np.stack vs np.concatenate

• stack : 새로운 차원으로 합친다.
• concatenate : 선택한 축(axis)로 연결한다.

a = np.array([[1,2],[3,4]])			# a.shape = (2,2)
b = np.array([[5,6],[7,8]])			# b.shape = (2,2)
c = np.array([[5,6],[7,8],[9,10]])	# c.shape = (3,2)

d = np.stack((a,b),axis=0)			# d.shape = (2,2,2)
[[[1,2],[3,4]],[[5,6],[7,8]]]

e = np.concatenate((a,b),axis=0)	# e.shape = (4,2)
[[1,2],[3,4],[5,6],[7,8]]

ex) 여러 column을 합칠 때 -> 합치는 방향이 열이 되야함
new_data = np.stack([column1, column2, column3], 1)

dot vs matmul

np.dot에서 mx1행렬과 mx1행렬을 dot or matmul연산하면 알아서 1xm으로 바꿔서 스칼라 값으로 반환

np.random 난수생성

np.random.randn(r,c) - (r,c)크기의 배열을 가우시안 분포에 따라 랜덤하게 만듦
np.random.normal(size=(r,c)) - (r,c)크기의 배열을 랜덤하게 만듦
np.random.normal(loc=3,scale=0.25,size=(r,c)) - (r,c)크기의 배열을 정규 분포에 따라 랜덤하게 생성 loc은 평균 , scale은 표준편차
np.random.randint(s,e,size=(r,c)) - (r,c)크기의 배열을 s부터 e-1까지 임의의 정수로 생성