파이썬 - Numpy

 

 

 

Numpy

• 과학계산을 위한 라이브러리로 다차원 배열 처리하는데 필요한 기능을 제공한다.
• numpy 배열은 동일한 타입의 값을 갖는다.

 

1. 기본 사용법

 

1) numpy array 생성

# 1차원 배열 만들기 z1 = np.array([1,2,3])
# 2차원 배열 만들기 (2행3열) z2 = np.array([[1,2,3],[4,5,6]])
# 2차원 배열 만들기 (3행3열) lst = [[1,2,3],[4,5,6],[7,8,9]] z3 = np.array(lst)
# bool타입의 배열 만들기 (3행3열) b = np.array([[False,True,False],               [True,False,True],               [False,True,False]])

 

 

2) 연속되는 수 배열 생성 및 차원 바꾸기

# range로 배열 만들기 np.array(range(20))
# np.arange로 배열 만들기 np.arange(10) np.arange(3, 10)
# reshape() : 배열모양 바꾸기 a = np.arange(10) a.shape a.reshape((5,2))                # 행 우선으로 채움(기본값)  a.reshape((5,2),order="C")   # 행 우선으로 채움(기본값) a.reshape((5,2),order="F")   # 열 우선으로 채움 a.reshape((10,),order="C")    # 행을 기준으로 1차원 변경 a.reshape((10,),order="F")    # 열을 기준으로 1차원 변경
# ravel() : 1차원으로 변경 a = np.arange(10).reshape((5,2),order="F") a.ravel()       # 행을 기준으로 1차원 변경 a.ravel("C")    # 행을 기준으로 1차원 변경 a.ravel("F")    # 열을 기준으로 1차원 변경
# flatten() : 1차원으로 변경 a = np.arange(10).reshape((5,2),order="F") a.flatten()       # 행을 기준으로 1차원 변경 a.flatten("C")    # 행을 기준으로 1차원 변경 a.flatten("F")    # 열을 기준으로 1차원 변경
x = np.array([[1,2,3],[4,5,6]]) y = np.array([[7,8,9],[10,11,12]]) 일때
# np.concatenate() : 행렬 이어붙이기 np.concatenate([x,y],axis=0)  # 행 기준으로 붙이기 np.vstack((x,y)) np.concatenate([x,y],axis=1)  # 열 기준으로 붙이기 np.hstack((x,y))

 

 

3) 배열 채우기

# np.zeros() : 배열에 모두 0으로 채우는 함수 np.zeros((3,3))
# np.ones() : 배열에 모두 1로 채우는 함수 np.ones((4,4))
# np.full() : 배열에 사용자가 지정한 값을 채우는 함수 np.full((3,3),2)
# np.eye() : 대각선으로 1이고 나머지는 0으로 채우는 함수 np.eye(3)    # 3행3열 np.eye(4)    # 4행4열

 

 

4) 배열의 인덱싱 & 슬라이싱 [행, 열]

lst = [[1,2,3],[4,5,6],[7,8,9]] z3 = np.array(lst) 일때
# 행 추출 z3[0]     # 첫번째줄 z3[1]     # 두번째줄
# 열 추출 z3[:,0]   # 모든행의 첫번째열 z3[:,1]   # 모든행의 두번째열 z3[:,2]   # 모든행의 세번째열
# 0행,1행의 첫번째열 z3[0:2,0]
# 1행부터 끝까지, 1열부터 끝까지 z3[1:,1:]
# [[행1,행2,행3],[열1,열2,열3]] z3[[0,2,1],[0,2,2]]
# bool형식으로 인덱싱 c = z3%2==0 z3[c]

 

 

 

 

2. 연산 및 통계

 

1) 배열 모양이 같을때 연산

x = np.array([1,2,3]) y = np.array([4,5,6]) 일때
# 더하기 x + y np.add(x,y)
# 빼기 x - y np.subtract(x,y)
# 곱하기 x * y np.multiply(x,y)
# 나누기 x / y np.divide(x,y)

 

 

2) 배열 모양이 다를때 연산(broadcast) 

x = np.array([[1,2],[3,4]]) y = 10 z = np.array([10,20]) 일때
x + y
x + z

 

 

