python 5일차 - NumPy

In [ ]:

'''
Numpy : Numerical Python
        벡터, 행렬(매트릭스) 계산하는 용도의 module
        
'''

 

In [1]:

import numpy as np

 

In [11]:

a = np.array([1, 2, 3])
a
a * 3  # 기존 배열의 3개 반복이 아닌 곱하기 3의 값이 들어간다
a[0]

 

Out[11]:

1

 

In [12]:

b = np.array([2, 2, 1])
a / a

 

Out[12]:

array([1., 1., 1.])

 

In [14]:

np.dot(a, b)  # 1*2 + 2*2 + 3*1 = 9  /  각 배열 순서를 곱한값을 전부 더한값

 

Out[14]:

9

 

In [18]:

c = range(10)
print(c)

d = np.arange(10)
print(d)
d = np.arange(0, 10, 2)
print(d)

 

 

range(0, 10)
[0 1 2 3 4 5 6 7 8 9]
[0 2 4 6 8]

 

In [22]:

d = np.linspace(1, 10, 10)  # 1 ~ 10까지 10등분 해라
d

 

Out[22]:

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

 

In [23]:

d = np.linspace(1, 10, 15)  # 1 ~ 10까지 15등분 해라
d

 

Out[23]:

array([ 1.        ,  1.64285714,  2.28571429,  2.92857143,  3.57142857,
        4.21428571,  4.85714286,  5.5       ,  6.14285714,  6.78571429,
        7.42857143,  8.07142857,  8.71428571,  9.35714286, 10.        ])

 

In [30]:

c = [
    [1, 2, 3],
    [4, 5, 6]
]
print(c[0][0])
print(c[1][1])


# Numpy
c = np.array([
    [1, 2, 3], 
    [4, 5, 6]
])
print(c[0][0])

c.shape  # 큰배열 2개 안에 값이 3개

 

 

1
5
1

Out[30]:

(2, 3)

 

In [34]:

d = np.sum(c)  # 전체의 합계를 구해준다
print(d)

d = np.sum(c, axis=1)  # 하나의 축을 가리킨다 1번째 축 합계, 2번째 축 합계
d

 

 

21

Out[34]:

array([ 6, 15])

 

In [37]:

d = c.reshape(3, 2)  # 배열의 축을 변경 / 3개의 배열에 2개의 값을 넣어서 출력
d

 

Out[37]:

array([[1, 2],
       [3, 4],
       [5, 6]])

 

In [41]:

d = c.reshape(6, 1)  # 2차원 배열
d

 

Out[41]:

array([[1],
       [2],
       [3],
       [4],
       [5],
       [6]])

 

In [43]:

# 2차원 -> 1차원 배열로 변경
d = c.reshape(6, ) 
d

 

Out[43]:

array([1, 2, 3, 4, 5, 6])

 

In [45]:

d = c.T  # T : 축을 변경
d

 

Out[45]:

array([[1, 4],
       [2, 5],
       [3, 6]])

 

In [50]:

d = d.T  # 축을 변경한것을 되돌리기 -> 재출력
d

 

Out[50]:

array([[1, 2, 3],
       [4, 5, 6]])

 

In [51]:

d = np.transpose(c)
d

 

Out[51]:

array([[1, 4],
       [2, 5],
       [3, 6]])

 

 

random¶

 

In [57]:

d = np.random.randn()  # 정규분포에서 랜덤값을 가져온다
d

 

Out[57]:

-0.7618575113790881

 

In [80]:

d = np.random.rand()  # 0 ~ 1사이의 랜덤값
d

 

Out[80]:

0.6925339054907893

 

In [81]:

d = np.random.randn(2, 3)  # 큰묶음2개 안에 요소3개의 배열을 생성
d

 

Out[81]:

array([[-0.91828701,  0.87117892, -0.76993539],
       [-0.1333141 , -0.33982538,  0.33031695]])

 

