🥴 Numpy (1)

📌 Numpy

수학, 과학 계산용 module을 의미한다.

import numpy as np

📌 ndarray

n차원의 배열을 의미한다. 그리고 dtype도 설정할 수 있다.

• 1차원 배열

arr1 = np.array([1,2,3,4])

• 2차원 배열

arr2 = np.array([[1,2,3,4], [5,6,7,8], [9,10,11,12], [13,14,15,16]])

np.array([1,2,3,4]) ≠ [1,2,3,4]

mylist1 = [1,2,3,4,5,6]
arr1 = np.array(mylist1) 
arr1.shape # (6, )

📌 shape

arr1.shape # (4, )
arr2. shape # (2,4)

shape를 통하여, 어떤 ndarray 인지 알 수 있다.
ex. 1차원인지 2차원인지 알 수 있다.

📌 axis

• axis의 개념

• ndarray 에서의 axis의 의미

📌 array에서의 data 타입

💛 Case 1 : 정수와 실수가 혼재되는 경우

모두 실수 형태로 변경된다.

💛 Case 2 : 정수와 실수가 혼재되는 경우 + dtype 지정해주는 경우

dtype = int 라고 지정하면, 모두 정수 형태로 변경된다.

💛 Case 3 : 정수와 문자형이 혼재되는 경우

모두 문자형으로 변경된다. 그래서 + 연산자를 이용하면 문자열이 연결된다.

💛 Case 4 : 정수와 문자형이 혼재되는 경우 + dtype 지정해주는 경우

if dtype = int 라고 설정...

• '티노킴' 같은 문자가 있으면 > Error가 뜬다.
• 그러나 '1234' 같은 숫자가 있으면 int가 가능하다.

arr = np.array([1, 3.14, '티노킴', '1234'], dtype = int) # 불가능
arr = np.array([1, 3.14, '1234'], dtype=int) # 가능

정리를 하면...

• 정수와 실수 > 실수로 변경된다. 하지만 dtype을 지정하면 원하는 형태로 변경이 가능하다.
• 정수와 문자열 > 문자열로 변경된다. 하지만 dtype을 지정하면 원하는 형태로 변경이 가능하다. 예외인 경우가 있으니, 위를 참고하여 주의하자.

😀 마무리...

shape와 axis는 ndarray에서 중요한 개념이기 때문에 잘 알아주기~!
데이터 분석 시에는 자료를 많이 다루는데, 그 때 shape를 알아야 자료의 형태를 알 수 있고
axis를 통해서 어떤 식으로 연산할지 결정할 수 있기 때문이다.