2024-05-22 넘파이

1. 넘파이(Numpy)

• 파이썬에서 사용되는 과학 및 수학 연산을 위한 강력한 라이브러리
• 주로 다차원 배열을 다루는 데에 특화되어 있어, 데이터 분석, 머신러닝, 과학계산 등 다양한 분야에서 널리 사용
• 넘파이 배열 C 언어로 구현되어 있어 연산이 빠르고 효율적
• 넘파이 배열은 큰 데이터셋에서 수치 연산을 수행할 때 뛰어난 성능을 보이며, 메모리 사용을 최적화하고 효율적으로 관리

!pip install numpy

Requirement already satisfied: numpy in /usr/local/lib/python3.10/dist-packages (1.25.2)

 

2. 넘파이의 주요 특징과 기능

 

2-1. 다차원 배열(N-dimensional array)

• 넘파이의 핵심을 다차원 배열 ndarray
• ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있음

list1 = [1, 2, 3, 4]

list2 = [[1, 2, 3, 4], [5, 6, 7, 8]]

print(list1)

print(list2)

print(type(list1))

print(type(list2))

 

print(type(list1[0]))

 

print(type(list2[0]))

 

 

import numpy as np

 

ndarry1 = np.array([1, 2, 3, 4])

print(ndarry1)

print(type(ndarry1))  # <class 'numpy.ndarray'>

print(type(ndarry1[0]))  # <class 'numpy.int64'>  => 넘파이가 만든 int

 

 

ndarry2 = np.array([[1, 2, 3], [4, 5, 6]])

 

print(ndarry2)

print(type(ndarry2))

 

print(type(ndarry2[0]))

 

 

 

2-2. 리스트와 ndarray 변환

• 데이터 타입을 아른데이터 타입으로 변환할 수 있습니다. 리스트에서 배열로의 변환은 np.array() 함수를 사용하고, 배열에서 리스트로의 변환은 tolist() 메서드를 사용

# 리스트를 ndarray로 변환

list1 = [1, 2, 3, 4]

ndarr1 = np.array(list1)

print(ndarr1)

print(type(ndarr1))

 

 

# ndarray를 리스트로 변환

list2 = ndarr1.tolist()

print(list2)

print(type(list2))

 

 

2-3. ndarray의 데이터 타입

• 넘파이의 ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있으며, 다양한 데이터 타입을 지원

list1 = [1, 2.14, 'Python', '🥰', True]

print(list1)

print(type(list1[0]))

print(type(list1[1]))

print(type(list1[2]))

print(type(list1[3]))

print(type(list1[4]))

 

ndarr1 = np.array([1, 2, 3, 4])

print(ndarr1)

print(type(ndarr1))

print(type(ndarr1[0]))

print(type(ndarr1[1]))

 

# 같은 타입만 저장함 => 전체가 실수형으로 바뀐다

ndarr2 = np.array([1, 2, 3.14, 4])

print(ndarr2)

print(type(ndarr2))

print(type(ndarr2[0]))  # <class 'numpy.float64'>

print(type(ndarr2[2]))  # <class 'numpy.float64'>

 

ndarr3 = np.array([1, 2, 3.14, True])

print(ndarr3)

print(type(ndarr3))

print(type(ndarr3[0]))  # <class 'numpy.float64'>

print(type(ndarr3[2]))  # <class 'numpy.float64'>

print(type(ndarr3[3]))  # <class 'numpy.float64'>  => True는 1이라서

 

# 문자로 다 바뀜

ndarr4 = np.array(['1', 2, 3.14, True])

print(ndarr4)

print(type(ndarr4))

print(type(ndarr4[0]))  # 'numpy.str_'>

print(type(ndarr4[2]))  # 'numpy.str_'>

print(type(ndarr4[3]))  # 'numpy.str_'>

 

ndarr3 = np.array([1, 2, 3.14, True], dtype=int) # 모든 요소를 int로 변경

print(ndarr3)

print(type(ndarr3))

print(type(ndarr3[0]))  # <class 'numpy.int64'>

print(type(ndarr3[2]))  # <class 'numpy.int64'>

print(type(ndarr3[3]))  # <class 'numpy.int64'>

 

# '1'은 1이니까

ndarr4 = np.array(['1', 2, 3.14, True], dtype=int)

print(ndarr4)

print(type(ndarr4))

print(type(ndarr4[0]))  #

print(type(ndarr4[2]))  #

print(type(ndarr4[3]))  #

 

# 에러 => '일'

ndarr4 = np.array(['일', 2, 3.14, True], dtype=int)

print(ndarr4)

print(type(ndarr4))

print(type(ndarr4[0]))  #

print(type(ndarr4[2]))  #

print(type(ndarr4[3]))  #

 

 

2-4. ndarray 인덱싱과 슬라이싱

ndarr1 = np.array(['🍓', '🍉', '🍌', '🍈', '🍎'])

print(ndarr1)

print(ndarr1.shape)  # 차원

 

# 인덱싱

print(ndarr1[0])

print(ndarr1[4])

 

print(ndarr1[-1])

print(ndarr1[-2])

 

 

# 슬라이싱

# ['🍓', '🍉', '🍌', '🍈', '🍎']

print(ndarr1[0:3])

print(ndarr1[2:])

print(ndarr1[:3])

 

 

# 2차원 배열

ndarr2d = np.array([[1, 2, 3, 4],

                    [5, 6, 7, 8],

                    [9, 10, 11, 12]])

print(ndarr2d)

print(ndarr2d.shape)

