*썸네일은 YBG님이 공유해주신 어디선가 본 메모이제이션(memoization)의 제일 신박해보이는 코드
오늘의 학습 리스트
LMS
-
파이썬 배열은 동적 배열(변수 할당 시 크기를 지정 안 해줘도 됨)
-
아
list와array는 서로 다르단다...
: 리스트는 array 와는 다르게 연속된 위치가 아닌 떨어진 영역에 저장된다는 점(입력, 삭제 시array는 일렬로 저장되어 있어서 계속 밀고 당기고 함.) -
import array로 파이썬의 자체 어레이 타입은 불러와야 함(built-in 아님) -
array,numpy는 요소들끼리 같은 타입이어야 함 -
Numpy!
-
type이 다 같아야 해서 str 들어가면 다 str으로 바뀜
C = np.array([0,1,2,3,'4']) >>> ['0' '1' '2' '3' '4'] -
type()과numpy.array.dtype()의 차이가 있음
: dtype은 해당 어레이 원소들의 데이터 타입을 알려줌 -
뭐가 섞여 있으면 그냥
objectdtype으로 반환D = np.array([0, 1, 2, 3, [4, 5], 6]) # 이런 ndarray도 만들어질까요? print(D) print(D.dtype) print(type(D)) >>> [0 1 2 3 list([4, 5]) 6] object <class 'numpy.ndarray'> -
str끼어 있으면int를str로 바꾸지만,object에서는int를 살려둠
-
C = np.array([0,1,2,3,'4',5])
print(C[0])
print(type(C[0]))
print(C[4])
print(type(C[4]))
print("------------------------------")
D = np.array([0,1,2,3,[4,5],6], dtype=object)
print(D[0])
print(type(D[0]))
print(D[4])
print(type(D[4]))
>>>
0
<class 'numpy.str_'>
4
<class 'numpy.str_'>
------------------------------
0
<class 'int'>
[4, 5]
<class 'list'>- 리스트의 '+' 연산자는 concatenate, ndarray는 브로드캐스팅 혹은 산수 연산
arr.T와arr.transpose()랑 뭔가 다름
:arr.T는 0번째, -1번째 축을 서로 바꾸고arr.transpose()는 바꾸는 축을 지정할 수 있는 것 같다.numpy의 arithmetic operator +,-,*,/은 기본적으로 position-wise로 실행됨hash의 개념 : Hash란 Key와 Value로 구성되어 있는 자료 구조로 두 개의 열만 갖지만 수많은 행을 가지는 구조체- Pandas!
Series도 구조형 데이터이다(인덱스, 값으로 구조가 된다)Series에dict를 넣으면 키가 인덱스가 된다pd.DataFrame.info()는 각column들의 Null 값과 자료형을 보여줌- 범주형 데이터의 컬럼은
pd.DataFrame[컬럼명].value_counts()로 각 범주별 갯수 확인 가능
풀잎스쿨
- 재귀함수
: 최대 재귀 깊이(maximum recursion depth)가 1,000개로 정해져 있다.
: stack overflow를 방지하기 위해 memoization 사용할 수 있음 lambdafilter(함수, iterable)
: 여기서 함수는True,False를 반환하는 함수여야 하는 것 같다
: 그래서 iterable에서 True인 것만 filter해낸다.
reduce(함수, iterable)에서 함수의 반환값이 1개든 2개든 iterable의 요소를 왼쪽부터 끝까지 줄여가면서 꺼내준다.
# 예시코드 1
def f(x,y):
return x + y # 인자로 2개 받고 반환 1개
a = [1,2,3,4,5,6,7]
from functools import reduce
reduce(f,a)
>>> 28
# 예시코드 2
def f(x,y):
return x, y # 인자로 2개 받고 반환 2개
a = [1,2,3,4,5,6,7]
from functools import reduce
reduce(f,a)
>>> ((((((1, 2), 3), 4), 5), 6), 7)-
reduce()는 약간 직관적으로 알아보기 힘들고,for loop으로 하는 게 더 빨라서 퇴화되어 가는 함수인 듯하다. -
이미지 -> Numpy 행렬로 변환하기
1)Image모듈 불러오기
2)Image.open(path)로 불러오고 객체 만들기
3) 그 객체를np.array(객체명)에 넣으면 행렬로 바뀐 게 반환됨 -
*args,**kwarg의 개념(함수 정의할 때 arguments 자리에 넣는 것들)
:*args은 muliple values가 오게끔 자리를 만들어 놓음
:**kwarg은 muliple key_value paris가 오게끔 자리를 만들어 놓음
# 예시코드
def personal_info(**kwargs):
for kw, arg in kwargs.items():
print("key :", kw, "|", "value :", arg)
personal_info(name='DJ', age=18, sex='male') # 꼭 이런 형태여야 하는 듯
>>>
key : name | value : DJ
key : age | value : 18
key : sex | value : male
my_info = {'city':'Yongin', 'street':'Moonjeong_ro', 'house_num':'101-104'}
personal_info(my_info) # 딕셔너리 형태로 넣으면 위치인수로 인식
>>>
TypeError: personal_info() takes 0 positional arguments but 1 was given
질문
np.random.uniform에서 균등분포는 찾아보니 값이 다 같다는데, 왜 코딩 출력값은 다른걸까?
더 공부할 것
list슬라이싱과ndarray슬라이싱 방법이 헷갈린다...
:list에서는 [] 안에 integer 혹은 slices만 들어가란다..(, 안됨)
:list[a:b:c]에서 a : start / b : stop(not included) / c : stepnumpyndarray의 표현 순서
예) (4,3,2) -> 표현 되는 건, 4 : 깊이 / 3 : 행 / 2 : 열
그런데 실제로는 이게 (2, 3, 4)로 표현되어야 하는 거...?
이미지를 행렬화 하면 (Height, Width, Depth)
=> 가로(212px), 세로(300px), 컬러(RGB) 이미지를Image로 가져와서np.array(img 객체)넣어주면
=>img.shape >>> (300, 212, 3)pd.DataFrame.var와pd.DataFrame.var()의 차이는 뭘까?pd.Series.argmin()과pd.Series.idxmin()의 차이(헷갈린다...)
=> arg는 최소, 최대값 자체를 반환해주고, idx는 그 값들의 인덱스를 반환해준다.
