NumPy 정리

자세한 정보는 아래 참고

https://numpy.org/doc/

NumPy Documentation

 

NumPy란?

 

아래는 NumPy를연습해 볼 수 있는 사이트이다.

https://www.w3schools.com/python/numpy/default.asp

 

NumPy 이모저모

 

• 우리 주변에 많은것들이 행렬로 표현된다. 사진, 시계열 데이터 모두 행렬로 표현되며, 이때 NumPy가 적합하다.
• NumPy의 배열인 ndarray를 이용하여 행렬 연산을 효율적으로 할 수 있다.
• NumPy는 C 언어로 구현되어 있어, Python보다 훨씬 빠르게 배열 연산을 수행할 수 있다.
• ndarray는 같은 자료형을 가지는 요소만 처리하지만, 형변환을 통해 연산이 가능하다.
  • 형변환 가능  ex) float 배열에 int 배열을 더하면, 결과는 float형으로 형변환되어 계산된다.
  • 형변환 불가능  ex) 문자열 배열과 숫자 배열을 더할 수 없다.

 

기본 배열

import numpy as np

# 1차원 배열
a = np.array([15, 20, 25, 30])
print(a)  # [15 20 25 30]

# 배열의 평균
print(a.mean())  # 22.5

# 각 원소에 5를 더하기
print(a + 5)  # [20 25 30 35]

a.append(30) -> 틀림 AttributeError: 'numpy.ndarray' object has no attribute 'append'

new_a = np.append(a, [9, 10])

print(new_a)  # [15 20 25 30  9 10]
print(a)      # [15 20 25 30] (원본 배열은 그대로 유지됨)

 

생성, 속성, 함수

넘파이 배열에는 모두 같은 자료형이어야 하며, 포함할 수 있는 경우 형변환 한다.

# 리스트에서 numpy 배열로 변환
test2 = np.array(['15', '20', '25', True])  # 'True'가 String으로 형변환됨
print(test2)  # ['15' '20' '25' 'True']

# arange 함수: 숫자 범위 생성
print(np.arange(0, 1, 0.1))  # [0.  0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9]

# 다양한 자료형을 담을 수 있으나 형 변환에 주의 필요
test3 = np.array([1, 2, 3, 4], dtype=bool)
print(test3)  # [ True  True  True  True]

# 자료형이 지정된 배열
test = np.array([[1, 2, 3, 4], [5, 6, 7, 8]])
print(test.dtype)  # int64
print(test.itemsize)  # 8 (각 원소의 바이트 크기)
print(test.ndim)  # 2 (차원 수)
print(test.size)  # 8 (원소 개수)
print(test.shape)  # (2, 4) (행과 열의 구조)
print(test.strides)  # (32, 8) (메모리에서 각 차원의 거리)

'''
32: 첫 번째 차원의 각 요소 간 메모리 거리. 첫 번째 차원을 따라 한 행 끝에서 다음 행 시작 간격이 32byte
8: 두 번째 차원의 각 요소 간 메모리 거리. 열 방향으로 한 요소에서 다음 요소 거리가 8byte
'''

# 다차원 배열 변환
test = test.T  # 전치 행렬
print(test)

test.argmax(axis=0)  # 가장 큰 값이 있는 방번호 array([1, 1, 1, 1])
test.argmax(axis=1)  # array([3, 3])

 

행렬 연산

# 합계 구하기, axis는 차원을 의미
print(np.sum(test))  # 전체 합: 36
print(np.sum(test, axis=0))  # 각 열의 합: [10 26]
print(np.sum(test, axis=1))  # 각 행의 합: [ 6  8 10 12]

#브로드캐스팅
np + 5

np.append(test,[[10],[20]],axis=1)
# 결과
# array([[ 1,  2,  3,  4, 10],
#        [ 5,  6,  7,  8, 20]])