 

 

# 0행 가져오기

print(ndarr2d[0])

print(ndarr2d[0,])

 

print(ndarr2d[0,:])

 

# 0열 가져오기

print(ndarr2d[:,0])

2-5. Fancy Indexding

• 정수 배열이나 불리언 배열을 사용하여 배열의 일부를 선택하는 방법
• 여러 개의 요소를 한 번에 선택하거나 조건에 맞게 선택할 수 있음

ndarr1 = np.array([10, 15, 2, 8, 20, 90, 85, 44, 23, 32])

idx = [2, 5, 9]

print(ndarr1[idx])

 

# 2차원 배열

ndarr2d = np.array([[1, 2, 3, 4],

                    [5, 6, 7, 8],

                    [9, 10, 11, 12]])

print(ndarr2d[[0, 1], :])

#             ------  --

#               행    열

2-6. Boolean Indexing

• 불리언값으로 이루어진 배열을 사용하여 조건을 충족하는 원소만 선택하는 방법

ndarr1 = np.array(['🍓', '🍉', '🍌', '🍈', '🍎'])

sel = [True, False, True, True, False]

print(ndarr1[sel])  # True 해당만 가져옴

ndarr1 = np.array(['🍓', '🍉', '🍌', '🍈', '🍎'])

sel = [True, False, True]

print(ndarr1[sel])   # 갯수가 달라서 IndexError: boolean index 에러

 

# 비교연산자 쓰면 True, False가 되서

ndarr2d = np.array([[1, 2, 3, 4],

                    [5, 6, 7, 8],

                    [9, 10, 11, 12]])

print(ndarr2d[ndarr2d > 7])  # 7보다 큰 값만

print(ndarr2d > 7)   # 위 값이 나오는 원리

 

3. 행렬 연산

• 넘파이에서는 다차원 배열인 ndarray를 사용하여 행렬 연산을 수행
• 행렬 연산은 선형 대수와 관련이 깊어 데이터 과학, 머신러닝, 통게 등 다양한 분야에서 사용됨

ndarr1 = np.array([[1, 2, 3],

                   [2, 3, 4]])

ndarr2 = np.array([[3, 4, 5],

                   [1, 2, 3]])

print(ndarr1.shape)

print(ndarr2.shape)

 

# 행렬 덧셈

print(ndarr1 + ndarr2)

# 행렬 뺄셈

print(ndarr1 - ndarr2)

 

# 행렬 원소별 곱셈

print(ndarr1 * ndarr2)

# 행렬 곱 (Dot Product)

print(ndarr1 @ ndarr2)  # 에러

# ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with gufunc signature (n?,k),(k,m?)->(n?,m?) (size 2 is different from 3)

# 행렬 곱의 조건: 맞닿는 shape가 같아야 함, 떨어져 있는 shape가 결과 행렬이 됨

# 예) (2, 3) @ (2, 3)  X

# 예) (3, 3) @ (3, 2)  O

ndarr3 = np.array([[1, 2, 3],

                   [1, 2, 3],

                   [2, 3, 4]])

ndarr4 = np.array([[1, 2],

                   [3, 4],

                   [5, 6]])

print(ndarr3.shape)

print(ndarr4.shape)

print(ndarr3 @ ndarr4)

# 넘파이로

print(np.dot(ndarr3, ndarr4))

print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))

print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))

print((2*1 + 3*3 + 4*5), (2*2 + 3*4 + 4*6))

# 전치 행렬

# 기존 행렬의 행과 열을 바꾼 새로운 행렬

# T

ndarr1 = np.array([[1, 2, 3],

                   [2, 3, 4]])

print(ndarr1)

print(ndarr1.T)

 

# 역행렬

# 주어진 정사각 행렬에 대한 곱셈 연산으로 단위 행렬을 얻을 수 있는 행렬

# 단위 행렬: 주대각선의 원소가 모두 1이고, 나머지 원소가 모두 0인 정사각형 행렬

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

print(np.linalg.inv(arr))

print(arr @ np.linalg.inv(arr))

 

4. 순차적인 값 생성

arr1 = range(1, 11)

print(arr1)

print(type(arr1))

print(type(arr1[0]))

for i in arr1:

    print(i, end=' ')

 

# 반환되는 값은 ndarray 형태

arr2 = np.arange(1, 11)

print(arr2)

print(type(arr2))

print(type(arr2[0]))

for i in arr2:

    print(i, end=' ')

 

위 아래 결과 값은 같지만 타입이 조금 다름 

5. 정렬

ndarr1 = np.array([1, 10, 5, 7, 2, 4, 3, 6, 8, 9])

print(ndarr1)

print(np.sort(ndarr1))  # 오름차순 정렬

print(ndarr1)  # 인플레이스 안됨

print(np.sort(ndarr1)[::-1])  # 내림차순 정렬

ndarr2d = np.array([[11, 10, 12, 9],

                   [3, 1, 4, 2],

                   [5, 6, 7, 8]])

print(ndarr2d.shape)

print(np.sort(ndarr2d, axis=0))  # 행정렬 => 행으로

print(np.sort(ndarr2d, axis=1))  # 열정렬  => 안에서

print(np.sort(ndarr2d, axis=1)[:,::-1]) # 열정렬 내림차순

print(np.sort(ndarr2d, axis=-1))  # 축의 마지막 방향  => 열방향 정렬과 같음 == axis=1