TIL 15일차 (22.01.20)

<안내>
필자도 배우는 입장이라 틀린점, 잘못된 점이 있을 수 있습니다.
그러니 지적, 피드백 환영합니다.

Numpy 패키지 불러오기

¶

In [1]:

import numpy as np
# np로 많이 불러옴. 

 

Array 만들기¶

In [2]:

lst = [1,2,3,4,5]
np_arr = np.array(lst)
np_arr

Out[2]:

array([1, 2, 3, 4, 5])

 

배열의 모양¶

In [4]:

A = np.array([[1,1,1],[1,2,3]])
B = np.array([
    [[1,2,3],[1,2,3],
    [3,4,5],[3,4,3]]
])
print(A.shape)
print(B.shape)

 

(2, 3)
(1, 4, 3)

 

배열의 모양이라는게 제일 밖의 괄호를 기준으로 한꺼풀씩 세어가는 것 같은데

 

특수한 배열 생성 (ones, zeros함수)¶

In [5]:

ones_arr = np.ones(shape=(2,3))
zeros_arr = np.zeros(shape=(2,3))

print(ones_arr)
print(zeros_arr)

 

[[1. 1. 1.]
 [1. 1. 1.]]
[[0. 0. 0.]
 [0. 0. 0.]]

 

Random 배열 생성 (numpy 내부 Random 함수)¶

In [6]:

# 3 * 2 의 모양을 가진 배열을 정규분포에 따라 랜덤하게 만들어줍니다. 
rand_normal_arr = np.random.normal(loc=3, scale = 0.25, size = (3,2))
print (rand_normal_arr)

# 3 * 2 의 모양을 가지고 1부터 9까지 임의의 정수로만 이루어진 배열을 만들어라
rand_int_arr = np.random.randint(1,9+1,size = (3,2))
print(rand_int_arr)

 

[[2.82038096 3.03887975]
 [3.00700112 3.3828024 ]
 [2.67334873 2.76394743]]
[[3 9]
 [4 1]
 [8 4]]

 

Array 인덱싱¶

• 리스트와 마찬가지로 lst[ ][ ]처럼 arr[ ][ ]이 가능하지만, 일반적으로 arr[ , ]로 쉼표를 기준으로 구분하여 인덱싱하는것을 권장하고있음.

In [8]:

arr = np.array([[1, 2, 4], [12, 15, 16]])
print(arr[1][2]) # 이렇게도 가능하지만

print(arr[1, 2]) # 이 방식이 선호된다.

 

16
16

 

Array 특정 요소 변경¶

In [11]:

arr[1,2] = 100 # 인덱스 위치에다가 값을 집어넣으면 돼. 
print(arr) 

 

[[  1   2   4]
 [ 12  15 100]]

 

Array 사칙연산¶

• 덧셈, 뺄셈, 곱셈, 나눗셈, 나머지연산은 같은 인덱스의 항목끼리 연산해준다.

In [16]:

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

# 덧셈
print(arr_A + arr_B)

# 뺄셈
print(arr_A - arr_B)

# 곱셈
print(arr_A * arr_B)

# 나눗셈
print(arr_A / arr_B)

# 나머지연산
print(arr_A % arr_B)

 

[ 3  5  7  9 11]
[-1 -1 -1 -1 -1]
[ 2  6 12 20 30]
[0.5        0.66666667 0.75       0.8        0.83333333]
[1 2 3 4 5]

 

브로드 캐스팅¶

• 리스트는 항상 같은 크기끼리 더해줬어야 했는데, 배열은 배열 + 상수 도 가능하다.
• 무조건 같은 모양의 배열을 더하는 게 아니더라도 연산이 가능할 수 있다.

In [19]:

 A = [
     [1, 1, 1],
     [2, 2, 2],
     [3, 3, 3]
   ]
A = np.array(A)
result = A + 10 # array에 상수를 더하네?
print(A)
print(result)

 

[[1 1 1]
 [2 2 2]
 [3 3 3]]
[[11 11 11]
 [12 12 12]
 [13 13 13]]

 

행렬 곱 (a11b11 + a12 b21 = c11) ( dot() method)¶

• 행렬을 했다면 알겠지만, 같은 인덱스 항목끼리 곱해주는게 아니거든요..

In [26]:

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

# 그냥 곱연산
arr = arr_a * arr_b
print(arr)

# 행렬 곱 np.dot(A, B)
arr_dot = np.dot(arr_a,arr_b)
print(arr_dot)

# 이런식으로도 곱을 구할 수 있음 A.dot(B)
print(arr_a.dot(arr_b))

 

[[ 3  8]
 [15 24]]
[[13 16]
 [29 36]]
[[13 16]
 [29 36]]

 

배열 슬라이싱¶

arr[start: end+1] 로 슬라이싱함

슬라이싱한 배열의 값 또한 변경시킬 수 있는데, 이때 배열의 크기가 다르면 변경할 수 없음. 그러나 브로드캐스팅 적용되는 선까지는 변경가능

In [27]:

arr = np.array([1,2,3,4,5,6,7,8,9])
# 바꾸기 전
print(arr[3:7])

# 바꾼 후
arr[3:7] = [1,2,3,4] # 4개의 배열이라 4개만 바꿔줘야함
print(arr[3:7])

# 브로드 캐스팅으로 바꿈
arr[3:7] = 100
print(arr[3:7])

 

[4 5 6 7]
[1 2 3 4]
[100 100 100 100]

 

2차원 배열 슬라이싱¶

In [30]:

arr = np.array([
    [1, 2, 3, 4, 5], 
    [4, 5, 6, 7, 8], 
    [5, 6, 7, 8, 9], 
    [10, 11, 14, 15, 17]
])
print(arr[1:3, 2:4]) # -> 첫번째 차원에서는 1~2 까지, 두번째 차원에서는 2부터 3까지 슬라이싱하자

 

[[6 7]
 [7 8]]

 

슬라이싱을 이용한 값 변경¶

In [33]:

arr = np.array([
    [1, 2, 3, 4, 5], 
    [4, 5, 6, 7, 8], 
    [5, 6, 7, 8, 9], 
    [10, 11, 14, 15, 17]
])

# 값 변경
arr[1:3, 1:3] = np.array([[10, 20], [30, 40]])
print(arr)

# 브로드캐스팅도 가능함
arr[1:3, 1:3] = 100
print(arr)

 

[[ 1  2  3  4  5]
 [ 4 10 20  7  8]
 [ 5 30 40  8  9]
 [10 11 14 15 17]]
[[  1   2   3   4   5]
 [  4 100 100   7   8]
 [  5 100 100   8   9]
 [ 10  11  14  15  17]]

 

관계 연산 (True , False)¶

• and나 or 쓰면 에러남
• and는 &로, or은 |로 사용해야함

In [36]:

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

# 1개의 조건식
B = (A >= 4)
print(B)

# 2개이상의 조건식
C = ((A >= 4) & (A % 2 == 1))
print(C)

 

[False False False  True  True  True False False False]
[False False False False  True False False False False]

 

불 인덱싱¶

• True인 애나 False인 애가 누구인지 알고싶지 않아?

In [37]:

# 위에 썼던 B를 그대로 쓰자

# bool 배열을 인덱스로 써서 그 요소를 추출하자
print(A[B]) 

# 또는 원하는 애들을 다 바꿔버릴 수 있지.
A[B] = 0 # B를 만족하는 애중애 A에있는 애들 싹다 쳐내
print(A)

 

[4 5 4]
[1 2 3 0 0 0 3 2 1]