[Python Library] Numpy 기초

0. Numpy란?

행렬이나 일반적으로 대규모 다차원 배열을 쉽게 처리할 수 있도록 지원하는 파이썬의 라이브러리
-Wikipedia

Numpy Notation

• axis : 배열의 각 축
• rank : 축(axis)의 개수
• shape : 축의 길이, 배열의 크기 (몇 행 몇 열인지)
• dimension : 차원 수

---

1. 라이브러리 불러오기

• numpy는 np라는 줄임말로 통용된다. 라이브러리를 불러와 np라는 이름을 붙여주자.
• import numpy as np

2. Numpy 배열 만들기

• np.array() 함수를 이용하여 만든다.
• 차원 수만큼 대괄호 쌍([])이 있다고 생각하면 된다.

1) 1차원 배열

실행

a1 = np.array([7, 2, 9, 10])

# 확인
print(a1)

결과

[7 2 9 10]

2) 2차원 배열

실행

a2 = np.array([[5.2, 3.0, 4.5],
                 [9.1, 0.1, 0.3]])

print(a2)

결과

[[5.2 3.0 4.5]
 [9.1 0.1 0.3]]

3) 3차원 배열

실행

a3 = np.array([[[1, 4, 7],
                   [2, 9, 7],
                   [1, 3, 0],
                [9, 6, 9]],
                  [[2, 3, 4],
                   [8, 1, 5],
                [1, 3, 2]
                   [3, 5, 8]]])

print(a3)

결과

[[[1 4 7]
  [2 9 7]
  [1 3 0]
  [9 6 9]]
 [[2 3 4]
  [8 1 5]
  [1 3 2]
  [3 5 8]]]

---

3. 배열 정보 확인

1) 차원 확인

• array.ndim : 배열의 차원을 출력

실행

print(a1.ndim)
print(a2.ndim)      
print(a3.ndim)

결과

1
2
3

2) 크기 확인

• array.shape : (행 개수, 열 개수 (,차원 개수))의 형태로 배열의 사이즈 반환, 각 숫자는 각 axis의 크기를 의미함

실행

print(a1.shape)
print(a2.shape)
print(a3.shape)

결과

(4,)
(2, 3)
(4, 3, 2)

3) 자료형 확인

• array.dtype : 배열에 있는 요소들의 자료형 확인

실행

print(a1.dtype)
print(a2.dtype)
print(a3.dtype)

결과

int32
float64
int32

---

4. 형태 변환하기

• array.reshape(행 #, 열 #) : 배열을 다양한 형태로 변환할 수 있다. 배열에 포함된 요소의 개수만 변하지 않는다면 다양하게 변환 가능
  (e.g. (3,4) -> (2,6) -> (4, 3) -> (12, 1) -> (6, 2), 배열요소 12개)실행

실행

# 2 x 3의 배열 만들기
a = np.array([[1, 2, 3], [4, 5, 6]])
b = a.reshape(3, 2) # 2 X 3 -> 3 X 2
c = a.reshape(6) # 2 X 3 -> 1D array (6,)
print(b)
print(c)

결과

[[1 2]
 [3 4]
 [5 6]]

[1 2 3 4 5 6]

• array.reshape(행 #, -1) : 행의 개수만 지정하고 열 개수는 알아서 분배
• array.reshape(-1, 열 #) : 열의 개수만 지정하고 행 개수는 알아서 분배

실행

a = np.array([[1, 2, 3], [4, 5, 6]])
print(a.reshape(1, -1)) # 행의 개수가 1개인 배열로 변환
print(a.reshape(-1, 3)) # 열의 개수가 3개인 배열로 변환

결과

[[1 2 3 4 5 6]]

[[1 2]
 [3 4] 
 [5 6]]

---

5. Numpy 배열 요소 조회하기

# 다음의 배열에 있는 값들을 조회해보자.
a = np.array([[1, 2, 3],
              [4, 5, 6],
              [7, 8, 9]])

1) Indexing

(1) 하나의 값 조회 (특정 열 & 행 조회)

• array[행,열,차원] : 특정한 위치의 하나의 요소 조회

실행

# 첫 번째 행, 두 번째 열의 요소 조회
a[[0],[1]]
print(a[0, 1])

결과

array([2])
2

(2) 특정 행 조회

하나의 행 조회 여러 행 조회

• array[행,:] or `array[행]`: 특정한 행에 있는 요소들 조회, 여러 개의 행을 조회하고 싶으면 숫자들을 리스트로 구성한 후 행에 준다.

실행

# 첫 번째 행 조회 
print(a[0, :]) 
# 첫 번째, 두 번째 행 조회
print(a[[0, 1], :])
print(a[[0, 1]]) # 행 조회의 경우 ', :' 생략 가능

결과

[1 2 3]

[[1 2 3]
[4 5 6]]

 

(3) 특정 열 조회 

하나의 열 조회 여러 열 조

• `array[:, 열]` : 특정한 행에 있는 요소들 조회, 여러 개의 열을 조회하고 싶으면 숫자들을 리스트로 구성한 후 `열`에 준다.