In [85]:

d[0, 0]  # == d[0][0]과 동일함

 

Out[85]:

-0.9182870125977343

 

In [86]:

d = np.array([0, 5, 2, 7, 1, 9])
d[1:5]  # 1번지 부터 5번지 전까지

 

Out[86]:

array([5, 2, 7, 1])

 

In [87]:

d[0:5:2]  # 0번지에서 5번지 전까지 2번지 띄워서 출력

 

Out[87]:

array([0, 2, 1])

 

In [88]:

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

 

In [89]:

a.data  # 메모리 할당주소

 

Out[89]:

<memory at 0x000002B16D0DDD00>

 

In [90]:

b.flags 
# https://runebook.dev/ko/docs/numpy/reference/generated/numpy.ndarray.flags 주소내 정보참고

 

Out[90]:

  C_CONTIGUOUS : True
  F_CONTIGUOUS : False
  OWNDATA : True
  WRITEABLE : True
  ALIGNED : True
  WRITEBACKIFCOPY : False
  UPDATEIFCOPY : False

 

In [91]:

a.size  # size : 최종 길이값

 

Out[91]:

3

 

In [93]:

b.size

 

Out[93]:

6

 

In [94]:

a.shape  # shape : 차원을 볼 수 있다

 

Out[94]:

(3,)

 

In [95]:

b.shape

 

Out[95]:

(2, 3)

 

In [96]:

a.flat[0]

 

Out[96]:

1

 

In [98]:

b.flat[4]  # flat : 총 길이의 5번지 출력

 

Out[98]:

5

 

In [101]:

d = np.array([[[2, 3, 4], [2, 2, 2], [4, 3, 2],[5, 7, 1]]])
d.shape  # 차원을 볼 수 있다  /  [대[중[소]]]의 갯수를 출력

 

Out[101]:

(1, 4, 3)

 

In [102]:

d.ndim  # ndim : 차원을 출력 //  몇차원 배열인지 확인할 수 있다

 

Out[102]:

3

 

 

 

 

In [104]:

b = np.arange(20).reshape(4, 5)  # 4개의 큰 배열에 5개의 요소를 담는다
b

 

Out[104]:

array([[ 0,  1,  2,  3,  4],
       [ 5,  6,  7,  8,  9],
       [10, 11, 12, 13, 14],
       [15, 16, 17, 18, 19]])

 

In [105]:

b[2]

 

Out[105]:

array([10, 11, 12, 13, 14])

 

In [108]:

b[1:3, 2:4]  # 중간에 있는 데이터를 가져오기

 

Out[108]:

array([[ 7,  8],
       [12, 13]])

 

In [112]:

# 0 ~ 1행 1 ~ 4열의 데이터를 가져오기
# b[0:2, 1:5]
b[ :2, 1: ]

 

Out[112]:

array([[1, 2, 3, 4],
       [6, 7, 8, 9]])

 

In [115]:

b[ ::2, : ]  # 2칸을 가져온다 / 안적으면 1칸씩 가져옴

 

Out[115]:

array([[ 0,  1,  2,  3,  4],
       [10, 11, 12, 13, 14]])

 

In [117]:

t = b[ : , ::2 ]  # 배열은 변경된게 아니므로 변수에 넣어서 저장해줘야한다!!!
t

 

Out[117]:

array([[ 0,  2,  4],
       [ 5,  7,  9],
       [10, 12, 14],
       [15, 17, 19]])

 

In [119]:

np.zeros(10)  # float타입으로 zero 0개를 출력

 

Out[119]:

array([0., 0., 0., 0., 0., 0., 0., 0., 0., 0.])

 

In [121]:

np.zeros((2, 5))  # 0으로 채워진 2차원배열

 

Out[121]:

array([[0., 0., 0., 0., 0.],
       [0., 0., 0., 0., 0.]])

