Numpy

🎱 Numpy

• Numpy
  • Numerical Python
  • 수와 관련된 Python 도구

• Numpy가 중요한 이유
  • numpy 배열(numpy array) 제공
  • Python 리스트와 유사
  • 일반 Python 코드로 처리하기 어려운 대용량 데이터 처리 용이
  • 행렬과 이차원 배열 활용

---

🎱 Numpy Array의 생김새

import numpy
array1 = numpy.array([2, 3, 5, 7, 11, 13, 17, 19, 21, 23])

type(array1)

numpy.ndarray

• numpy 모듈 불러오기
  • numpy 모듈의 array 함수 활용
  • 파라미터: Python 리스트
  • array1의 자료형: numpy.ndarray

array1.shape

(10, )

array2 = numpy.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]])
array2
array2.shape

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

(3, 4)

• 이차원 배열
  • 배열 속 배열

• ndarray
  • n-dimensional array
  • n차원 배열

• .shape
  • numpy array의 모양을 알려준다

array1.size
array2.size

10
12

• .size
  • numpy array의 요소 개수

---

🎱 Numpy Array를 만드는 다양한 방법

• Python list를 통해 생성
  • numpy 모듈의 array 메소드에 파라미터로 Python list를 넘겨주기
    • numpy array 리턴

array1 = numpy.array([2, 3, 5, 7, 11, 13, 17, 19])

print(array1)

[2 3 5 7 11 13 17 19]

• 균일한 값으로 생성
  • numpy 모듈의 full 메소드
    • 모든 값이 같은 numpy array 생성 가능

array1 = numpy.full(3, 4)

print(array1)

[4 4 4]

• 모든 값이 0인 numpy array 생성
  • full 메소드 사용
  • zeros 메소드 사용

array1 = numpy.full(4, 0)
array2 = numpy.zeros(4, dtype=int)

print(array1)
print()
print(array2)

[0 0 0 0]

[0 0 0 0]

• 모든 값이 1인 numpy array 생성
  • full 메소드 사용
  • ones 메소드 사용

array1 = numpy.full(4, 1)
array2 = numpy.ones(4, dtype=int)

print(array1)
print()
print(array2)

[1 1 1 1]

[1 1 1 1]

• 랜덤한 값들로 생성
  • numpy의 random 모듈의 random 함수 사용

array1 = numpy.random.random(4)
array2 = numpy.random.random(4)

print(array1)
print()
print(array2)

[0.46484312 0.78945153 0.14785236 0.98756213]

[0.25469853 0.46316987 0.13575436 0.94358123]

• 연속된 값들이 담긴 numpy array 생성
  • numpy 모듈의 arange 함수 사용
  • arange 함수
    • python의 기본 함수인 range와 유사
    • 파라미터 1개: 0부터 n-1까지의 값
    • 파라미터 2개: m부터 n-1까지의 값
    • 파라미터 3개: a부터 b-1까지의 값들 중 간격이 c인 값

# 파라미터 1개
array1 = numpy.arange(5)
print(array1)

# 파라미터 2개
array1 = numpy.arange(3, 6)
print(array1)

# 파라미터 3개
array1 = numpy.arange(2, 11, 2)

[0 1 2 3 4]
[3 4 5]
[2 4 6 8 10]

---

🎱 모듈 별명 지어주기

• 모듈 별명(alias) 지어주기
  • import numpy as np
  • import matplotlib.pyplot as plt

• numpy 대신 np 입력 가능
  • np.full(4,0)

---

🎱 인덱싱, 슬라이싱

• 인덱스
  • list나 array에서 몇 번째 자리인지 나타내는 값
  • 0번부터 시작

• 인덱싱
  • 인덱스를 이용해서 해당 위치에 있는 값을 받아오는 것
  • array1[0]
  • 음수 인덱스도 가능

• 리스트 인덱싱
  • array[[1,3,5]]
  • 결과: array([1번 인덱스 값, 3번 인덱스 값, 5번 인덱스 값])

• numpy array로 인덱싱

array2 = np.array[[1,3,5]]
array1[array2]

array([1번 인덱스 값, 3번 인덱스 값, 5번 인덱스 값])

