Numpy 실습 예제1

---

*day2에 했던 내용들은 제외하고 작성했습니다.

📌Numpy 랜덤 배열 생성

---

numpy의 random함수를 이용하여 랜덤 배열을 생성해봤습니다.

• randn()에 모양을 인자로 주어 배열을 생성합니다. 이때, randn()에 들어간 인자의 순서대로 차원의 크기가 정해집니다.

• normal()은 정규 분포에 맞게 생성하는 함수로서 모양을 size 인자를 통해 전달하여 배열을 생성합니다. 이때 평균(mean)과 표준편차(std)값을 각각 loc, scale 인자를 통해 지정할 수 있습니다.

• randint(start, end, size)는 임의의 정수들로 채워진 배열을 만들어줍니다. 이때 정수 범위는 start 이상 end 미만으로, size에 모양을 인자로 전달합니다.

#실습코드

import numpy as np

# 3 x 2의 모양을 가진 배열을 가우시안 분포에 따라 랜덤하게 만들어줍니다.
randn_arr = np.random.randn(3,2)
print(randn_arr)
>>>[[0.13877501 -1.02584702]
 [0.88228595 -0.08836542]
 [-1.21212413 0.54791626]]

# 3 x 2의 모양을 가진 배열을 랜덤하게 만들어줍니다.
rand_arr = np.random.normal(size=(3, 2))
print(rand_arr) 
>>>[[-1.25582381 -0.03418971]
 [-0.6234516   0.34737055]
 [ 0.79151938  1.63548097]]

# 3 x 2의 모양을 가진 배열을 정규 분포에 따라 랜덤하게 만들어줍니다.
rand_normal_arr = np.random.normal(loc = 3, scale = 0.25, size=(3, 2))
print(rand_normal_arr) 
>>>[[2.87919609 2.95184   ]
 [2.97402801 3.44054116]
 [2.77450037 3.24502051]]

# 3 x 2의 모양을 가지고, 1부터 9까지 임의의 정수로만 이루어진 배열을 만들어줍니다.
rand_int_arr = np.random.randint(1, 10, size=(3, 2))
print(rand_normal_arr) 
>>>[[2 6]
 [3 3]
 [9 2]]

📌배열의 슬라이싱을 이용한 값 변경

---

1차원 배열의 슬라이싱을 이용한 값 변경

list의 리스트와 달리 numpy.ndarray의 배열을 슬라이싱하여 값을 변경할 때, 크기 또는 모양이 맞지 않으면 에러를 발생합니다. 즉, 슬라이싱을 이용하여 값을 변경할 때는 대입할 배열의 모양이 슬라이싱을 한 구간과 일치해야 합니다.

#실습예제

import numpy as np

arr= np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
arr[3:7] = np.array([100, 45, 60, 75])
print(arr)
>>>[  1   2   3 100  45  60  75   8   9  10]

위처럼 동일한 모양의 배열을 대입함으로써 값을 변경하는 방법도 있지만, 브로드캐스팅을 이용하여 슬라이싱 구간에 자동으로 모양을 맞춰 변경하는 방법도 있습니다.

arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10])
arr[3:7] = 100#브로드캐스팅이 적용되어 100을 크기가 4인 1차원 배열로 확장시킨 후 arr에 대입
print(arr)
>>>[  1   2   3 100 100 100 100   8   9  10]

2차원 배열의 슬라이싱을 이용한 값 변경

2차원 슬라이싱도 1차원 슬라이싱과 마찬가지로 값을 변경할 때는 동일한 모양의 배열로 대입해야 합니다.

