Numpy (Numerical Python)

• 과학계산에서 많이 사용하는 선형대수의 계산식을 파이썬으로 구현할 수 있도록 도와주는 라이브러리
• 파이썬의 고성능 과학 계산용 패키지
• Matrix와 Vector와 같은 Array연산의 사실상의 표준
  -> 가상환경 생성 후 numpy install

ndarray

numpy와 array의 메모리 사용 차이

• Numpy array
  • 데이터가 차례대로 메모리의 어떤 공간에 할당 -> 연산의 용이함, 메모리의 접근성 좋음
  • 메모리의 크기가 일정해 데이터 저장 공간을 잡기 효율적
    
    

• Python List
  • $-5$~$256$까지의 값이 메모리의 어떤 static한 공간에 존재
  • 값 자체(ex. 7, 8, 9)가 아니라 값의 주소값(ex. 0x310718, 0x310748, 0x310730)이 List에 차례대로 저장된다.
  • 주소값에서 한 번 더 들어가야 값을 찾을 수 있는 구조 (리스트의 변형이 쉽다.)

shape, dtype

---

shape

---

dtype

Handling shape

reshape

---

flat or flatten()

---

indexing & slicing

indexing

slicing

• start : end : step

creation function

arange()

---

ones, zeros and empty

• shape는 항상 튜플(tuple)의 형태로 적어주어야 한다.
  -> memory initialization 되지 않아 주소값만 잡게 되고 실행시킬 때마다 다른 값이 출력됨 (실행시킬 때마다 새로운 주소값을 잡는 것)
  -> 이전 값들은 남아있다. (garbage collection)
  
  

---

identity

• n = a : a by a matrix 생성

---

eye

• n : 행(row)
• m : 열(column)
• k : start index

---

diag

---

random

operation function

axis

-> 항상 새롭게 생성된 축이 axis=0이 된다.

---

sum

-> 연산이 가능하다는 것에 주목!

---

mean & std

---

etc

---

concatenate

stack

concatenate

• np.newaxis : 새로운 축을 하나 추가

array operation

---

Element-wise operations

---

Dot product

---

transpose

---

broadcasting

-> 연산시, 주의!

---

numpy performance

comparisons

All & Any

---

comparison operation

• broadcasting(shape이 다른 array 간 연산)
• Element-wise operations(shape이 같은 array의 연산)
  -> 두가지 모두 발생

---

np.where

---

argmax & argmin

---

boolean & fancy index

boolean

fancy

numpy data i/o(in and out)

loadtxt & savetxt

---

Review

• numpy 모듈의 호출 : import numpy as np

• array의 생성 : np.array(a, int)

• array shape

  • .shape : array(배열)의 크기, 형태 (tuple)
  • .ndim : dimensions(차원)의 개수
  • .size : data의 개수

• numpy dtype

  • .dtype : data type (이에 따라 memory의 크기가 결정됨)
  • .nbytes : 메모리 크기 반환

• Handling shape

  • .reshape() : array shape 변경
  • .flatten() : 다차원 -> 1차원
  • indexing : [0,0] or [0][0]
  • slicing : [row:column:step]

• Creation function

  • np.arange(start, end, step) : 범위 지정하여 값의 list 생성
  • np.zeros(shape=(), dtype, order) : 0으로 가득찬 ndarray 생성
  • np.ones(shape=(), dtype, order) : 1로 가득찬 ndarray 생성
  • np.empty(shape=(), dtype, order) : shape만 주어지고 비어있는 ndarray 생성
  • np.something_like(array) : 기존 ndarray의 shape 크기 만큼 1, 0 또는 empty array 반환
  • np.identity(n, dtype) : 단위 행렬 생성
  • np.eye(n, m, k, dtype) : 대각선이 1인 행렬, k값=시작 index
  • np.diag(matrix, k) : 대각 행렬의 값 추출
  • np.random : 데이터 분포에 따른 sampling으로 array 생성

• operation function

  • axis : 모든 operation function을 실행할 때 기준이 되는 dimension 축
  • sum, mean, std : array의 합, 평균, 표준편차 연산
  • vstack, hstack, concatenate : numpy array를 합치는(붙이는) 함수
  • np.newaxis : array에 새로운 축 추가

• array operation

  • +, -, * : array간의 사칙 연산 지원
  • element-wise operations : array간 shape이 같을 때 일어나는 연산
  • .dot() : Matrix의 기본 연산
  • .transpose() / .T : array의 축 바꾸기 (전치행렬)
  • broadcasting : Shape이 다른 배열 간 연산 지원 기능 (Scalar-vector, vector-matrix)
  • %timeit : jupyter환경에서 코드의 퍼포먼스 체크하는 함수

• Comparisons

  • np.all(), np.any : array의 데이터 전부(and) 또는 일부(or)의 조건 만족 여부 반환
  • comparison operation : numpy는 배열의 크기가 동일할 때 element간 비교의 결과를 Boolean type으로 반환한다.
  • np.where(condition, TRUE, FALSE) : 조건에 따라 테스트한 후 결과는 지정값으로 채워진 array로 반환
  • np.where(condition) : Index 값 반환
  • np.isnan(array) : NAN인지 아닌지 테스트한 후 결과는 부울 array로 반환
  • np.isfinite(array) : 유한 요소 (무한이 아니거나 숫자가 아님)에 대해 요소별로 테스트한 후 결과는 부울 array로 반환
  • np.argmax(), np.argmin() : array내 최대값 또는 최소값의 index 반환
  • boolean index -test_array[test_array > 3] : 조건이 True인 index의 element만 추출
  • fancy index - a[b] / a.take(b) / a[b,c] : array를 index value로 사용해서 값 추출(matrix 형태의 데이터도 가능)

• numpy data i/o

  • np.loadtxt()
  • np.savetxt()
  • np.save()
  • np.oad()