📌 Array 인덱싱 / 슬라이싱
인덱싱(indexing): 배열의 위치나 조건을 지정해 배열의 원소를 선택하는 것슬라이싱(slicing): 범위를 지정해 배열의 원소를 선택하는 것
📌 Array 인덱싱
1️⃣ 1차원 배열의 인덱싱
arr1 = np.arange(1, 11)
arr1- 출력
array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10])1) 배열명[위치]
- 파이썬의 인덱싱과 동일
- 0번째로 시작
# 0번째 요소
arr1[0]- 출력
np.int64(1)# 마지막 요소
arr1[-1]- 출력
np.int64(10)2) 배열명[[위치1, 위치2, ... ,위치n]]
- 여러 위치의 요소를 반환
# 1, 3, 4번째 요소
arr1[[1, 3, 4]]- 출력
array([2, 4, 5])2️⃣ 2차원 배열의 인덱싱
arr2 = np.arange(1, 13).reshape(3, 4)
arr2- 출력
array([[ 1, 2, 3, 4],
[ 5, 6, 7, 8],
[ 9, 10, 11, 12]])1-1) 배열명[행위치, 열위치]
- 지정한 행, 열에 위치한 요소를 반환한다. 이때 행위치와 열위치도 0번째부터 시작한다.
# 2차원 행렬에서 인덱싱을 위해 2개의 인자를 [행, 열] 로 구분해서 참조
arr2[2, 1]- 출력
np.int64(10)# 마지막 행의 0번째 요소
arr2[-1, 0]- 출력
np.int64(9)1-2) 배열명[행위치][열위치]
- 혹은 다음과 같이 작성할 수도 있다.
# 2차원 행렬에서 인덱싱을 위해 2개의 인자를 [행][열] 두 개 사용해서 참조
arr2[2][1]- 출력
np.int64(10)# 마지막 행의 0, 2번째 요소
arr2[-1][[0, 2]]- 출력
array([ 9, 11])2-1) 2차원배열명[행위치]
- 2차원 배열에서 지정한 행 전체를 선택
# 1번째 행
arr2[1]- 출력
array([5, 6, 7, 8])2-2) 2차원 배열의 행 전체 변경
- 앞서 지정한 행 전체 요소를 변경할 수 있다.
arr2[1] = np.array([50, 60, 70, 80])
arr2- 출력
array([[ 1, 2, 3, 4],
[50, 60, 70, 80],
[ 9, 10, 11, 12]])3) 배열명[[행위치1, 행위치2, ..., 행위치n],[열위치1, 열위치2,...,열위치n]]
- 지정한 (행위치1, 열위치1), (행위치2, 열위치2), ... ,(행위치n, 열위치n)의 원소를 가진 행렬을 반환
# 1행 0열 / 2행 2열
arr2[[1, 2], [0, 2]]- 출력
array([50, 11])4) 배열명[조건]
- 배열에서 조건을 만족하는 원소만 선택
조건식 결과 출력
- 조건식을 입력할 경우
True/False를 반환한다.
1 > 0- 출력
True- 배열의 경우도 조건식을 입력할 경우 각각의 요소들의 조건식 충족 여부에 따라
True/False를 반환한다.
# 10보다 큰 요소
arr2 > 10- 출력
array([[False, False, False, False],
[ True, True, True, True],
[False, False, True, True]])배열명[조건]을 통해 조건식에서True를 반환한 위치의 값들을 반환한다.
arr2[arr2 > 10]- 출력
array([50, 60, 70, 80, 11, 12])3️⃣ Boolean 인덱싱 (Mask)
- 다차원의 인덱싱을 응용하여
boolean인덱싱 boolean인덱싱을 통해 만들어낸 배열을 통해 원하는 행 또는 열의 값만 추출- 가리고 싶은 부분은 가리고, 원하는 요소만 추출
- 조건 기반 필터링
예시 배열
names = np.array(['Beomwoo','Beomwoo','Kim','Joan','Lee','Beomwoo', 'Park','Beomwoo'])# np.random.randn(8,4) : 표준정규분포를 하는 난수발생 N(0, 1) (평균은 0, 표준편차 1)
data = np.random.randn(8, 4)
data- 출력
array([[-0.16702497, 0.24584574, 0.68971859, -0.58364965],
[ 0.44478601, 0.32438835, -0.00510656, 0.66195306],
[ 0.11554351, 0.77763398, -0.44039017, -1.26708853],
[-0.8143724 , 0.54717207, -0.53566061, 1.49591579],
[-0.29348962, -0.27985945, -1.30778708, -2.87336747],
[ 0.0829002 , 0.45329629, -0.16386327, -1.1753417 ],
[ 0.213486 , 0.26226505, -1.45639872, 0.05181792],
[-2.22247099, -3.02353214, -0.2508793 , 0.27356829]])요소가 Beomwoo 인 항목에 대한 mask 생성
# 요소가 Beomwoo인 항목에 대한 mask 생성
mask = (names == 'Beomwoo')
mask- 출력
array([ True, True, False, False, False, True, False, True])Beomwoo 데이터 추출
# Beomwoo 데이터만 가져오기
data[mask]- 출력
array([[-0.16702497, 0.24584574, 0.68971859, -0.58364965],
[ 0.44478601, 0.32438835, -0.00510656, 0.66195306],
[ 0.0829002 , 0.45329629, -0.16386327, -1.1753417 ],
[-2.22247099, -3.02353214, -0.2508793 , 0.27356829]])Kim 또는 Park 인 항목에 대한 mask 생성
# Kim 또는 Park의 데이터 가져오기
(names == 'Kim') | (names == 'Park')- 출력
array([False, False, True, False, False, False, True, False])Kim 이면서 Park 인 항목에 대한 mask 생성
(names == 'Kim') & (names == 'Park')- 출력
array([False, False, False, False, False, False, False, False])4️⃣ Fancy 인덱싱
- 배열에 리스트나 ndarray로 인덱스 집합을 지정하여 요소 참조
- 위치 기반 인덱싱 : 정수 인덱스 배열을 사용해 원하는 위치 원소를 직접 선택
예시 배열
arr = np.arange(1, 25).reshape(4, 6)
arr- 출력
array([[ 1, 2, 3, 4, 5, 6],
[ 7, 8, 9, 10, 11, 12],
[13, 14, 15, 16, 17, 18],
[19, 20, 21, 22, 23, 24]])- 원하는 요소를 인덱싱하여 리스트로 생성
[arr[0,0], arr[1,1], arr[2,2], arr[3,3]]- 출력
[np.int64(1), np.int64(8), np.int64(15), np.int64(22)]- Fancy Indexing 을 활용한 요소 리스트 생성
# Fancy Indexing 1
arr[[0, 1, 2, 3], [0, 1, 2, 3]]- 출력
array([ 1, 8, 15, 22])# Fancy Indexing 2
arr[1:3, 0:2]- 출력
array([[ 7, 8],
[13, 14]])