Numerical Python - Numpy

Keywords

• numpy
• ndarray
• handling shape
• indexing
• slicing
• creation function
• operation functions
• array operations
• comparisons
• boolean index
• fancy index
• numpy data i/o

---

Numpy

numpy(numerical python)

• 파이썬의 고성능 과학 계산용 패키지
• matrix와 vector와 같은 array 연산의 사실상의 표준
• 일반 List에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열에 대한 처리를 지원함
• 선형대수와 관련된 다양한 기능을 제공함
• C, C++, 포트란 등의 언어와 통합 가능

1. ndarray

import

import numpy as np

Array creation

test_array = np.array([1, 4, 5, 8], float)
print(test_array)
## array([1., 4., 6., 8.])

type(test_array[3])
## numpy.float64

• numpy는 np.array 함수를 이용하여 배열을 생성함 -> ndarray
• numpy는 하나의 데이터 type만 배열에 넣을 수 있음
• List와 가장 큰 차이점: Dynamic typing not supported
• C의 Array를 사용하여 배열을 생성함

test_array = np.array([1, 4, 5, "8"], float) # String Type의 데이터를 입력해도
test_array
## array([1., 4., 5., 8.])

type(test_array[3]) # Float Type으로 자동 형변환을 실시
## numpy.float64

test_array.dtype # Array(배열) 전체의 데이터 Type을 반환함
## dtype('float64')

test_array.shape # Array(배열)의 shape을 반환함
## (4,)

Array shape

Array (vector, matrix, tensor)의 크기, 형태 등에 대한 정보

• vector

vector = np.array([1, 4, 5, 8], float)
vector.shape
## (4,)

• matrix

matrix = [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]
np.array(matrix, int).shape
## (3, 4)

• 3rd order tensor

tensor = [[[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]]
np.array(tensor, int).shape
## (4, 3, 4)

Array shape - ndim & size

ndim: number of dimension
size: data의 개수

np.array(tensor, int).ndim
np.array(tensor, int).size

Array dtype

• ndarray의 single element가 가지는 data type
• 각 element가 차지하는 memory의 크기가 결정됨

# Data type을 integer로 선언
np.array([[1, 2, 3], [4.5, 5, 6]], dtype=int)
## array([[1, 2, 3],
##		  [4, 5, 6]])

# Data type을 float로 선언
np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.float32)
## array([[1. ,  2. ,  3. ],
##		  [4.5,  5. ,  6. ]], dtype=float32)

• C의 data type과 compatible
  

• nbytes - ndarray object의 메모리 크기를 반환함

np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.float32).nbytes
## 32 bits = 4 bytes -> 6 * 4 bytes
## 24

np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.int8).nbytes
## 8 bits = 1 bytes -> 6 * 1 bytes
## 6

np.array([[1, 2, 3], [4.5, "5", "6"]], dtype=np.float64).nbytes
## 64 bits = 8 bytes -> 6 * 8 bytes
## 48

2. Handling shape

reshape

• Array의 shape의 크기를 변경함 (element의 개수는 동일)
  

test_matrix = [[1, 2, 3, 4], [1, 2, 5, 8]]
np.array(test_matrix).shape
## (2, 4)

np.array(test_matrix).reshape(8,)
## array([1, 2, 3, 4, 1, 2, 5, 8])

np.array(test_matrix).reshape(8,).shape
## (8,)

• Array의 size만 같다면 다차원으로 자유로이 변형가능

np.array(test_matrix).reshape(2,4).shape
## (2, 4)

np.array(test_matrix).reshape(-1,2).shape
## (4, 2)

np.array(test_matrix).reshape(2, 2, 2)
## array([[[1, 2],
##		   [3, 4]],
##
##		  [[1, 2],
##		   [5, 8]]])

np.array(test_matrix).reshape(2, 2, 2).shape
## (2, 2, 2)

flatten

• 다차원 array를 1차원 array로 변환
  

test_matrix = [[[1, 2, 3, 4], [1, 2, 5, 8], [[1, 2, 3, 4], [1, 2, 5, 8]]]
np.array(test_matrix).flatten()
## array([1, 2, 3, 4, 1, 2, 5, 8, 1, 2, 3, 4, 1, 2, 5, 8])

3. Indexing & slicing

Indexing

• List와 달리 이차원 배열에서 [0, 0] 과 같은 표기법을 제공함
• Matrix일 경우 앞은 row, 뒤는 column을 의미함

a = np.array([[1, 2, 3], [4.5, 5, 6]], int)
print(a)
## [[1 2 3]
##  [4 5 6]]

print(a[0, 0]) # Two dimensional array representation #1
## 1

print(a[0][0]) # Two dimensional array representation # 1
## 1

a[0, 0] = 12 # Matrix 0,0에 12 할당
print(a)
## [[12  2  3]
##  [ 4  5  6]]

a[0][0] = 5 # Matrix 0,0에 5 할당
print(a)
## [[5 2 3]
##  [4 5 6]]

Slicing

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

a[:, 2:]

a[:, 2:] # 전체 row의 2열 이상
## array([[ 3,  4,  5],
##        [ 8,  9, 10]])

a[1, 1:3]

a[1, 1:3] # 1 row의 1열 ~ 2열
## array([7, 8])

a[1:3]

a[1:3] # 1 row ~ 2 row의 전체
## array([[ 6,  7,  8,  9, 10]])

4. creation function

arange

• arange
  • array의 범위를 지정하여, 값의 list를 생성하는 명령어
  • List의 range와 같은 효과, integer로 0부터 29까지 배열추출

np.arange(30) 
## array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16
## 		  17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30])

np.arange(0, 5, 0.5) # floating point도 표시가능함
## array([ 0. , 0.5, 1. , 1.5, 2. , 2.5, 3. , 3.5)

np.arange(30).reshape(5, 6)

ones, zeros and empty

something_like

identity

eye

diag

random sampling

5. operation functions

sum

axis

mean & std

mathematical functions

concatenate

6. array operations

operations b/t arrays

element-wise operations

dot product

transpose

broadcasting

numpy performance #1

numpy performance #2

7. comparisons

all & any

comparison operation #1

comparison operation #2

np.where

argmax & argmin

8. boolean & fancy index

boolean index

fancy index

9. numpy data i/o

loadtxt & savetxt

numpy object - npy

---

References

• cs231
• Python numpy 강좌
• 파이썬 라이브러리를 활용한 데이터 분석