먼저 공감되는 짤로 시작-

NumPy (= Numerical + Python)

1. numpy 공식문서

https://numpy.org/doc/stable/user/absolute_beginners.html

2. Numpy 설치

• 구글 코랩의 경우, 코랩에 기본적으로 설치가 되어있는 라이브러리
• 코랩이 아닌 환경에서는 pip를 이용하여 간단하게 최신버전 설치 가능
  (본인은 구글 코랩 유저로 설치는 생략)
• 파이썬에서 사용하는 과학계산용 오픈소스 라이브러리 (다른 사람이 작성한 코드(무료배포)를 활용해서 작업함

3. NumPy?

• '수치적인 파이썬'이라는 뜻으로,
  파이썬에서 대규모 다차원 배열과 행렬 연산, 고성능 수치 계산을 위해 설계된 핵심 라이브러리
• 파이썬의 느린 연산속도를 보완
  - 파이썬이 가지고 있는 기본 연산 도구는 속도가 느림
  • 속도가 몇 십, 몇 백배 차이가 남

4. 기본 사용법

• numpy는 파이썬이 자체적으로 가지고 있지 않음
• 그래서,
  import 함수를 사용해서 numpy라는 오픈소스 라이브러리를 가져오며, as np로 줄여서 사용
• 👇numpy 가져오는 방법

  import numpy as np

5. numpy array

• numpy의 array는 동일한 타입으로만 이루어짐 (numpy의 연산을 매우 빠르게 진행하기 위한 것)

• numpy array는 여러가지 기본 array 생성 방법이 있음

• 배열은 values 및 원시 데이터에 대한 정보, 요소를 찾는 방법, 요소를 해석하는 방법, 인덱싱할 수 있는 요소 그리드가 있음

  5.1. array 만들기

  import numpy as np
  range_array = np.arange(10)
  print(range_array)

  [0 1 2 3 4 5 6 7 8 9]

  👇와 같이 하나하나 입력해서 사용할 수도 있음

  import numpy as np
  a = np.arange([1, 2, 3, 4, 5])
  print(a)

  [1 2 3 4 5]

  ❗위에서 출력한 a의 타입을 확인해보면

  <class 'numpy.ndarray'>

  -배열 array 데이터 타입인 것을 확인할 수 있음
  -배열은 파이썬의 리스트 데이터 타입에 기반한 것이며, 리스트보다 더 빠른 장점이 있음 (특히 숫자 데이터를 다룰 때 몹시 빠름)
  -numpy는 한가지 데이터 타입만 넣을 수 있기 때문에 연산속도가 빠름
  -astype()을 사용하여 형변환

  data = [1, 2, "3"]
  my_arr = np.array(data)
  my_arr

  array(['1', '2', '3'], dtype='<U21')
  # dtype='<U21': 문자열 데이터를 의미
  # ' ': 한 가지 데이터 타입으로 자동 통일되는데 위는 문자열로 자동 변경됨

  # numpy에서 데이터 타입 변경 (저장 작업 필요)
  my_arr = my_arr.astype("float")
  my_arr

  array([1., 2., 3.])

  5.2. array의 추가 및 삭제

  5.2.1. array의 추가

  5.2.1.1. np.append(arr, values, axis=None)

  ++ 배열 끝에 값을 추가
  ++ axis 미지정 시 1차원으로 평탄화 후 추가

• 1차원 배열 꿑에 추가

  arr1 = np.array([1, 2, 3])
  new_arr1 = np.append(arr1, [4, 5])
  new_arr1

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

• 2차원 배열 열 추가 (axis=1)

  arr2 = np.array([[1, 2], [3, 4]])
  col = np.array([[5], [6]])
  new_arr2 = np.append(arr2, col, axis=1)
  new_arr2

  array([[1, 2, 5],
      [3, 4, 6]])

  5.2.1.2. np.insert(arr, obj, axis=None)

