2, 3)result = np.concatenate((data1, data2), axis=0) print(result)출력 : [[[ 1 2 3] [ 4 5 6]] [[ 7 8 9] [10 11 12]]]result = np.concatenate((data1, data2), axis=1) print(result)출력 : [[[ 1 2 3] [ 4 5 6] [ 7 8 9] [10 11 12]]]result = np.concatenate((data1, data2), axis=2) print(result) # print("-"*10) # result = np.hstack((data1, data2)) # print(result)출력 : [[[ 1 2 3 7 8 9] [ 4 5 6 10 11 12]]]
현재 : C# WPF 개발자 / 목표 : AI 의료 영상 분석 연구원