해당 강의는 30분 무료 요약강좌를 제공합니다. 유튜브, 인프런, Edwith에서 무료로 시청이 가능합니다.
목차
Numpy란
- C언어를 기반으로 내부 반복문을 사용하여 속도가 매우 빠르다.
- 다차원 배열(ndarray)을 편리하게 처리할 수 있도록 지원해주는 파이썬 라이브러리다.
※ ndarray vs list
- ndarray : 적은 메모리로 데이터를 빠르게 처리하고, 모든 원소는 같은 자료형을 가진다.
- list : 속도가 매우 느리고, 원소가 각각 다른 자료형을 가질 수 있다.
ndarray
- N-dimensional Array
- 다차원 배열을 지원한다.
- 서로 다른 타입의 데이터를 담을 수 없다.
- 내부 반복문을 사용해서 속도가 빠르다.
- 배열 간에 산술 연산이 가능하다.
데이터 타입 종류
- int(8bit, 16bit, 32bit, 64bit) i1, i2, i4, i8
- 부호가 있다.
- 비트수 만큼 크기를 가지는 정수형이다.
- 저장할 수 있는 값의 범위 : -2ⁿ⁻¹ ~ 2ⁿ⁻¹-1
2. uint(8bit, 16bit, 32bit, 64bit) u1, u2, u4, u8
- 부호가 없다.
- 비트수 만큼 크기를 가지는 정수형이다.
- 저장할 수 있는 값의 범위 : 0 ~ 2ⁿ-1
3. float(16bit, 32bit, 64bit, 128bit) f2, f4, f8, f16
- 부호가 있다.
- 비트수 만큼 크기를 가지는 실수형이다.
4. 복소수형
- complex64 : 두개의 32비트 부동 소수점으로 표시되는 복소수 c8
- complex128 : 두개의 64비트 부동소수점으로 표시되는 복소수 c16
5. unicode
- 고정 길이 문자열 unicode
6. bool
- True, False
7. 데이터 타입 확인 및 변경
- dtype : 자료형 확인
- astype : 자료형 변경
입력
import numpy as np
data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]] a = np.array(data) a
출력
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
입력
a.dtype
출력
dtype('int32')
입력
a = a.astype(np.float32) a
출력
array([[1., 2., 3.], [4., 5., 6.], [7., 8., 9.]], dtype=float32)
입력
a[0][1]
출력
2.0
입력
a[0]
출력
array([1., 2., 3.], dtype=float32)
- np.arange(start, stop, step) : step에 따라 증가하는 수열을 생성한다.
- reshape : 만들어진 배열의 데이터를 그대로 가지고 형태를 바꿔준다.
입력
np.arange(1, 10, 2) # (start, stop, step)
출력
array([1, 3, 5, 7, 9])
입력
np.arange(1, 10).reshape(3, 3)
출력
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
입력
np.arange(1, 13).reshape(3, 2, 2)
출력
array([[[ 1, 2], [ 3, 4]], [[ 5, 6], [ 7, 8]], [[ 9, 10], [11, 12]]])
- nan
- 자료형이 Float형이므로 Integer에서는 오류가 발생한다.
- 배열에서 연산할 경우 오류가 발생하지 않지만 결과값이 NaN이 된다.
입력
np.nan * 10
출력
nan
입력
a[0][1] = np.nan a
출력
array([[ 1., nan, 3.], [ 4., 5., 6.], [ 7., 8., 9.]], dtype=float32)
입력
a = np.arange(1, 10).reshape(3, 3) a
출력
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
입력
a[0][1] = np.nan # integer에서는 nan을 사용 할 수 없다.
출력
--------------------------------------------------------------------------- ValueError Traceback (most recent call last) <ipython-input-15-10bef5bd968c> in <module> ----> 1 a[0][1] = np.nan ValueError: cannot convert float NaN to integer
입력
a = np.linspace(1, 10, 20) # (start, stop, num) a
출력
array([ 1. , 1.47368421, 1.94736842, 2.42105263, 2.89473684, 3.36842105, 3.84210526, 4.31578947, 4.78947368, 5.26315789, 5.73684211, 6.21052632, 6.68421053, 7.15789474, 7.63157895, 8.10526316, 8.57894737, 9.05263158, 9.52631579, 10. ])
연산
- 반복문을 사용하지 않아도, 배열의 모든 원소는 반복연산이 사용된다.
- 선형 대수 식을 사용하여 연산 가능하다.
- np.dot, @ : 행렬 곱 구하는 연산
입력
data = np.arange(1, 10).reshape(3, 3) data
출력
array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
입력
data + data
출력
array([[ 2, 4, 6], [ 8, 10, 12], [14, 16, 18]])
입력
[1, 2, 3] + [4, 5, 6] # 리스트끼리 더하면 연결된다.
출력
[1, 2, 3, 4, 5, 6]
입력
data - data
출력
array([[0, 0, 0], [0, 0, 0], [0, 0, 0]])
입력
data * data
출력
array([[ 1, 4, 9], [16, 25, 36], [49, 64, 81]])
입력
data / data
출력
array([[1., 1., 1.], [1., 1., 1.], [1., 1., 1.]])
