[머신러닝 인강] 3. 데이터 처리를 위한 Python(1)

numpy 모듈 & ndarray 이해하기

• 성능 : 파이썬 리스트보다 빠름
• 메모리 사이즈 : 파이썬 리스트보다 적은 메모리 사용
• 빌트인 함수 : 선형대수, 통계관련 여러 함수 내장

import numpy as np
import matplotlib as plt

x = np.array([1, 2, 3])
y = np.array([2, 4, 6])

print(x) # [1 2 3]
print(y) # [2 4 6]

numpy 모듈 함수 이용

np.array 함수로 생성하기

import numpy as np

x = np.array([1, 2, 3, 4])
print(x)
y = np.array([[2, 3, 4], [1, 2, 5]])
print(y)
print(type(y))

"""
[1 2 3 4]
[[2 3 4]
 [1 2 5]]
<class 'numpy.ndarray'>
"""

np.arange 함수로 생성하기

import numpy as np

np.arange(10)
# array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(1, 10)
# array([1, 2, 3, 4, 5, 6, 7, 8, 9])

np.arange(1, 10, 2)
# array([1, 3, 5, 7, 9])

np.arange(5, 20, 5)
# array([ 5, 10, 15])

np.ones, np.zeros로 생성하기

import numpy as np

np.ones((3, 4))
# array([[1., 1., 1., 1.], [1., 1., 1., 1.], [1., 1., 1., 1.]])

np.ones((2, 2, 2))
"""
array([[[1., 1., 1.],
        [1., 1., 1.]],

       [[1., 1., 1.],
        [1., 1., 1.]]])
"""
np.zeros((3,5))
"""
array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])
"""

np.empty, np.full로 생성하기

np.empty((3, 4))
"""
array([[1., 1., 1., 1.],
       [1., 1., 1., 1.],
       [1., 1., 1., 1.]])
"""
np.full((3, 2), 7)
"""
array([[7, 7],
       [7, 7],
       [7, 7]])
"""

np.eye로 생성하기

• 단위 행렬 생성

np.eye(3)
"""
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
"""

np.linespace로 생성하기

np.linspace(1, 10, 3)
# array([ 1. ,  5.5, 10. ])

np.linspace(1, 10, 4)
# array([ 1.,  4.,  7., 10.])

np.linspace(1, 10, 5)
# array([ 1.  ,  3.25,  5.5 ,  7.75, 10.  ])

reshape 함수 활용

• ndarray의 형태, 차원을 바꾸기 위해 사용

x = np.arange(1, 16)
print(x)

x.reshape(3, 5)

"""
[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15]])
"""

random 서브 모듈 함수 이용

rand 함수

• 0, 1사이의 분포로 랜덤한 ndarray 생성

import numpy as np

np.random.rand(2, 3)
"""
array([[0.8596183 , 0.62532376, 0.98240783],
       [0.97650013, 0.16669413, 0.02317814]])
"""

randn 함수

• n: normal distribution(정규분포)
• 정규분포로 샘플링된 랜덤 ndarray 생성

import numpy as np

np.random.randn(5)
# array([-1.69751436, -0.33407334,  0.88470927,  0.20456871, -1.086702  ])

np.random.randn(3, 4)
"""
array([[ 0.44756853, -0.93118759,  0.46549303, -0.32103462],
       [-0.69280955, -1.59401986, -1.54582636,  0.11431481],
       [-0.39335493, -1.58291022,  0.72940243,  0.3318997 ]])
"""

randint 함수

• 특정 정수 사이에서 랜덤하게 샘플링

import numpy as np

np.random.randint(1, 100, size=(3, 5))
"""
array([[25, 94, 59, 29, 83],
       [83,  8, 95,  3, 64],
       [ 3, 88, 18, 91, 94]])
"""

seed 함수

• 랜덤한 값을 동일하게 다시 생성하고자 할 때 사용

import numpy as np

np.random.seed(100)
np.random.randn(3, 4)

choice

• 주어진 1차원 ndarray로 부터 랜덤으로 샘플링
• 정수가 주어진 경우, np.arange(해당숫자)로 간주

import numpy as np

np.random.choice(100, size=(3, 4))
"""
array([[83,  4, 91, 59],
       [67,  7, 49, 47],
       [65, 61, 14, 55]])
"""
x = np.array([1, 2, 3, 1.5, 2.6, 4.9])
np.random.choice(x, size=(2, 2), replace=False)
"""
array([[1. , 2.6],
       [2. , 4.9]])
"""

확률분포에 따른 ndarray 생성

• uniform
• normal 등

import numpy as np

np.random.uniform(1.0, 3.0, size=(3, 4))
"""
array([[2.76970659, 1.71901569, 2.19771789, 1.70959122],
       [1.68038043, 1.35616198, 1.47538842, 1.08972456],
       [2.01086286, 1.75250491, 2.1856108 , 2.25988375]])
"""
np.random.normal(size=(3, 4)) # np.random.randn(3, 4)
"""
array([[-0.43760186, -1.90579488, -1.22901933,  0.79489886],
       [-1.16050814,  0.54605552,  1.16325833,  0.65887702],
       [ 0.52368926,  1.32715607,  1.11252447, -1.07462961]])
"""

머신러닝과 데이터 분석 A-Z 올인원 패키지 Online. 👉 https://bit.ly/3cB3C8y