Numpy 기본

가장 많이 사용하는 것들 위주로 정리

Numpy ndarray 개요

• 머신러닝 주요 알고리즘은 선형대수와 통계 등에 기반함

• Numpy는 선형대수 기반 프로그램을 쉽게 만들 수 있는 패키지

• 루프 없이 대량의 데이터 배열 연산을 빠르게 처리

• 2차원 행과 열의 데이터 처리는 판다스(Pandas)가 더 편리

• 기반 데이터 타입 : ndarray

#pip install numpy

import numpy as np

# 파이썬의 list 값을 ndarray로 변환
array1 = np.array([1,2,3])
print('array1 type : ', type(array1)) # 1차원 리스트를 넣으면 행이 기본
print('array1 array 형태 : ', array1.shape)

array2 = np.array([[1,2,3], [2,3,4]])
print('array2 type : ',type(array2))
print('array2 array 형태 : ',array2.shape)

array3 = np.array([[1,2,3]])
print('array3 type : ',type(array3))
print('array3 array 형태 : ',array3.shape)

array1 type :  <class 'numpy.ndarray'>
array1 array 형태 :  (3,)
array2 type :  <class 'numpy.ndarray'>
array2 array 형태 :  (2, 3)
array3 type :  <class 'numpy.ndarray'>
array3 array 형태 :  (1, 3)

# ndim 차원 확인
print('array1: {:0}차원, array2: {:1}차원, array3: {:2}차원'
      .format(array1.ndim,array2.ndim,array3.ndim))

array1: 1차원, array2: 2차원, array3:  2차원

list1 = [1,2,3]
print(type(list1))
array1 = np.array(list1)
print(type(array1))
print(array1, array1.dtype)

<class 'list'>
<class 'numpy.ndarray'>
[1 2 3] int32

# 자료형이 동일 해야함
list2 = [1, 2, 'test']
array2 = np.array(list2)
print(array2, array2.dtype)

list3 = [1, 2, 3.0]
array3 = np.array(list3)
print(array3, array3.dtype)

['1' '2' 'test'] <U11
[1. 2. 3.] float64

array_int = np.array([1, 2, 3])
array_float = array_int.astype('float64')
print(array_float, array_float.dtype)

array_int1= array_float.astype('int32')
print(array_int1, array_int1.dtype)

array_float1 = np.array([1.1, 2.1, 3.1])
array_int2= array_float1.astype('int32')
print(array_int2, array_int2.dtype)

[1. 2. 3.] float64
[1 2 3] int32
[1 2 3] int32

ndarray를 편리하게 생성하기 - arange, zeros, ones

• ndarray를 연속값이나 0 또는 1로 초기화해서 생성

• 테스트용 데이터나 대규모 데이터 일괄 초기화해야 할 경우 사용

# 파이썬의 range()
sequence_array = np.arange(10)
print(sequence_array)
print(sequence_array.dtype, sequence_array.shape)

[0 1 2 3 4 5 6 7 8 9]
int32 (10,)

# 0으로 초기화 int32 
zero_array = np.zeros((3,2),dtype='int32')
print(zero_array)
print(zero_array.dtype, zero_array.shape)

# 1. 로 초기화 float64
one_array = np.ones((3,2))
print(one_array)
print(one_array.dtype, one_array.shape)

[[0 0]
 [0 0]
 [0 0]]
int32 (3, 2)
[[1. 1.]
 [1. 1.]
 [1. 1.]]
float64 (3, 2)

reshape()

• ndarray를 특정 차원 및 크기로 변환

• 1차원을 2차원으로

• 사이즈가 동일해야 변환가능 (10개 => 2x5 or 5x2) 아니면 에러

array1 = np.arange(10)
print('array1 : \n', array1)

array1 : 
 [0 1 2 3 4 5 6 7 8 9]

array2 = array1.reshape(2,5)
print('array2:\n',array2)

array2:
 [[0 1 2 3 4]
 [5 6 7 8 9]]

array3 = array1.reshape(5,2)
print('array3:\n',array3)

array3:
 [[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

# 10개로 만들 수 없는 사이즈
array1.reshape(4,3)

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-14-45509960d83f> in <module>
      1 # 10개로 만들 수 없는 사이즈
----> 2 array1.reshape(4,3)