#실습 예제

import numpy as np

arr = np.array([
    [1, 2, 3, 4, 5], 
    [4, 5, 6, 7, 8], 
    [5, 6, 7, 8, 9], 
    [10, 11, 14, 15, 17]
])
arr[1:3, 1:3] = np.array([[10, 20], [30, 40]])
print(arr)
>>>[[ 1   2   3   4   5]
 [ 4  10  20   7   8]
 [ 5  30  40   8   9]
 [10  11  14  15  17]]

브로드캐스팅 슬라이싱을 이용한 값 변경

arr = np.array([
   [1, 2, 3, 4, 5], 
   [4, 5, 6, 7, 8], 
   [5, 6, 7, 8, 9], 
   [10, 11, 14, 15, 17]
])
arr[1:3, 1:3] = 10
print(arr)
>>>[[ 1   2   3   4   5]
[ 4  10  10   7   8]
[ 5  10  10   8   9]
[10  11  14  15  17]]

---

📌기초문제

📝기초문제1 - 2차원 배열 슬라이싱 연습 1

• 문제풀이
  2차원 배열의 슬라이싱을 통해 변경하려는 구간에 접근합니다.
  그 후 브로드캐스팅을 통해 곱하기2를 한 후 값을 대입합니다.

• 풀이 코드

def solution(arr, y1, x1, y2, x2):
    arr[y1:y2+1,x1:x2+1] = arr[y1:y2+1,x1:x2+1] *2
    
    return arr

*앞으로의 모든 문제에서 import numpy as np는 생략하겠습니다.

---

📝기초문제2 - y = w^T + b

• 문제풀이
  np.dot()을 이용해 두 배열릐 곱을 구한 후 브로드캐스팅을 통해 b를 더해줍니다.

• 풀이 코드

def solution(x, w, b):
    answer = 0
    answer = np.dot(x,w) + b
    return answer

---

📝기초문제3 - 롤러코스터

• 문제풀이
  배열의 인덱싱을 활용하여 키와 몸무게에 접근한 후 if문을 통해 탑승 불가한 인덱스를 answer배열의 append합니다.

• 풀이 코드

def solution(info):
    answer = []
    for i in range(len(info[0])):
        if info[0, i] <= 150 or info [0, i] >= 195 or info[1,i] >= 140:
            answer.append(i)
    return answer

---

📝기초문제4 - 행렬 곱 실습문제

• 문제풀이
  A와 arr의 행렬곱 연산이 가능할 때는 A의 열의 길이와 arr의 행의 길이가 같을 때이므로 조건문에 이 조건을 넣고 np.dot()와 브로드캐스팅을 이용하여 연산을 진행한다.

-풀이 코드

def solution(arr_list):
    A = np.array([[0]])
    for arr in arr_list:
        if len(A[0]) == len(arr):
            A = np.dot(A + 1, arr * 2)
            
    answer = A
    return answer

---

📝기초문제5 - 이미지 변환

• 문제풀이
  3차원배열 슬라이싱을 통해 각각 R,G,B구간을 설정하고 브로드캐스팅을 통해 각 구간에 대한 연산을 진행한 후 흑백이미지를 나타내는 2차원 배열로 저장한다.

• 풀이 코드

def solution(img):
    H = len(img)
    W = len(img[0])

    R = img[:,:,0]
    G = img[:,:,1]
    B = img[:,:,2]
    
    answer = R * 0.3 + G * 0.5 + B * 0.2
    return answer

📌Numpy의 특별한 관계연산

관계연산

파이썬 객체 사이에 >, <, ==등 관계 연산자들을 사용하면 연산 결과로 True, False가 나옵니다. 그러나 numpy.ndarray타입의 배열에 관계 연산자를 사용하면 관계 연산의 결과가 하나의 bool타입의 값이 아닌 배열로 나옵니다.
다음은 관계연산의 실습 코드입니다.

A = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1])
B = (A >= 4)
print(B)
>>>[False False False  True  True  True False False False]

A에 관계 연산자 >=를 사용하여 연산한 결과를 B에 넣어준 결과 A에서 4 이상의 값을 가진 요소는 True, 4 미만의 값을 가진 요소는 False를 가지는 배열 B가 생성된 것을 알 수 있습니다.

