공부/데이터 분석
04) NumPy
보리콩
2021. 9. 2. 16:14
NumPy
Numerical Python
Python에서 대규모 다차원 배열을 다룰 수 있게 도와주는 라이브러리
데이터를 다루는데 왜 다차원 배열이 필요할까?
데이터의 대부분은 숫자 배열로 볼 수 있다.
Python List?
파이썬 리스트로도 계산 할 수 있지만 numpy는 list에 비해서 빠른 연산을 지원하고 메모리를 효율적으로 사용한다.
배열 만들기
list(range(10))
# [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]
import numpy as np
np.array([1, 2, 3, 4, 5])
# array([1, 2, 3, 4, 5])
np.array([1, 2, 3, 4, 5])
# array([1, 2, 3, 4, 5])
np.array([3, 1.4, 2, 3, 4])
# array([3., 1.4, 2., 3., 4.])
np.array([[1, 2],
[3, 4]])
# array([[1, 2],
# [3, 4]])
np.array([1, 2, 3, 4], dtype='float')
# array([1., 2., 3., 4.])
배열 데이터 타입 dtype
Python List와 다르게 array는 단일타입으로 구성
arr = np.array([1, 2, 3, 4], dtype='float')
arr # array([1., 2., 3., 4.])
arr.dtype
# dtype('float64')
arr.astype(int)
# array([1, 2, 3, 4])
다양한 배열 만들기
np.zeros(10, dtype=int)
# array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
np.ones((3, 5), dtype=float)
# array([[1., 1., 1., 1., 1.],
# [1., 1., 1., 1., 1.],
# [1., 1., 1., 1., 1.]])
np.arange(0, 20, 2)
# array([0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
np.linspace(0, 1, 5)
# array([0., 0.25, 0.5, 0.75, 1.])
난수로 채워진 배열 만들기
np.random.random((2, 2))
# array([[0.34578932, 0.19582760],
# [0.45692469, 0.36904247]])
np.random.normal(0, 1, (2, 2))
# array([[ 00.53214346, 0.13478535],
# [-1.59274924, -0.5432467]])
np.random.randint(0, 10, (2, 2)) # 0~10
# array([[3, 9],
# [3, 2]])
배열의 기초
x2 = np.random.randint(10, size=(3, 4))
# array([[2, 2, 9, 0],
# [4, 2, 1, 0],
# [1, 8, 7, 3]])
x2.ndim # 2 # 배열의 차원
x2.shape # (3, 4) # 배열의 모양
x2.size # 12 # 배열의 원소 개수
x2.dtype # dtype('int64') # 배열의 데이터타입
indexing: 인덱스로 값을 찾아낸다.
x = np.arange(7)
x[3] # 3
x[7] # IndexError: index 7 is out of bounds
x[0] = 10 # array([10, 1, 2, 3, 4, 5, 6])
Slicing: 인덱스 값으로 배열의 부분을 가져오는 것
x = np.arange(7)
x[1:4] # array([1, 2, 3])
x[1:] # array([1, 2, 3, 4, 5, 6])
x[:4] # array([0, 1, 2, 3])
x[::2] # array([0, 2, 4, 6]) 2씩 건너뛰면서
2차원 배열의 슬라이싱
# Q6. matrix의 (2,3) 인덱스의 요소를 출력해보세요.
print(matrix[2, 3])
# Q7. matrix의 행은 인덱스 0부터 인덱스 1까지, 열은 인덱스 1부터 인덱스 3까지 출력해보세요.
print(matrix[0:2, 1:4])
reshape: array의 shape를 변경한다.
x = np.arrange(8)
x.shape #(8,)
x2 = x.reshape(2, 4)
# array([[0, 1, 2, 3],
# [4, 5, 6, 7]])
x.shape #(2, 4)
concatenate: array를 이어 붙인다.
x = np.array([0, 1, 2])
y = np.array([3, 4, 5])
np.concatensate([x, y])
# array([0, 1, 2, 3, 4, 5])
np.concatenate: axis 축을 기준으로 이어붙일 수 있다.
matrix = np.arange(4).reshape(2, 2)
np.concatenate([matrix, matrix], axis=0) # axis=0: 세로
np.concatenate([matrix, matrix], axis=1) # axis=1: 가로
np.split: axis 축을 기준으로 나눌 수 있다.
matrix = np.arange(16).reshape(4, 4)
upper, lower = np.split(matrix, [3], axis=0) # 세로 방향에서 index 3을 기준으로
upper, lower = np.split(matrix, [3], axis=1) # 가로 방향에서 index 3을 기준으로
numpy 연산
루프는 느리다.
array의 모든 원소에 5를 더해서 만드는 함수 => for문으로 모든 원소에 5를 더하면 속도가 느려짐
기본 연산
array는 +, -, *, /에 대한 기본 연산을 지원한다
x = np.arange(4)
# array([0, 1, 2, 3])
x + 5
# array([5, 6, 7, 8])
x - 5
# array([-5, -4, -3, -2])
x * 5
# array([0, 5, 10, 15])
x / 5
# array([0., 0.2, 0.4, 0.6])
행렬간 연산
다차원 행렬에서도 적용가능하다.
x = np.arange(4).reshape((2, 2))
y = np.random.randint(10, size=(2, 2))
x + y
# array([1, 7],
# [6, 5])
x - y
# array([-1, -5],
# [-2, 1])
Broadcasting: shape이 다른 array끼리 연산
matrix + np.array([1, 2, 3]) # [1, 2, 3]을 3x3 행렬로 늘려서 더함np.arange(3).reshape((3, 1)) + np.arange(3) # 3x1 + 1x3배열을 잡아서 늘렸을 때 같은 크기로 만들 수 있다면 연산 가능
집계함수
집계: 데이터에 대한 요약 통계를 볼 수 있다.
x = np.arange(8).reshape((2, 4))
np.sum(x) # 28
np.min(x) # 0
np.max(x) # 7
np.mean(x) # 3.5
np.std(X) #표준편차x = np.arange(8).reshape((2, 4))
# array([[0, 1, 2, 3],
# [4, 5, 6, 7]])
np.sum(x, axis=0)
# array([4, 6, 8, 10])
np.sum(x, axis=1)
# array([6, 22])
마스킹 연산: True, False array를 통해서 특정 값들을 뽑아내는 방법
x = np.arange(5)
# array([0, 1, 2, 3, 4])
x < 3
# array([True, True, True, False, False])
x > 5
# array([False, False, False, False, False])
x[x < 3]
# array([0, 1, 2])import numpy as np
daily_liar_data = [0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0, 1, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 0, 1, 0, 1, 1, 0, 0, 0, 1, 0, 0, 0, 1, 0, 0, 1, 0, 0, 1, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0]
matrix = np.array(daily_liar_data)
# 양치기 소년이 거짓말을 몇 번 했는지 구하여 출력해주세요.
print(len(matrix[matrix<1]))
print(np.count_nonzero(matrix == 0))
[출처: 앨리스AI트랙 2기 aitrack.elice.io]