ValueError: cannot reshape array of size 10 into shape (4,3)

# -1을 사용하면 가능한 사이즈 자동 생성
array1 = np.arange(10)
print(array1)

array2 = array1.reshape(-1,5) # 10 2 x 5
print('array2 shape:',array2.shape)
print(array2)

array3 = array1.reshape(5,-1) # 10 5 x 2
print('array3 shape:',array3.shape)
print(array3)

[0 1 2 3 4 5 6 7 8 9]
array2 shape: (2, 5)
[[0 1 2 3 4]
 [5 6 7 8 9]]
array3 shape: (5, 2)
[[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

# -1을 사용해도 불가능한 사이즈는 오류
array1 = np.arange(10)
array4 = array1.reshape(-1,4)

---------------------------------------------------------------------------

ValueError                                Traceback (most recent call last)

<ipython-input-17-5d64809779b7> in <module>
      1 # -1을 사용해도 불가능한 사이즈는 오류
      2 array1 = np.arange(10)
----> 3 array4 = array1.reshape(-1,4)


ValueError: cannot reshape array of size 10 into shape (4)

# 3개 부터는 튜플 형태로 넣어야 함
array1 = np.arange(12)
array3d = array1.reshape((3,2,2)) # 2x2가 3개 있음
print('array3d:\n',array3d.tolist())

array3d:
 [[[0, 1], [2, 3]], [[4, 5], [6, 7]], [[8, 9], [10, 11]]]

# 3차원 ndarray를 2차원 ndarray로 변환
array5 = array3d.reshape(-1,1)
print('array5:\n',array5.tolist())
print('array5 shape:',array5.shape)

# 1차원 ndarray를 2차원 ndarray로 변환
array6 = array1.reshape(-1,1)
print('array6:\n',array6.tolist())
print('array6 shape:',array6.shape)

array5:
 [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11]]
array5 shape: (12, 1)
array6:
 [[0], [1], [2], [3], [4], [5], [6], [7], [8], [9], [10], [11]]
array6 shape: (12, 1)

indexing

• 단일값 추출

# 1에서 부터 9 까지의 1차원 ndarray 생성 
array1 = np.arange(start = 1, stop = 10)
print('array1 : ', array1)

# index는 0부터 시작하므로 array1[2]는 3번째 index 위치의 데이터 값을 의미
value = array1[2]
print('value:',value)
print(type(value))

array1 :  [1 2 3 4 5 6 7 8 9]
value: 3
<class 'numpy.int32'>

print('맨 뒤의 값:',array1[-1], ', 맨 뒤에서 두번째 값:',array1[-2])

맨 뒤의 값: 9 , 맨 뒤에서 두번째 값: 8

array1[0] = 9
array1[8] = 0
print('array1:',array1)

array1: [9 2 3 4 5 6 7 8 0]

array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print(array2d)

print('(row=0,col=0) index 가리키는 값:', array2d[0,0] )
print('(row=0,col=1) index 가리키는 값:', array2d[0,1] )
print('(row=1,col=0) index 가리키는 값:', array2d[1,0] )
print('(row=2,col=2) index 가리키는 값:', array2d[2,2] )

[[1 2 3]
 [4 5 6]
 [7 8 9]]
(row=0,col=0) index 가리키는 값: 1
(row=0,col=1) index 가리키는 값: 2
(row=1,col=0) index 가리키는 값: 4
(row=2,col=2) index 가리키는 값: 9

slicing

•  파이썬과 동일

array1 = np.arange(start=1, stop=10)
array3 = array1[0:3]
print(array3)
print(type(array3))

[1 2 3]
<class 'numpy.ndarray'>

array1 = np.arange(start=1, stop=10)
array4 = array1[:3] # index0~3
print(array4)

array5 = array1[3:] # index3~끝까지
print(array5)

array6 = array1[:] # 값 복사(주소복사 아님)
print(array6)