  ++ 지정된 인덱스(obj)에 값 삽입

• 2차원 배열 행 삽입 (np.insert)

  new_arr3 = np.insert(arr2, 1, [9, 9], axis=0)
  new_arr3

  array([[1, 2],
      [9, 9],
      [3, 4]])

  5.2.1.3. np.concatenate((a1, a2), axis=0)

  ++ 두 개 이상의 배열을 연결

• 1차원 배열 연결

  import numpy as np
  arr1 = np.array([1, 2, 3])
  arr2 = np.array([4, 5])
  result = np.concatenate((arr1, arr2))
  print(result)

  [1 2 3 4 5]

• 2차원 배열 행/열 결합

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

  (수직 결합 axis=0)

  vertical_stack = np.concatenate((a, b), axis=0)
  print(vertical_stack)

  [[1 2]
   [3 4]
   [5 6]]

  (수평 결합 axis=1, shape이 일치해야하므로 형태를 (2, 1)로 변경 필요)

  shape_table = b.T
  horizontal_stack = np.concatenate((a, shape_table), axis=1)
  print(horizontal_stack)

  [[1 2 5]
   [3 4 6]]

  ❗핵심 특징❗

• 튜플 사용: 결합할 배열들을 () 안에 튜플 또는 리스트로 묶어 전달해야 함

• shape 일치: 결합하려는 축(axis)을 제외한 나머지 차원의 크기가 동일해야 함

• 반환값: 원본을 수정하지 않고 새로운 배열을 반환

  5.2.2. array의 삭제

  5.2.2.1. np.delete(arr, obj, axis)

  • numpy 배열의 요소나 행/열을 삭제할 때

  • 원본의 변경없이 삭제된 새로운 배열을 반환

  • axis=0: 행 삭제, axis=1: 열 삭제

  • obj에 인덱스(순번)나 슬라이싱을 전달하여 지정된 위치 삭제 가능
    ❗- axis를 지정하지 않으면 배열이 1차원으로 펼쳐진 후 삭제되므로 행/열 삭제 시 axis를 반드시 명시해야 함

    import numpy as np

    (2차원 배열 생성 후 삭제)

    # 배열 생성
    arr = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
    
    # 1행(두 번째 행) 삭제
    result = np.delete(arr, 1, axis=0)
    
    result

    array([[1, 2, 3],
           [7, 8, 9]])

    # arr 배열에서 0번 열 삭제
    result_col = np.delete(arr, 0, axis=1)
    
    result_col

    array([[2, 3],
           [5, 6],
           [8, 9]])

    ❗핵심 사용법❗

  • 특정 위치 요소 삭제: `new_arr = np.delete(arr, index)

  • 행 삭제(1차원화 주의): np.delete(arr, 1, axis=0) (1번 인덱스 행 삭제

  • 열 삭제: np.delete(arr, 1, axis=1) 1번 인덱스 열 삭제

  • 여러 인덱스 삭제: np.delete(arr, [0, 2], axis=0) 0번과 2번 인덱스 행 삭제

  5.3. array의 모양과 크기

• ndarray.ndim: -배열의 축 수(차원) 또는 치수를 알려줌

• ndarray.size: 배열의 총 요소 수를 알려줌 (배열 모양의 요소의 곱)

• ndarray.shape: -정수 튜플을 표시
  -배열의 각 차원을 따라 저장된 요소
  -데이터의 행과 열 정보를 확인 (행, 열)
  ex. 2개의 행과 3개의 열이 있는 2차원 배열인 경우 배열의 모양은 (2, 3)

• arr.reshape(): array 모양 변경

6. 인덱싱(indexing)과 슬라이싱(slicing)

6.1. 인덱싱(indexing)

# indexing
data = np.array([1, 2, 3, 4, 5])
data[1]

2

6.2. 슬라이싱(slicing)

# slicing
data = np.array([1, 2, 3, 4, 5])
data[0:2]   # [start:end:step]

array([1, 2])

Der Weg ist das Ziel.
과정이 곧 목표다.

by Heidi J. 꼬꼬마 데분가💜