Numpy 준비하기
Anaconda 환경이라면 conda, 그렇지 않다면 pip를 사용하여 numpy를 설치해준다.
1$ conda install numpy 2 #or 3 $ pip install numpy
제대로 설치가 되었다면 파이썬 interactive shell에서 import 해보자.
1>>> import numpy as np
Numpy 배열
파이썬 리스트에서 numpy 배열 만들기
1mylist = [1, 2, 3, 4, 5, 6, 7, 8, 9] 2 np.array(mylist) 3 # array([ 1, 2, 3, 4, 5, 6, 7, 8, 9]) 4 5 mylist2 = [[1,2,3], [4,5,6], [7,8,9]] 6 np.array(mylist) 7 # array([[1, 2, 3], 8 # [4, 5, 6], 9 # [7, 8, 9]]) 10
numpy built-in 메소드 사용
1np.arange(1, 10) 2 # array([1, 2, 3, 4, 5, 6, 7, 8, 9]) 3 4 np.arange(1, 101) 5 # array([1, 2, 3, ..., 98, 99, 100])
zeroes() & ones()
zeros와 ones는 각각 0과 1의 배열을 만들때 사용하는 메소드이다.
1np.zeros(3) # array([0., 0., 0.]) 2 np.ones(3) # array([1., 1., 1.])
linspace()
문법: numpy.linspace(start, stop, n) -- start와 stop사이를 n개의 균일한 간격으로 나눠주는 함수.
1np.linspace(0, 10, 3) 2 # array([ 0., 5., 10.]) 3 4 np.linspace(0, 10, 4) 5 # array([ 0. , 3.33333333, 6.66666667, 10. ])
eye()
단위 행렬(Identity Matrix)를 만들 때 사용하는 함수
1np.eye(3) 2 # array([[1., 0., 0.], 3 # [0., 1., 0.], 4 # [0., 0., 1.]])
난수 (Random)
rand()
rand(n) 함수는 [0, 1) 범위의 균일한 분포로부터 샘플링된 n개의 난수를 반환한다.
1np.random.rand(2) 2 # array([0.60813646, 0.02227888]) 3 4 np.random.rand(5) 5 # array([0.78071868, 0.41576468, 0.12461101, 0.35558746, 0.41081693])
randn()
randn(n)은 rand와는 다르게 표준 정규 분포(standard normal distribution)로부터 샘플링된 난수를 반환한다.
1np.random.randn(2) 2 # array([-2.70796513, -0.81136033]) 3 4 np.random.randn(5) 5 # array([ 0.47264387, -0.96997734, 0.30014722, 0.73124038, -1.67470256])
randint()
문법: randint(low, high, n) -- [low, high) 사이의 정수형 난수를 n개 반환한다. high는 포함되지 않는다.
1np.random.randint(0, 10, 1) 2 # 0 부터 9까지의 숫자 중 하나가 출력 됨
randint()를 사용해서 임의의 값을 가진 배열을 만들 수 있다.
1arr = np.arange(10) 2 randarr = np.random.randint(0, 50, 10) 3 4 print(arr) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9]) 5 print(randarr) # array([40, 32, 1, 2, 22, 31, 37, 18, 7, 8])
최대값 & 최소값 (max & min)
max함수는 최대값,min함수는 최소값을 구할 때 사용된다.argmax()와argmin()을 사용하여 최대값과 최소값의 위치를 인덱스로 받아 올 수 있다.
1arr = np.random.randint(0, 10, 10) 2print(arr) 3# array([9, 9, 6, 3, 9, 5, 5, 6, 0, 6]) 4 5arr.max() # 9 6arr.min() # 0 7 8arr.argmax() # 0 9arr.argmin() # 8 10 11print(arr[arr.argmax()] == arr.max()) # True 12print(arr[arr.argmin()] == arr.min()) # True
구조 재배열 (Reshape)
reshape함수는 배열과 차원을 변형할 때 사용되는 함수이다. arr.reshape(row, col)과 같이 사용하며 row열과 col행의 구조로 변형된다.
row * col이 본래의 배열 요소의 개수와 일치해야 한다. 1차원 배열은 1 * col과 같기 때문.
1arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) 2 print(arr) 3 # array([ 1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) 4 5 arr.reshape(2,5) 6 # array([[ 1, 2, 3, 4, 5], 7 # [ 6, 7, 8, 9, 10]]) 8 9 arr.reshape(5,2) 10 # array([[ 1, 2], 11 # [ 3, 4], 12 # [ 5, 6], 13 # [ 7, 8], 14 # [ 9, 10]]) 15 16 arr.reshape(3,3) 17 # Traceback (most recent call last): 18 # File "<stdin>", line 1, in <module> 19 # ValueError: cannot reshape array of size 10 into shape (3,3)
배열 속성
shape
shape은 메소드가 아닌 배열의 속성으로써 현 배열의 구조를 파악하는데 도움을 준다.
1arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) 2 arr.shape # (10,) 3 4 arr.reshape(2, 5).shape # (2, 5) 5 arr.reshape(10, 1).shape # (10, 1) 6 arr.reshape(1, 10).shape # (1, 10)
dtype
dtype 속성을 사용하여 배열의 자료형을 파악할 수 있다.
