1. 넘파이 기본 개념
>> 수치해석용 Python 라이브러리
- Numerical Python의 약자
- C로 구현 (파이썬용 C라이브러리)
- loop 사용하지 않는 대량 데이터 배열 연산 가능(Vectorization)
- 빠른 수치 계산을 위한 Structured Array 제공
>> 학습을 위해 참고할 링크
- Home : http://www.numpy.org/
- Documentation : http://docs.scipy.org/doc/
- Tutorial
>> Numpy의 필요성
- C/C++과 같은 저수준 언어 기반의 호환 API 제공
- 수행 성능이 매우 중요한 부분은 C/C++기반의 코드로 작성 -> 이를 numpy에서 호출하면 통합가능
- 구글의 딥러닝 프레임워크인 tensorflow가 위의 방식 사용, 배열 연산 수행 속도를 개선, 넘파이와 호환될 수 있게 작성되었음
- 데이터 분석은 pandas가 더 용이하나, 많은 머신러닝 알고리즘이 넘파이를 기반으로 작성됨
- 또한 ML 알고리즘의 입/출력 데이터가 넘파이 배열 타입으로 사용되므로 이해할 필요가 있음
>> Python List vs NumPy Array
- Python List
- 여러가지 타입의 원소
- 메모리 용량이 크고 속도가 느림
- nesting 가능
- 전체 연산 불가
- NumPy Array
- 동일 타입의 원소
- 메모리 최적화, 계산 속도 향상
- 크기(dimension)이 명확하게 정의
2. 넘파이 기초 문법
In [3]:
# Numpy 라이브러리 불러오기
import numpy as npIn [4]:
array1 = np.array([1,2,3])
print('array1 type:',type(array1))
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)
Out [4]:
In [5]:
print('array1: {:0}차원, array2: {:1}차원, array3: {:2}차원'.format(array1.ndim,array2.ndim,array3.ndim))
Out [5]:
In [6]:
list1 = [1,2,3]
print(type(list1))
array1 = np.array(list1)
print(type(array1))
print(array1, array1.dtype)
Out [6]:
In [7]:
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)
Out [7]:
In [8]:
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)
Out [8]:
2.1 ndarray를 편리하게 생성하기 - arange, zeros, ones
In [9]:
sequence_array = np.arange(10)
print(sequence_array)
print(sequence_array.dtype, sequence_array.shape)
Out [10]:
In [10]:
zero_array = np.zeros((3,2),dtype='int32')
print(zero_array)
print(zero_array.dtype, zero_array.shape)
one_array = np.ones((3,2))
print(one_array)
print(one_array.dtype, one_array.shape)
Out [10]:
2.2 reshape
In [11]:
array1 = np.arange(10)
print('array1:\n', array1)
array2 = array1.reshape(2,5)
print('array2:\n',array2)
array3 = array1.reshape(5,2)
print('array3:\n',array3)
Out [11]:
In [12]:
array1.reshape(4,3)
Out [12]:
In [13]:
array1 = np.arange(10)
array4 = array1.reshape(-1,4)
Out [13]:
In [14]:
array1 = np.arange(8)
array3d = array1.reshape((2,2,2))
print('array3d:\n',array3d.tolist())
# 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)
Out [14]:
2.3 indexing
2.3.1 단일값 추출
In [15]:
# 1에서 부터 9 까지의 1차원 ndarray 생성
array1 = np.arange(start=1, stop=10)
print('array1:',array1)
# index는 0 부터 시작하므로 array1[2]는 3번째 index 위치의 데이터 값을 의미
value = array1[2]
print('value:',value)
print(type(value))
Out [16]:
In [16]:
print('맨 뒤의 값:',array1[-1], ', 맨 뒤에서 두번째 값:',array1[-2])
Out [16]:
In [17]:
array1[0] = 9
array1[8] = 0
print('array1:',array1)
Out [17]:
In [18]:
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] )
Out [18]:
2.3.2 Slicing
In [19]:
array1 = np.arange(start=1, stop=10)
array3 = array1[0:3]
print(array3)
print(type(array3))
Out [19]:
In [20]:
array1 = np.arange(start=1, stop=10)
array4 = array1[:3]
print(array4)
array5 = array1[3:]
print(array5)
array6 = array1[:]
print(array6)
Out [20]:
In [21]:
array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print('array2d:\n',array2d)
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])
Out [21]:
In [22]:
print(array2d[0])
print(array2d[1])
print('array2d[0] shape:', array2d[0].shape, 'array2d[1] shape:', array2d[1].shape )
Out [22]:
2.3.3 fancy indexing
In [23]:
array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
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())
Out [24]:
2.3.4 Boolean indexing
In [24]:
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)
Out [24]:
In [25]:
array1d > 5
Out[25]:
In [26]:
boolean_indexes = np.array([False, False, False, False, False, True, True, True, True])
array3 = array1d[boolean_indexes]
print('불린 인덱스로 필터링 결과 :', array3)
Out [26]:
In [27]:
indexes = np.array([5,6,7,8])
array4 = array1d[ indexes ]
print('일반 인덱스로 필터링 결과 :',array4)
Out [27]:
In [28]:
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()
print('org_array.sort( ) 호출 후 반환된 행렬:', sort_array2)
print('org_array.sort( ) 호출 후 원본 행렬:', org_array)
Out [28]:
In [29]:
sort_array1_desc = np.sort(org_array)[::-1]
print ('내림차순으로 정렬:', sort_array1_desc)
Out [29]:
In [30]:
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)
Out [30]:
2.4.2 정렬 행렬의 인덱스 반환
In [31]:
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)
Out [31]:
In [32]:
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)
Out [32]:
In [33]:
import numpy as np
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])
Out [33]:
2.5 선형대수 연산 – 행렬 내적과 전치 행렬 구하기
2.5.1 행렬 내적
In [34]:
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)
Out [34]:
2.5.2 전치 행렬
In [35]:
A = np.array([[1, 2],
[3, 4]])
transpose_mat = np.transpose(A)
print('A의 전치 행렬:\n', transpose_mat)
Out [36]:
* 출처 *
'AI Study > Machine Learning' 카테고리의 다른 글
| 데이터 전처리 기본 (1) - data encoding (0) | 2021.11.21 |
|---|---|
| sklearn의 model selction module (데이터셋 분리 및 교차검증) (0) | 2021.09.06 |
| sklearn 기반 프레임워크 살펴보기 (0) | 2021.09.06 |
| 머신러닝을 위한 Pandas 기초 (0) | 2021.08.24 |
| Python 기반의 머신러닝 생태계 이해하기 (0) | 2021.08.23 |
