Numpy fundamentals 2/2

🎅 numpy는 필수적으로 알아야 하는 library로, 수학 연산 관련해서 반드시 쓰이는 library. 옛날 포스팅에 이어서 numpy 관련 다양한 기능을 익혀보자!

 

NumPy intro. + fundamentals 1/2

---

1. numpy 배열 생성 다양한 함수

* 배열 생성 및 초기화 함수

🎅 zeros() - 주어진 형태와 타입을 갖는 0으로 채워진 배열 반환 (지정된 shape 배열을 생성하고 모든 요소를 0으로 초기화)

np.zeros(shape,dtype=float,order='C')

 

a=np.zeros(10)
a 
#array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

b=np.zeros((3,3))
b
'''
array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])
'''

 

🎅 ones() - 주어진 형태와 타입을 갖는 1로 채워진 배열 반환 (지정된 shape의 배열 생성하고 모든 요소 1로 초기화)

np.ones(shape, dtype=None, order='C')

 

c=np.ones(5)
c
#array([1., 1., 1., 1., 1.])

d=np.ones((2,3))
d
'''
array([[1., 1., 1.],
       [1., 1., 1.]])
'''

 

🎅 full() - 모든 요소를 지정한 값으로 초기화 (지정된 shape의 배열을 생성하고, 모든 요소를 fill_value로 초기화)

np.full(shape, fill_value, dtype=None, order='C')

 

e=np.full((3,4),1.5)
e

'''
array([[1.5, 1.5, 1.5, 1.5],
       [1.5, 1.5, 1.5, 1.5],
       [1.5, 1.5, 1.5, 1.5]])
'''

 

🎅 eye() - 단위 행렬(정사각행렬) 생성
(* 정사각행렬 - 주대각선의 원소가 모두 1이고, 나머지 원소는 모두 0인 정사각형 행렬)

np.eye(N,M=None, k=0, dtype=<class 'float'>)

 

f = np.eye(3)
f
'''
array([[1., 0., 0.],
       [0., 1., 0.],
       [0., 0., 1.]])
'''

* 생성한 값으로 배열을 생성하는 함수

🎅 arange() - start부터 stop 미만까지 step 간격으로 데이터를 생성한 후 배열을 만듦. 범위 내에서 간격을 기준 균등 간격의 배열 요소의 개수가 아닌, 데이터의 간격을 기준으로 배열 생성

numpy.arange([start, ]stop, [step, ]dtype=None, *, like=None)

 

a=np.arange(1,21)
a
#array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20])

a=np.arange(1,21,5)
a
#array([ 1,  6, 11, 16])

 

🎅 linspace() - start부터 stop의 범위에서 num개를 균일한 간격으로 데이터를 생성하고, 배열을 만드는 함수, 배열 요소 개수를 기준으로 균등 간격 배열 생성

numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)

 

b=np.linspace(1,101,5)
b #array([  1.,  26.,  51.,  76., 101.])

 

🎅 logspace() - log scale의 linspace 함수. log scale로 지정된 범위에서 num 개수만큼 균등 간격으로 데이터를 생성하고 배열 만듦

numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None, axis=0)

 

c=np.logspace(np.log10(10),np.log10(100),5)
c
#array([ 10.        ,  17.7827941 ,  31.6227766 ,  56.23413252, 100.        ])

d=np.logspace(1,2,5)
d
#array([ 10.        ,  17.7827941 ,  31.6227766 ,  56.23413252, 100.        ])

* 난수 기반 배열 생성

👕 np library의 random module의 여러 함수를 사용!

 

👕 random() - 균등분포의 0 ~ 1사이에서 랜덤하게 추출

e=np.random.random()
e
#0.29012953071795633


f=np.random.random((4,4))
f
'''
array([[0.75228104, 0.44754325, 0.59295188, 0.52459755],
       [0.29038476, 0.26463718, 0.90001467, 0.67435909],
       [0.35206165, 0.94948684, 0.05609491, 0.75023364],
       [0.84575654, 0.08500627, 0.93769984, 0.85128577]])
'''

 

👕 randint(a,b) - a부터 b사이의(a이상 b이하) 랜덤한 정수 추출

g=np.random.randint(1,10)
g #7

g=np.random.randint(1,10, (4,4))
g
'''
array([[3, 6, 2, 6],
       [5, 2, 8, 8],
       [3, 1, 7, 8],
       [3, 7, 2, 9]])
'''

 

👕 rand() - 주어진 shape에 맞게 각 element에 랜덤한 원소 추출

h=np.random.rand(3,3)
h
'''
array([[0.63293408, 0.47357913, 0.49762324],
       [0.57856465, 0.13234599, 0.45052694],
       [0.17399688, 0.31530116, 0.58504013]])
'''

 

👕 randn() - 위 rand()와 똑같으나, 표준정규분포에서 랜덤한 원소를 추출

i=np.random.randn(3,3)
i
'''
array([[-0.44726986, -0.48241921, -0.17961261],
       [ 1.63555379,  0.93241279, -0.071047  ],
       [ 0.36149075,  0.48039173, -1.01427038]])
'''

 

👕 normal() - 가우시안(정규) 분포에서 랜덤한 수를 추출 (추후 통계 포스팅에서 만나봄!)

2. numpy 배열 속성

👓 ndim - 배열 차원 수 또는 배열의 축 수

arr=np.arange(1,6)
print(arr.ndim) #1

 

👓 shape - 배열 각 차원의 크기를 tuple 형태로 표현

arr.shape #(5,)

 

👓 size - 배열 원소의 개수

arr.size #5

 

👓 dtype - 배열 내의 원소의 data type

arr.dtype #dtype('int32')

 

👓 itemsize - 배열 내의 원소의 크기를 byte 단위로 기술

arr.itemsize
#4

 

👓 nbytes - 배열 전체 byte

arr.nbytes #20

3. numpy 배열 조회

※ numpy 배열도 python list처럼 indexing & slicing 모두 가능 ※

arr2d=np.arange(9).reshape((3,3))

arr2d
'''
array([[0, 1, 2],
       [3, 4, 5],
       [6, 7, 8]])
'''
arr2d[0,1] #1
arr2d[0] #array([0, 1, 2])

arr2d[0,0]=10
arr2d
'''
array([[10,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8]])
'''

a2=np.arange(1,25).reshape((4,6))
a2

a2[1] #array([ 7,  8,  9, 10, 11, 12])

a2[1:3,1:5]
'''
array([[ 8,  9, 10, 11],
       [14, 15, 16, 17]])
'''

a2[:3,:]
'''
array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12],
       [13, 14, 15, 16, 17, 18]])
'''

a2[:3,::-1]
'''
array([[ 6,  5,  4,  3,  2,  1],
       [12, 11, 10,  9,  8,  7],
       [18, 17, 16, 15, 14, 13]])
'''

a2[::-1,::-1]
'''
array([[24, 23, 22, 21, 20, 19],
       [18, 17, 16, 15, 14, 13],
       [12, 11, 10,  9,  8,  7],
       [ 6,  5,  4,  3,  2,  1]])
'''

#boolean indexing
a=np.arange(1,6)
b=[True, False, False, True, False]
a[b] #array([1, 4])

a = np.arange(11)
a[a<5] #array([0, 1, 2, 3, 4])
a[(a>5) & (a%2==0)] #array([ 6,  8, 10])
a[~(a%3==0)] #array([ 1,  2,  4,  5,  7,  8, 10])

---

* 출처)

- 강의명: 2023 DAS(디지털애널리틱스융합과정) 사전교육 - Python 기초

- 교수자: 이정원