실행

# 첫 번째 열 조회
print(a[: , 0])
# 첫 번째, 두 번째 열 조회
print(a[:, [0, 1]])

결과

[[1]
 [4]
 [7]]

[[1 2]
 [4 5]
 [7 8]]

2) Slicing

• array[행1:행N, 열1:열N]: 찾고 싶은 2차원 배열을 조회, 마지막 값인 행N과 열N 값은 포함되지 않는다.

실행

# 첫 번째 ~ 두 번째 행의 두 번째 ~ 세 번째 열 조회
print(a[0:3, 1:4])

결과

[[2 3] 
 [5 6]]

3) 조건 조회 (Boolean 방식)

• array[조건] : 검색 조건에 맞는 요소만 선택

실행

# 모든 요소 중에서 5 초과인 것만 조회
print(a[a > 5])

결과

[6 7 8 9]

• array[(조건1) & (조건2) & ...] : 조건을 모두 만족하는 요소만 선택

실행

# 모든 요소 중에서 2 이상 6 미만인 것만 조회
print(a[(a >= 2) & (a < 6)])

결과

[2 3 4 5]

• array[(조건1) | (조건2) | ...] : 조건중 하나라도 만족하는 요소 선택

실행

# 모든 요소 중에서 2 미만이거나 6 이상인 것 조회
print(a[(a >= 2) & (a < 6)])

결과

[1 7 8 9]

---

6. Numpy 배열 연산

1) 배열 사칙연산

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

(1) 더하기

• + or np.add(array1, array2) : 배열 더하기 (element-wise)

실행

print(x+y)
print(np.add(x,y))

결과

[[ 6  8]
 [10 12]]

(2) 빼기

• - or np.subtract(array1, array2) : 배열 빼기 (element-wise)

실행

print(x - y)
print(np.subtract(x, y))

결과

[[-4 -4]
 [-4 -4]]

(3) 곱하기

• * or np.multiply(array1, array2) : 배열 곱하기 (element-wise)

실행

print(x * y)
print(np.multiply(x, y))

결과

[[ 5 12]
 [21 32]]

(4) 나누기

• / or np.divide(array1, array2) : 배열 나누기 (element-wise)

실행

print(x / y)
print(np.divide(x, y))

결과

[[0.2        0.33333333]
 [0.42857143 0.5       ]]

(5) 지수

• ** or np.power(array, 지수) : 지수 연산 (element-wise)

실행

print(x ** y) 
print(np.power(x, y))

결과

[[ 1 64]
 [ 2187 65536]]

2) 배열 통계

• 통계 메소드들은 axis 옵션에 따라 열 기준으로 집계(axis = 0) 할 것인지 행 기준으로 집계 (axis = 1) 할 것인지로 나뉜다. 아무 옵션도 주지 않으면 자동으로 전체 집계를 한다.

# 다음의 배열에 대해 통계량을 구해보자
a = np.array([[1,5,7],[2,3,8]])
print(a)​

[[1 5 7]
[2 3 8]]

(1) 집계

• np.sum(array, axis = ...) or array.sum(axis = ...) : 배열 집계

실행

# 전체 집계
print(np.sum(a))

# 열기준 집계
print(np.sum(a, axis = 0))

# 행기준 집계
print(np.sum(a, axis = 1))

결과

26
[ 3  8 15]
[13 13]

(2) 평균

• np.mean(array, axis = ...) or array.mean(axis = ...) : 배열 평균

(3) 표준편차

• np.std(array, axis = ...) or array.std(axis = ...) : 배열 표준편차

(4) 최소/최대값

• np.min(array, axis = ...) or array.min(axis = ...) : 배열 최소값
• np.max(array, axis = ...) or array.max(axis = ...) : 배열 최대값

---

7. 자주 사용되는 함수들

# 다음의 배열을 가지고 생각해보자.
[[1 5 7]
 [2 3 8]]

1) 최대/최소값의 인덱스 찾기

• np.argmax(array, axis = ...)/np.argmin(array, axis = ...) : array 전체에서 최대값/최소값의 인덱스를 찾아준다. (axis 옵션을 주지 않았을 때)
  • axis = 0: 각 행에서의 최대값/최소값 인덱스를 반환
  • axis = 1: 각 열에서의 최대값/최소값 인덱스를 반환

실행

# 전체 중에서 가장 큰 값의 인덱스
print(np.argmax(a))

# 행 방향 최대값의 인덱스
print(np.argmax(a, axis = 0))

# 열 방향 최대값의 인덱스
print(np.argmax(a, axis = 1))

결과

5

[1 0 1]

[2 2]

2) 조건에 해당하는 요소 처리

• np.where(조건문, True일때 값, False일 때 값) : 조건을 주고, 조건에 해당하지 않는 요소의 값과 조건에 해당하는 요소의 값을 지정한 값들로 바꿀 수 있다.

실행

# 2보다 큰 요소는 1, 같거나 작은 요소는 0으로 변환
np.where(a > 2, 1, 0)

결과

array([[0 1 1]
	[0 1 1]])

 

---

나... 기초적인거 정리하는 데에 시간을 너무 많이 들이고 있나...?