# 평균 계산
a = np.array([1, 2, 3, 4, 5])
print(np.mean(a))  # 3.0
print(np.average(a, weights=[2, 1, 1, 0, 0]))  # 가중 평균: 1.75
#가중치에 따라 1이 2,3보다 2배 자주 선택되며, 4와 5는 선택되지 않음

• np.bool 는 논리 자료형이지만, 숫자 연산 가능하다. {True:1, False:0}
• uint는 부호없는 정수형

 

배열 변형

newshape: 배열의 새로운 형태를 지정하는 튜플 (차원 변경)

ex) 2차원 -> 3차원 배열로 변경

각 차원의 크기로 구성되므로, 원본 배열의 원소 수와 reshape의 곱이 같아야 한다.

-1은 자동으로 해당 차원 크기 계산위한 특수 값이다.

# reshape을 사용하여 배열 형태 변형
# 기존 데이터 유지한 채, 배열 차원과 크기만 변형 가능 / 배열 원소 수 고정

import numpy as np
a = np.array([1, 2, 3, 4, 5, 6])

# 2x3 배열로 변형
b = a.reshape((2, 3))
print(b)
# [[1 2 3]
# [4 5 6]]

#-1을 사용하여 자동으로 첫 번째 차원의 크기를 계산, 원소수가 6이므로 (1,2,3)으로 변형됨
#첫 번째 차원의 크기 1은 나머지 차원에 맞춰 자동으로 결정됨
a = a.reshape((-1, 2, 3))  # 3차원 배열로 변환
print(a.shape)  # (1, 2, 3)

# 배열을 1차원으로 변환
print(a.flatten())  # [10 20 30 40 50 60]

a.ndm # 차원 확인
a.shape # 행렬 확인

 

NaN, Inf

# NaN을 -1로 변경
test_ = np.array([[1., 2., 3., 4.], [5., 6., 7., np.nan]])
print(np.nan_to_num(test_, nan=-1))

# Inf를 -2로 변경
test_ = np.array([[1., 2., 3., 4.], [5., 6., 7., np.inf]])
test_[test_ == np.inf] = -2
print(test_)

 

복원 추출 vs 비복원 추출

# 복원 추출
a = [1, 2, 3, 4, 5]
print(np.random.choice(a, 3, replace=True))  
# 비복원 추출
print(np.random.choice(a, 3, replace=False))

 

난수 생성

import random

random.seed(3)  # 난수 시드를 고정
print(random.randint(1, 5))  # 항상 같은 난수 값 출력

 

정렬

# 오름차순 정렬
print(np.sort(x))  # [ 1  2  3  4  5  6  7  8]

# 객체 자체를 정렬 (원본 배열 변경)
x.sort()
print(x)  # [1 2 3 4 5 6 7 8]

# 내림차순 정렬
sorted_x_desc = np.sort(x)[::-1]
print(sorted_x_desc)  # [8 7 6 5 4 3 2 1]

 

 

슬라이싱과 인덱싱

 

1차원 배열

• 인덱싱: 배열에서 특정한 하나의 요소를 선택하는 방법
• 슬라이싱: 배열의 특정 부분을 선택하는 방법'start:stop:step'
• 인덱싱 차원 변경 가능 , 슬라이싱은 원래의 차원을 유지

# [ 1  2  3  4  5  6  7  8]

# 인덱싱
print(x[x > 4])  # 4보다 큰 값들만 출력 (5, 6, 7, 8) 불리언 인덱싱

# 슬라이싱
print(x[2:6])  # 3번째부터 6번째 전까지 (3, 4, 5, 6)
print(x[::2])  # 0번째부터 끝까지 2칸씩 건너뛰기 (1, 3, 5, 7)
print(x[::-1])  # 배열을 뒤집기 (8, 7, 6, 5, 4, 3, 2, 1)

 

2차원 배열

y = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])

# 인덱싱
print(y[0, 1])  # 0번째 행,1번째 열 값 (2)
print(y[[0, 1]])  # 0번째 행과, 1번째 열 [[1 2 3] [4 5 6]]

# 슬라이싱
print(y[1:, :2])  # 2번째 행부터 마지막 행까지, 첫 번째와 두 번째 열까지 (4, 5), (7, 8)

 