[1 2 3]
[4 5 6 7 8 9]
[1 2 3 4 5 6 7 8 9]

array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print('array2d:\n',array2d)

array2d:
 [[1 2 3]
 [4 5 6]
 [7 8 9]]

print('array2d[0:2, 0:2] \n', array2d[0:2, 0:2])
print('array2d[1:3, 0:3] \n', array2d[1:3, 0:3])
print('array2d[1:3, :] \n', array2d[1:3, :])
print('array2d[:, :] \n', array2d[:, :])
print('array2d[:2, 1:] \n', array2d[:2, 1:])
print('array2d[:2, 0] \n', array2d[:2, 0])

array2d[0:2, 0:2] 
 [[1 2]
 [4 5]]
array2d[1:3, 0:3] 
 [[4 5 6]
 [7 8 9]]
array2d[1:3, :] 
 [[4 5 6]
 [7 8 9]]
array2d[:, :] 
 [[1 2 3]
 [4 5 6]
 [7 8 9]]
array2d[:2, 1:] 
 [[2 3]
 [5 6]]
array2d[:2, 0] 
 [1 4]

print(array2d[0])
print(array2d[1])
print('array2d[0] shape:', array2d[0].shape, 'array2d[1] shape:', array2d[1].shape )

[1 2 3]
[4 5 6]
array2d[0] shape: (3,) array2d[1] shape: (3,)

fancy indexing

• 일정한 인덱싱 집합을 리스트 또는 ndarray 형태로 지정해 해당 위치에 있는 데이터의 ndarray 반환

array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print('array2d => ',array2d.tolist())

array2d =>  [[1, 2, 3], [4, 5, 6], [7, 8, 9]]

array3 = array2d[[0,1], 2]
print('array2d[[0,1], 2] => ',array3.tolist())

array4 = array2d[[0,1], 0:2]
print('array2d[[0,1], 0:2] => ',array4.tolist())

array5 = array2d[[0,1]]
print('array2d[[0,1]] => ',array5.tolist())

array2d[[0,1], 2] =>  [3, 6]
array2d[[0,1], 0:2] =>  [[1, 2], [4, 5]]
array2d[[0,1]] =>  [[1, 2, 3], [4, 5, 6]]

Boolean indexing

• 조건 필터링과 검색을 동시에 하므로 자주 사용

array1d = np.arange(start=1, stop=10)
# [ ] 안에 array1d > 5 Boolean indexing을 적용 
array3 = array1d[array1d > 5]
print('array1d > 5 불린 인덱싱 결과 값 :', array3)

array1d > 5 불린 인덱싱 결과 값 : [6 7 8 9]

array1d > 5

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

boolean_indexes = np.array([False, False, False, False, False,  True,  True,  True,  True])
array3 = array1d[boolean_indexes]
print('불린 인덱스로 필터링 결과 :', array3)

불린 인덱스로 필터링 결과 : [6 7 8 9]

indexes = np.array([5,6,7,8])
array4 = array1d[ indexes ]
print('일반 인덱스로 필터링 결과 :',array4)

일반 인덱스로 필터링 결과 : [6 7 8 9]

행렬의 정렬 – sort( )와 argsort( )

• 행렬 정렬 : np.sort(), ndarray.sort()

• argsort() : 정렬된 행렬의 인덱스 반환

org_array = np.array([ 3, 1, 9, 5]) 
print('원본 행렬:', org_array)
# np.sort( )로 정렬 
sort_array1 = np.sort(org_array)         
print ('np.sort( ) 호출 후 반환된 정렬 행렬:', sort_array1) 
print('np.sort( ) 호출 후 원본 행렬:', org_array)
# ndarray.sort( )로 정렬
sort_array2 = org_array.sort() # 내 자신을 정렬(값 리턴 x)
print('org_array.sort( ) 호출 후 반환된 행렬:', sort_array2)
print('org_array.sort( ) 호출 후 원본 행렬:', org_array)