즉, 배열에 관계 연산자를 사용하면 배열에서 조건을 만족하는 요소는 True, 만족하지 않다면 False인 numpy.ndarray 타입의 배열로 연산 결과가 나옵니다.

2개 이상의 조건식

Numpy에서 논리 연산자를 사용하여 여러 조건식을 결합할 때, and 및 or가 아닌 & 및 |를 사용합니다.

다음은 실습 코드입니다.

A = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1])
print((A > 1) & (A <= 3))
>>>[False  True  True False False False  True  True False]
print((A > 3) | (A < 2))
>>>[ True False False  True  True  True False False  True]

📌bool indexing

관계 연산자를 통해 얻은 bool 요소로 이루어진 배열을 인덱스로 사용하여 배열에서 특정값들을 추출해보았습니다.

다음은 실습 코드입니다.

A = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1])
B = (A >= 4)
print(A[B])
>>>[4 5 4]

A에서 관계 연산자를 통해 4 이상의 요소는 True, 4 미만의 요소는 False인 bool 배열 B를 생성합니다. 그리고 B를 A의 인덱스로 넣어준다면 True인 요소들(4, 5, 4)만 추출합니다.

특정 구간의 해당하는 요소 값들을 변경할 수도 있습니다.

A = np.array([1, 2, 3, 4, 5, 4, 3, 2, 1])

A[(A > 1) & (A <= 3)] = 0
print(A)
>>>[1 0 0 4 5 4 0 0 1]

bool 배열 내 True 요소와 동일한 위치에 있는 A 내 요소의 값들을 0으로 변경했습니다.

---

📌np.matmul()

이전에는 np.dot()를 이용하여 행렬곱 연산을 실행했습니다. 하지만 3차원이상의 배열에서 행렬곱 연산을 실행할 때 np.dot()을 사용하면 의도한 것과는 다른 답이 출력됩니다.
고차원 배열에서 Numpy의 np.dot()와 np.matmul()메소드를 살펴보고 둘의 차이점에 대해 알아보았습니다.

np.dot()와 np.matmul()의 차이

2 x 2 x 2 모양을 가진 3차원 두 배열을 생성하고 np.dot()과 np.matmul()를 사용하여 연산해보겠습니다.

A = np.array([
        [[3, 1], 
        [3, 3]], 

        [[1, 1], 
        [3, 2]]])
B = np.array([
        [[3, 3],
        [3, 3]],

        [[1, 3],
        [2, 1]]])

print(np.dot(A, B))
>>>[[[[12 12]
   [ 5 10]]

  [[18 18]
   [ 9 12]]]


 [[[ 6  6]
   [ 3  4]]

  [[15 15]
   [ 7 11]]]]

print(np.matmul(A, B))
>>>[[[12 12]
  [18 18]]

 [[ 3  4]
  [ 7 11]]]

• np.dot()의 연산과정
  
  np.dot()은 각 A의 행 벡터와 B의 열 벡터끼리 모두 내적 연산을 합니다.
  예를 들어, A의 첫 번째 행렬 [[3 1][3 3]]에서 행 벡터 [3 1]은 B의 첫 번째 행렬과 두 번째 행렬에 있는 모든 열 벡터 [3 3], [3 3], [1 2], [3 1]와 내적 연산을 하여 2차원 배열 [[12 12][5 10]]을 도출합니다.

• np.matmul()의 연산과정
  
  np.matmul()은 뒤에서 2개의 차원에 해당하는 배열끼리 행렬 곱 연산을 합니다. 예를 들어, A의 첫 번째 행렬 [[3 1][3 3]]과 B의 첫 번째 행렬[[3 3][3 3]]끼리 연산하여 2차원 배열 [[12 12][18 18]]을 도출합니다.
  *np.matmul() 대신 @ 연산자를 사용할 수 있습니다.

---