3차원 배열

# 3x3x3 크기의 3D 배열 생성
x = np.array([[[1, 2, 3], [4, 5, 6], [7, 8, 9]],
              [[10, 11, 12], [13, 14, 15], [16, 17, 18]],
              [[19, 20, 21], [22, 23, 24], [25, 26, 27]]])

print(x)
'''
[[[ 1  2  3]
  [ 4  5  6]
  [ 7  8  9]]

 [[10 11 12]
  [13 14 15]
  [16 17 18]]

 [[19 20 21]
  [22 23 24]
  [25 26 27]]]
'''

#인덱싱
print(x[0, 1, 2])  # 6
print(x[1, 0, 2])  # 12
print(x[-1, -2, -3])  # 마지막 2D 배열에서 두 번째 행, 세 번째 열, 세 번째 값
print(x[x > 10])  # 10보다 큰 모든 값 출력
print(x[[0, 2], [1, 2], [1, 0]])  # 첫 번째와 세 번째 2D 배열에서 (2,2)와 (3,1) 위치의 값

#슬라이싱
print(x[0, :, :])  # 첫 번째 2D 배열 (전체 행, 전체 열)
print(x[1, 0:2, 1:3])  # 두 번째 2D 배열에서 첫 번째와 두 번째 행, 두 번째와 세 번째 열
print(x[:, 1:, :])  # 모든 2D 배열에서 두 번째 행부터 마지막 행까지, 모든 열
print(x[:, -2:, -2:])  # 모든 2D 배열에서 두 번째 행부터 마지막 행까지, 두 번째 열부터 마지막 열까지

 

append(), extend(), insert()

Python

• append(): 리스트의 끝에 하나의 요소를 추가
• insert(): 리스트의 지정된 인덱스 위치에 하나의 요소를 삽입
• extend(): 리스트에 다른 iterable의 모든 요소를 추가

NumPy 

• numpy.append(): 배열의 끝에 하나 이상의 요소를 추가 
• numpy.insert(): 배열의 특정 위치에 요소를 삽입 
• numpy.concatenate(): 여러 배열을 하나로 결합

 

import numpy as np

# Python
my_list = [1, 2, 3, 4]

# 1. append() - 리스트 끝에 하나의 요소를 추가
my_list.append(5)
print("List after append:", my_list)  # [1, 2, 3, 4, 5]

# 2. insert() - 지정된 인덱스(1)에 4를 삽입
my_list.insert(1, 4)
print("List after insert:", my_list)  # [1, 4, 2, 3, 4, 5]

# 3. extend() - 다른 iterable의 요소들을 리스트에 추가
my_list.extend([6, 7])
print("List after extend:", my_list)  # [1, 4, 2, 3, 4, 5, 6, 7]

# NumPy
arr = np.array([1, 2, 3, 4])

# 1. np.append() - 배열 끝에 하나 이상의 요소를 추가
arr_appended = np.append(arr, 5)
print("Array after np.append:", arr_appended)  # [1 2 3 4 5]

# 2. np.insert() - 배열의 특정 위치(1)에 4를 삽입
arr_inserted = np.insert(arr, 1, 4)
print("Array after np.insert:", arr_inserted)  # [1 4 2 3 4]

# 3. np.concatenate() - 여러 배열을 결합
arr2 = np.array([5, 6, 7])
arr_concatenated = np.concatenate((arr, arr2))
print("Array after np.concatenate:", arr_concatenated)  # [1 2 3 4 5 6 7]

# 출력
List after append: [1, 2, 3, 4, 5]
List after insert: [1, 4, 2, 3, 4, 5]
List after extend: [1, 4, 2, 3, 4, 5, 6, 7]
Array after np.append: [1 2 3 4 5]
Array after np.insert: [1 4 2 3 4]
Array after np.concatenate: [1 2 3 4 5 6 7]