• numpy array로 리스트 슬라이싱

array1[0:5]
array1[:5]

array1[3:]
array1[:5:2]

array([0번 인덱스 값, 1번 인덱스 값, ..., 4번 인덱스 값])
# 동일한 결과

array([3번 인덱스 값, ..., 마지막 인덱스 값])
array([0번 인덱스 값, 2번 인덱스 값, 4번 인덱스 값])

---

🎱 Numpy 기본 연산

• array 모든 요소에 두 배 곱하기

array1 = np.arange(6)
array1

array1 = array1 * 2

array([0, 1, 2, 3, 4, 5])
array([0, 2, 4, 6, 8, 10])

• Python 코드와 비교

for i in range(len(array1)):
    array1[i] = array1[i] * 2

• 다른 배열과 연산

array1 = np.arange(6)
array2 = np.arange(6, 11)

array1 + array2

array([6, 8, 10, 12, 14, 16])

---

🎱 Numpy 불린 연산

• numpy array 불린 연산

array1 = np.array([2,4,6,8,10])

array1 > 5 

array([False, False, True, True, True])

• where
  • True가 담긴 인덱스만 골라낸다

booleans = np.array([True, False, False, True, True])
np.where(booleans)

(array([0, 3, 4]),)

• 응용
  • 조건식에 대해 True가 담긴 인덱스만 골라내기
  • 결과적으로, 조건에 해당하는 값만 필터링 할 수 있다
  • 리스트 안에 불린 리스트가 들어가면 불린 값이 True인 인덱스의 데이터만 추출한다

filter = np.where(array1 > 4)
filter
array1[filter] # 리스트 인덱싱

(array([2, 3, 4],)
array([6, 8, 10])

---

🎱 Numpy Array vs. Python List

• 공통점
  • 여러 값을 보관한다

• 문법 차이
  • 덧셈 연산 결과
  • array + 정수 >> 각 요소에 더한 값 / 리스트 + 정수 >> 에러
  • 곱셈 연산 결과

np.array([1, 2, 3]) + np.array([4, 5, 6])
[1, 2, 3] + [4, 5, 6]

np.array([1, 2, 3]) * 3
[1, 2, 3] * 3

array([4, 7, 9])   # 값이 더해진다
[1, 2, 3, 4, 5, 6] # 리스트가 이어진다

array([3, 6, 9])             # 값이 곱해진다
[1, 2, 3, 1, 2, 3, 1, 2, 3]  # 요소를 반복한다

• 성능 차이
  • Python list
    • 자료형 상관 없이 담을 수 있다
    • 처리 속도 Down
  • numpy array
    • 같은 요소들만 담을 수 있다
    • 처리 속도 Up

import numpy as np
	from timeit import time it
    
    	x = np.arange(100000000)
        y = list(range(100000000))
        
        timeit(lambda: x * 2, number=1)
        timeit(lambda: [n * 2 for n in y], number=1)

numpy >> 0.4초
리스트 >> 6.6초

• 사용 팁
  • Python
    • 값을 추가하고 제거할 때
  • Numpy
    • 수치 계산이 많고 복잡할 때
    • 다차원 배열(행렬) 활용할 때

---

🎱 Numpy 기본 통계

• 최댓값, 최솟값
  • max 메소드와 min 메소드

import numpy as np

array1 = np.array([2, 4, 6, 8, 10])

print(array1.max())
print(array1.min())

10
2

• 평균값
  • mean 메소드

import numpy as np

array1 = np.array([2, 4, 6, 8, 10])

print(array1.mean())

6

• 중앙값
  • median 메소드
  • numpy array의 메소드가 아닌 numpy의 메소드

import numpy as np

array1 = np.array([2, 4, 6, 8, 10])
array2 = np.array([1, 3, 5, 7, 9])

print(np.median(array1))
print(np.median(array2))

6
5

• 표준편차, 분산
  • 값들이 평균에서 떨어진 정도를 나타내는 지표

import numpy as np

array1 = np.array([2, 4, 6, 8, 10])

print(array1.std())
print(array1.var())

3.16227766
10

출처: CODEIT - 데이터 사이언스 입문