3) 연산 및 통계치

x = np.array([[1,2],[3,4]]) y = np.array([[5,6],[7,8]]) 일때
# np.dot() : 행렬의 곱 np.dot(x,y)
# np.sum() : 전체 합 np.sum(x) np.sum(x,axis=0)  # 행을 기준으로 열의 합 np.sum(x,axis=1)  # 열을 기준으로 행의 합
# np.mean() : 전체 평균 np.mean(x) np.mean(x,axis=0)  # 행을 기준으로 열의 평균 np.mean(x,axis=1)  # 열을 기준으로 행의 평균
# np.var() : 전체 분산 np.var(x) np.var(x,axis=0)  # 행을 기준으로 열의 분산 np.var(x,axis=1)  # 열을 기준으로 행의 분산
# np.std() : 전체 표준편차 np.std(x) np.std(x,axis=0)  # 행을 기준으로 열의 표준편차 np.std(x,axis=1)  # 열을 기준으로 행의 표준편차
# np.max() : 전체 최대값 np.max(x) np.max(x,axis=0)  # 행을 기준으로 열의 최대값 np.max(x,axis=1)  # 열을 기준으로 행의 최대값
# np.min() : 전체 최소값 np.min(x) np.min(x,axis=0)  # 행을 기준으로 열의 최소값 np.min(x,axis=1)  # 열을 기준으로 행의 최소값

x = np.array([[1,2],[3,4],[5,0]]) 일때
# np.argmin() : 최소값이 있는 인덱스 리턴 np.argmin(x)    # 위치 출력 np.argmin(x.reshape((6,))) np.argmin(x,axis=0)    np.argmin(x,axis=1)
# np.argmax() : 최대값이 있는 인덱스 리턴 np.argmax(x)    # 위치 출력 np.argmax(x.reshape((6,))) np.argmax(x,axis=0)    np.argmax(x,axis=1)
# np.cumsum() : 누적합 np.cumsum(x) np.cumsum(x.reshape((6,))) np.cumsum(x,axis=0) np.cumsum(x,axis=1)
# np.cumprod() : 누적곱 np.cumprod(x) np.cumprod(x.reshape((6,))) np.cumprod(x,axis=0) np.cumprod(x,axis=1)
# np.prod() : 전체곱 np.prod(x) np.prod(x.reshape((6,))) np.prod(x,axis=0) np.prod(x,axis=1)

 

 

 

 

3. numpy 자료형

• int, float, bool, complex

 

# int : 정수형 x = np.int8(100) y = np.int16(100)
# float : 실수형 f = np.float32(1)
# bool : 참/거짓 b = np.bool(0)
# complex : 복소수형 c = np.complex(20)
# 실수형 배열 생성 z = np.arange(5,dtype="f")

 

 

 

 

4. 기타 함수

 

# repeat() : 값을 횟수만큼 반복 x = np.arange(3) x.repeat(2) x.repeat([2,3,4])          # 위치별 반복 횟수 지정 x = np.array([[1,2],[3,4]]) x.repeat(2) x.repeat(2,axis=0) x.repeat(2,axis=1)
# np.tile() : 모양대로 횟수 반복 np.tile(x,2)
# np.unique() : 문자안에 유일값만 출력 np.unique([10,10,20,20,30,30,30]) x = np.array(['a','a','b','b','b','a','c','c']) np.unique(x)
# np.unique(return_counts=True) : 빈도수까지 출력 np.unique(x,return_counts=True) index, cnt = np.unique(x,return_counts=True) print(index) print(cnt)
# 행, 열 별로 유일값 출력 y = np.array([[1,0,0],[1,0,0],[1,0,0]]) np.unique(y) np.unique(y,axis=0) np.unique(y,axis=1)
data1 = np.arange(0,20,2) data2 = np.arange(0,30,3) 일때
# 인덱스 값 비교 data1 == data2 data1 >= data2 data1 <= data2
# 인덱스 끼리 비교해서 최대값 출력np.maximum(data1,data2) # 인덱스 끼리 비교해서 최소값 출력 np.minimum(data1,data2)
# 합집합 np.union1d(data1,data2)
# 교집합 np.intersect1d(data1,data2)
# 차집합 (순서 상관 있음) np.setdiff1d(data1,data2) np.setdiff1d(data2,data1)
# array값들 정렬(인덱스 번호로 출력) x = np.array([5,2,4,7,1]) x.argsort()             # 오름차순 x[x.argsort()]          # 실제값으로 보기 x.argsort()[::-1]       # 내림차순 x[x.argsort()][::-1]    # 실제값으로 보기 ix = x.argsort()[::-1] x[ix]