1arr = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9, 10]) 2 arr.dtype # dtype('int64') 3 4 arr = np.random.rand(10) 5 arr.dtype # dtype('float64') 6 7 arr = np.array([True, False]) 8 arr.dtype # dtype('bool')
Numpy 인덱싱 & 선택 영역 (Indexing & Selection)
첨자([]) 연산자 (Subscript Operator)
Numpy의 배열도 파이썬의 일반 배열처럼 []연산을 사용하여 요소에 접근할 수 있다.
1arr = np.arange(10) 2 3 print(arr) # [0 1 2 3 4 5 6 7 8 9] 4 print(arr[0]) # 0 5 print(arr[-1]) # 9 6 7 print(arr[:5]) # [0 1 2 3 4] 8 print(arr[5:]) # [5 6 7 8 9] 9 10 print(arr[0:3]) # [0 1 2] 11 print(arr[3:6]) # [3 4 5]
브로드캐스팅 (Broadcasting)
[0, 2, 6]과 같은 배열이 있고 모든 요소에 3을 추가하기 위해서는 보통 반복문을 사용해서 각 요소에 값을 더해줘야 한다.
아래와 같은 연산은 불가능하다.
1arr = [0, 2, 6] 2 print(arr) # [0, 2, 6] 3 arr[:] += 3 4 # Traceback (most recent call last): 5 # File "<stdin>", line 1, in <module> 6 # TypeError: 'int' object is not iterable
하지만 Numpy 배열에는 브로드캐스팅(broadcasting)이라는 기능이 있어, 이와 같은 연산이 가능하다.
1arr = np.array([0, 2, 6]) 2 print(arr) # [0 2 6] 3 4 arr[:] += 3 5 print(arr) # [3, 5, 9]
브로드캐스팅으로 바뀐 값들은 단순 복사된 모드 개체들에 영향을 끼친다.
1arr = np.arange(10) 2 print(arr) # [0 1 2 3 4 5 6 7 8 9] 3 4 copy_arr = arr[:3] 5 print(copy_arr) # [0 1 2] 6 7 copy_arr[:] = 99 8 print(copy_arr) # [99 99 99] 9 10 print(arr) # [99 99 99 3 4 5 6 7 8 9]
이는 메모리 문제를 예방하기 위한 것으로, 만약 전체 복사(deep copy)를 하고 싶다면 copy() 함수를 사용해서 배열을 복제한 후, 브로드캐스팅을 하면 본래의 배열에는 영향이 가지않는다.
2차원 배열 인덱싱 (Indexing 2D Arrays)
아래와 같은 배열이 있다.
1arr = np.arange(1,10).reshape(3,3) 2 print(arr) 3 # [[1 2 3] 4 # [4 5 6] 5 # [7 8 9]]
일반 파이썬과 같이 [row][col]으로 접근이 가능하다.
1print(arr[0]) # [1 2 3] 2 print(arr[0]0]) # 1 3 print(arr[-1][0]) # 7
하지만 Numpy 배열은 훨씬 편한 방법을 제공한다.
1print(arr[0, 0]) # 1 2 print(arr[-1, 0]) # 7
2차원 배열 슬라이싱 (Slicing 2D Arrays)
위와 동일한 2차원 배열이 있다.
1arr = np.arange(1,10).reshape(3,3) 2 print(arr) 3 # [[1 2 3] 4 # [4 5 6] 5 # [7 8 9]]
arr[r1:r2, c1:c2]과 같은 형식으로 원하는 열과 행을 가져올 수 있다.
1print(arr[1:,]) 2 # [[4 5 6] 3 # [7 8 9]] 4 5 print(arr[1:, :2]) 6 # [[4 5] 7 # [7 8]] 8 9 print(arr[1:, :1]) 10 # [[4] 11 # [7]] 12 13 print(arr[:, :1]) 14 # [[1] 15 # [4] 16 # [7]]
선택 영역 (Selection)
Numpy 배열과 논리 연산을 수행하여 해당 논리에 True값이 나오는 요소들만 선택해서 반환할 수 있다.
예를들어 0~10의 배열에서 짝수와 홀수를 따로 추려내고 싶다면 아래와 같은 연산이 가능하다.
1arr = np.arange(10) # [0 1 2 3 4 5 6 7 8 9] 2arr[arr % 2 == 0] # [0 2 4 6 8] 3arr[arr % 2 != 0] # [1 3 5 7 9]
범용 함수 (Universal Functions)
위에서 max(), min()과 같은 기본 내장 함수들을 살짝살짝 소개했었는데, 이 외에도 numpy는 수많은 범용 함수들을 지원한다.
수학 관련 함수 몇 개만 소개하자면 아래와 같은 것들이 있다. 어떤 동작을 하는지 모르겠다면 범용 함수 문서를 살펴보도록 하자.
1arr = np.arange(1, 11) 2 3np.sqrt(arr) 4np.exp(arr) 5np.std(arr) 6 7np.sin(arr) 8np.cos(arr) 9 10np.log(arr)