원본 행렬: [3 1 9 5]
np.sort( ) 호출 후 반환된 정렬 행렬: [1 3 5 9]
np.sort( ) 호출 후 원본 행렬: [3 1 9 5]
org_array.sort( ) 호출 후 반환된 행렬: None
org_array.sort( ) 호출 후 원본 행렬: [1 3 5 9]

# 역순정렬
sort_array1_desc = np.sort(org_array)[::-1]
print ('내림차순으로 정렬:', sort_array1_desc) 

내림차순으로 정렬: [9 5 3 1]

# 행(로우) 방향 ↓ axis = 0 
# 열(컬럼) 방향 → axis = 1
array2d = np.array([[8, 12], 
                   [7, 1 ]])

sort_array2d_axis0 = np.sort(array2d, axis=0)
print('로우 방향으로 정렬:\n', sort_array2d_axis0)

sort_array2d_axis1 = np.sort(array2d, axis=1)
print('컬럼 방향으로 정렬:\n', sort_array2d_axis1)

로우 방향으로 정렬:
 [[ 7  1]
 [ 8 12]]
컬럼 방향으로 정렬:
 [[ 8 12]
 [ 1  7]]

• 정렬 행렬의 인덱스 반환

org_array = np.array([3, 1, 9, 5]) 
sort_indices = np.argsort(org_array)
print(type(sort_indices))
print('행렬 정렬 시 원본 행렬의 인덱스:', sort_indices)

<class 'numpy.ndarray'>
행렬 정렬 시 원본 행렬의 인덱스: [1 0 3 2]

org_array = np.array([ 3, 1, 9, 5]) 
sort_indices_desc = np.argsort(org_array)[::-1]
print('행렬 내림차순 정렬 시 원본 행렬의 인덱스:', sort_indices_desc)

행렬 내림차순 정렬 시 원본 행렬의 인덱스: [2 3 0 1]

name_array = np.array(['John', 'Mike', 'Sarah', 'Kate', 'Samuel'])
score_array= np.array([78, 95, 84, 98, 88])

sort_indices_asc = np.argsort(score_array)
print('성적 오름차순 정렬 시 score_array의 인덱스 : ', sort_indices_asc)
print('성적 오름차순으로 name_array의 이름 출력 : ', name_array[sort_indices_asc])

성적 오름차순 정렬 시 score_array의 인덱스 :  [0 2 4 1 3]
성적 오름차순으로 name_array의 이름 출력 :  ['John' 'Sarah' 'Samuel' 'Mike' 'Kate']

선형대수 연산 – 행렬 내적과 전치 행렬 구하기

• https://rfriend.tistory.com/380

행렬 내적 - np.dot()

A = np.array([[1, 2, 3],
              [4, 5, 6]])
B = np.array([[7, 8],
              [9, 10],
              [11, 12]])

dot_product = np.dot(A, B)
print('행렬 내적 결과:\n', dot_product)

행렬 내적 결과:
 [[ 58  64]
 [139 154]]

전치 행렬

• 원행렬에서 행과 열의 위치를 교화한 행렬

A = np.array([[1, 2],
              [3, 4]])
transpose_mat = np.transpose(A)
print('A의 전치 행렬:\n', transpose_mat)

A의 전치 행렬:
 [[1 3]
 [2 4]]

A = np.array([[1, 2],
              [3, 4],
              [5, 6]])
transpose_mat = np.transpose(A)
print('A의 전치 행렬:\n', transpose_mat)

A의 전치 행렬:
 [[1 3 5]
 [2 4 6]]

역행렬 - np.linalg.inv()

• 내적의 곱으로 단위행렬이 나오는 행렬

a = np.array(range(4)).reshape(2, 2)
a

array([[0, 1],
       [2, 3]])

a_inv = np.linalg.inv(a)
a_inv

array([[-1.5,  0.5],
       [ 1. ,  0. ]])

a.dot(a_inv)

array([[1., 0.],
       [0., 1.]])

Numpy.html

0.33MB

• 참고자료

ch04Numpy.html

0.55MB