python 정리 7

📌 Numpy란,

파이썬 라이브러리의 한 종류
수의 관련된 라이브러리
선형대수 관련된 연산이 정의되있고,
n-차원 array나 matrix에 대한 유용한 기능들
데이터 분석에 효과적인 자료형을 제공해준다.

📌 Numpy 메소드들

import numpy as np

a = np.arange(1,11, 2) #이런 식으로 범위를 정해서 선언할 수 있고
a1D = np.array([7, 2, 9, 10]) #이런 식으로 파이썬 리스트를 numpy array로 만들 수 있다.

#여러가지 생성 방법
p = np.zeros((3,3)) # 3x3 행렬을 값이 0으로 선언
q = np.ones((2,2)) # 2x2 행렬을 값이 1로 선언
r = np.full((2,2), 4) # 2x2, 값을 전부 4로 채운다.
s = np.eye(4) # 항등 행렬 만들기, 1이 4개 -> 4x4 행렬
t = np.random.random((3,3)) #랜덤으로 만든 수를 랜덤으로 3x3행렬 

이런 식으로 다양한 선언이 가능
이 외에 모양이 어떤지도 확인이 가능하다.

a1D = np.array([7, 2, 9, 10])
print(a1D.shape, "\n")

a2D = np.array([[5.2, 3.0, 4.5], [9.1, 0.1, 0.3]])
print(a2D.shape, "\n")

a3D = np.array([[[1, 2], [4, 3], [7, 4]], [[2, 0], [9, 0], [7, 5]], [[1, 0], [3, 0], [0, 2]], [[9, 0], [6, 0], [9, 8]]])
print(a3D.shape, "\n")

shape 함수로 한 열에 값이 2개씩 들어간 것도 확인이 가능하다.

import numpy as np

a2D = np.array([[5.2, 3.0, 4.5], [9.1, 0.1, 0.3]])
print(a2D, "\n")
print(a2D[:, 2], "\n") # get specific column
print(a2D[1, :], "\n") # get specific row
print("\n")

특정 행과 특정 열을 가져오는 것도 가능하다.
Numpy arrays에 속하는 element는 모두 같은 타입의 데이터구조를 갖는다.
class 'numpy.ndarray'

데이터 타입확인 및 지정

var1=np.arange(1,11, dtype='f')
#기존 int 였다면 float으로 변경
arr = arr.astype(float)
#같은 맥락
arr = np.arange(1, 10)
print(arr, "\n")

list1 = arr.tolist()
print(list1)
#list로 변환 array를

행렬 형태 변경 -> reshape를 사용

import numpy as np

arr = np.arange(12)
print(arr, "\n")

arr_rs = arr.reshape(3, 4) = 3행 4열
print(arr_rs, "\n")

arr_rs = arr.reshape(4, 3) = 4행 3열
print(arr_rs)

reshape 메소드를 쓸 때 주의해야할 점은, 배열 인덱스의 개수, 크기에 맞게 바뀌어야 한다. 범위를 넘어가면 ValueError가 일어남

import numpy as np

arr = np.arange(12)
print(arr, "\n")

# resize: 3 x 4 # resize 했을 경우
resized_arr = np.resize(arr, (3,4))
print(resized_arr, "\n")

# reshape: 3 x 4 # reshape 했을 경우
arr_rs = arr.reshape(3, 4)
print(arr_rs, "\n")

# resize: 5 x 3 # 크기 확장 시
resized_arr = np.resize(arr, (5,3))
print(resized_arr, "\n")

# resize: 5 x 2 # 데이터 유실
resized_arr = np.resize(arr, (5,2))
print(resized_arr, "\n")

에러가 일어나지 않기 해선, resize를 쓰면 된다.
resize : 배열의 크기를 변경, 크기를 늘리거나 줄일 수 있음
크기 조정 중 데이터의 유실 발생 가능

arr_rs = arr.reshape(2, -1)
print(arr_rs, "\n")

arr_rs = arr.reshape(4, -1)
print(arr_rs, "\n")

arr_rs = arr.reshape(-1, 6)
print(arr_rs, "\n")

• 마이너스의 의미 : 마이너스가 아닌 행과 열의 값을 고정하여 사용한다.
  -1, 6 열이 6개이고 자동으로 6개의 원소를 나열하고 남은것들을 행으로 나눈다.

flatten() : n차원의 배열을 1차원의 배열로 만들어준다.

# Create an array: 3 x 3
arr = np.arange(1,10).reshape(3,3)
print(arr, "\n")

# flatten the array
print(arr.flatten(), "\n")

# flatten the array
print(arr.reshape(-1), "\n")

배열 병합
tack() 종류 메소드를 쓰면, arr1,arr2 합쳐줌 어떻게 맞출것인가?

hstack,vstack,dstack 은 array size 같아야함
hstack, vstack은 배열들의 shape이 전부 동일해야한다.
hstack() : 배열을 순서대로 수평적으로 맞춘다.(column wise)
대안 : concatenate((arr1,arr2), axis = 1) axis = 1 -> 행으로

vstack() : 배열을 순서대로 수직으로 맞춘다. (row wise)
대안: concatenate((arr1,arr2) axis = 0) axis = 0 -> 열으로

dstack() : 하나의 열에 2개의 값을 가지게 1행은 [1 13]

배열 나누기
array가 같은 사이즈로 주어졌을 때, 수평적으로 혹은 수직적으로 나눌 수 있다.
hsplit() : axis = 1 : 한 행을 기준으로 나눔
vsplit() : axis = 0 : 한 열을 기준으로 나눈다.
split -> axis 값을 기준으로 나눔

Copy vs view
view는 같은 메모리를 쓴다. shallow copy
copy는 다른 위치에 배열을 저장한다. deep copy
배열을 수정한다면 view에 영향이 미친다.
view는 같은 메모리를 사용 : copy는 별도의 메모리를 요구하고
view보다 느림

arr.view()
arr.copy()

리스트처럼 numpy array는 sclicing을 할 수 있음
음수 인덱싱 또한 지원한다.
비교 인덱싱
참인지 거짓이지 리턴값에 따라 표현이 된다.
if문과 유사

import numpy as np
arr = np.arange(21,41,2)
print(arr[arr>30])
#이러면 arr>30ㅂ다 큰 인덱스만 출력됌

fancy indexing
정수 배열을 indexer로 사용해서 다차원 배열로부터 indexing

# select 2nd and 3rd row
indices = [1, 2]
print(arr[indices, :], "\n")

# select 1st and 2nd col
indices = [0, 1]
print(arr[:, indices], "\n")

list는 벡터 끼리 연산 하나의 배열로 합쳐지는 것, 원소 더하기가 아닌
을 지원하지 않음
Broadcasting Arrays

numpy는 빠른 벡터 연산을 제공한다