입력
np.dot(data, data)
출력
array([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]])
입력
data@data
출력
array([[ 30, 36, 42], [ 66, 81, 96], [102, 126, 150]])
차원
- 0차원 : Scalar (하나의 데이터 값으로만 존재하는 것)
- 1차원 : Vector (숫자들의 배열 (1D array))
- 2차원 : Matrix (숫자들의 2D array (rows: 행, columns: 열))
- 3차원 이상 : Tensor (숫자들의 다차원 배열)
입력
# 0차원 a = np.array(1) print(a) print(a.shape) print(a.ndim)
출력
1 () 0
입력
# 1차원 a = np.array([1]) print(a) print(a.shape) print(a.ndim)
출력
[1] (1,) 1
입력
# 1차원 a = np.array([1, 2, 3, 4, 5]) print(a) print(a.shape) print(a.ndim)
출력
[1 2 3 4 5] (5,) 1
입력
# 2차원 a = np.array([[1, 2, 3], [4, 5, 6]]) print(a) print(a.shape) print(a.ndim)
출력
[[1 2 3] [4 5 6]] (2, 3) 2
입력
# 2차원 a = np.array([[1]]) print(a) print(a.shape) print(a.ndim)
출력
[[1]] (1, 1) 2
입력
# 3차원 a = np.array([[[1, 2], [3, 4], [5, 6]], [[7, 8], [9, 10], [11, 12]]]) print(a) print(a.shape) print(a.ndim)
출력
[[[ 1 2] [ 3 4] [ 5 6]] [[ 7 8] [ 9 10] [11 12]]] (2, 3, 2) 3
matrix 유형
- zeros : 0으로 초기화된 배열 생성
- ones : 1로 초기화 된 배열 생성
- eye : 주대각선의 원소가 모두 1이고 나머지 원소는 0인 정사각행렬 (단위행렬)
- empty : 초기화 하지 않고 배열만 생성, 기존에 메모리에 저장되어 있는 값으로 나타남
- full : 지정한 숫자로 초기화
- linespace(start, end(포함), number, endpoint = ) : 선형 구간을 지정한 개수만큼 분할한다.
- endpoint = True or False : 마지막 값을 포함시킬지 시키지 않을지 선택
입력
a = np.arange(12).reshape(2,3,2) a
출력
array([[[ 0, 1], [ 2, 3], [ 4, 5]], [[ 6, 7], [ 8, 9], [10, 11]]])
입력
b = np.ones(12) b
출력
array([1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1., 1.])
입력
b = np.ones(12).reshape(2, 3, 2) b
출력
array([[[1., 1.], [1., 1.], [1., 1.]], [[1., 1.], [1., 1.], [1., 1.]]])
입력
c = np.zeros(12).reshape(2, 3, 2) c
출력
array([[[0., 0.], [0., 0.], [0., 0.]], [[0., 0.], [0., 0.], [0., 0.]]])
입력
d = np.eye(3) d
출력
array([[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]])
입력
e = np.zeros([3, 4]) e
출력
array([[0., 0., 0., 0.], [0., 0., 0., 0.], [0., 0., 0., 0.]])
입력
e = np.zeros([3, 4, 2]) e
출력
array([[[0., 0.], [0., 0.], [0., 0.], [0., 0.]], [[0., 0.], [0., 0.], [0., 0.], [0., 0.]], [[0., 0.], [0., 0.], [0., 0.], [0., 0.]]])
입력
f = np.empty([2, 3]) f
출력
array([[2.12199579e-314, 6.36598737e-314, 1.06099790e-313], [1.48539705e-313, 1.90979621e-313, 2.33419537e-313]])
입력
g = np.full((3, 4), 1000) g
출력
array([[1000, 1000, 1000, 1000], [1000, 1000, 1000, 1000], [1000, 1000, 1000, 1000]])
입력
h = np.linspace(2, 10, 6) h
출력
array([ 2. , 3.6, 5.2, 6.8, 8.4, 10. ])
집계함수
- mean : 평균을 구하는 함수
- median : 데이터를 크기로 정렬하고 그 중 가운데 수 출력하는 함수
※ 만약 데이터 개수가 짝수일 경우 가장 가운데의 두 수의 평균을 구한다.
- var : 분산 구하는 함수
- std : 표준편차 구하는 함수
- sum : 합계 구하는 함수
- max : 가장 큰 수를 구하는 함수
- min : 가장 작은 수를 구하는 함수
입력
a = np.arange(10).reshape(2,5) a
출력
array([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9]])
입력
a[0][0] = 100 a
출력
array([[100, 1, 2, 3, 4], [ 5, 6, 7, 8, 9]])
입력
a[0, 1] = 1000 a
출력
array([[ 100, 1000, 2, 3, 4], [ 5, 6, 7, 8, 9]])
입력
np.mean(a)
출력
114.4
입력
np.median(a)
출력
6.5
입력
np.std(a)
출력
296.5485457728633
입력
np.var(a)
출력
87941.04
입력
np.sum(a)
출력
1144
입력
sum(a)
출력
array([ 105, 1006, 9, 11, 13])
입력
a
출력
array([[ 100, 1000, 2, 3, 4], [ 5, 6, 7, 8, 9]])
입력
np.sum(a, axis=0)
출력
array([ 105, 1006, 9, 11, 13])
입력
np.sum(a, axis=1)
출력
array([1109, 35])
입력
np.max(a)
출력
1000
입력
np.min(a)
출력
2