 

In [123]:

np.zeros((2, 3, 4))  # 대:2, 중:3, 소:4

 

Out[123]:

array([[[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]],

       [[0., 0., 0., 0.],
        [0., 0., 0., 0.],
        [0., 0., 0., 0.]]])

 

In [125]:

np.zeros((2, 3, 4, 5))  # 4차원의 배열도 가능하다 (참고만)

 

Out[125]:

array([[[[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]]],


       [[[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]],

        [[0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.],
         [0., 0., 0., 0., 0.]]]])

 

In [130]:

a = np.arange(6).reshape((3, 2))
a

 

Out[130]:

array([[0, 1],
       [2, 3],
       [4, 5]])

 

In [132]:

a.ndim

 

Out[132]:

2

 

In [134]:

b = np.array([a, a])
b

 

Out[134]:

array([[[0, 1],
        [2, 3],
        [4, 5]],

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

 

In [135]:

b.ndim

 

Out[135]:

3

 

 

axis(축)¶

 

In [137]:

b.sum(axis=0)  # 0차원 축의 합계

 

Out[137]:

array([[ 0,  2],
       [ 4,  6],
       [ 8, 10]])

 

In [138]:

b.sum(axis=1)  # 1차원의 합계

 

Out[138]:

array([[6, 9],
       [6, 9]])

 

In [140]:

b.sum(axis=2)

 

Out[140]:

array([[1, 5, 9],
       [1, 5, 9]])

 

 

 

 

 

과제¶

 

In [ ]:

#문제1) ndarray 타입으로 3 by 4의 배열을 만들고 정수값(1~100)으로 
# 랜덤하게 채운다음 다음 출력들을 실행해보세요 

 

In [173]:

arr = np.random.randint(0, 100, size=(3, 4))
arr

 

Out[173]:

array([[ 4,  9, 60, 46],
       [68, 64, 12, 36],
       [77, 99, 14, 82]])

 

In [ ]:

#문제2) 각행 출력하기 

 

In [174]:

arr[0]

 

Out[174]:

array([ 4,  9, 60, 46])

 

In [175]:

arr[1]

 

Out[175]:

array([68, 64, 12, 36])

 

In [176]:

arr[2]

 

Out[176]:

array([77, 99, 14, 82])

 

In [ ]:

#문제3)열 출력하기 

 

In [177]:

arr[ : , 0]

 

Out[177]:

array([ 4, 68, 77])

 

In [180]:

arr[ : , 1]

 

Out[180]:

array([ 9, 64, 99])

 

In [179]:

arr[ : , 2]

 

Out[179]:

array([60, 12, 14])

 

In [178]:

arr[ : , 3]

 

Out[178]:

array([46, 36, 82])

 

In [ ]:

#문제4)행의 누적합계 구하기 

 

In [182]:

arr.sum(axis=1)

 

Out[182]:

array([119, 180, 272])

 

In [ ]:

#문제5)열의 누적합계 구하기 

 

In [183]:

arr.sum(axis=0)

 

Out[183]:

array([149, 172,  86, 164])

 

 

 

 

 

과제풀이¶

 

In [ ]:

#문제1) ndarray 타입으로 3 by 4의 배열을 만들고 정수값(1~100)으로 
# 랜덤하게 채운다음 다음 출력들을 실행해보세요 

 

In [158]:

import numpy as np

arr = np.zeros((3, 4))
arr

 

Out[158]:

array([[0., 0., 0., 0.],
       [0., 0., 0., 0.],
       [0., 0., 0., 0.]])

 

In [161]:

for i in range(0, 3):
    for j in range(0, 4):
        # arr[i][j] = np.random.randint(1, 100)
        arr[i, j] = np.random.randint(1, 100)
        
arr

 

Out[161]:

array([[62., 32., 67., 45.],
       [52.,  6., 95., 57.],
       [58., 15., 36., 45.]])

 

In [ ]:

#문제2) 각행 출력하기 

 

In [163]:

print(arr[0])
print(arr[1])
print(arr[2])

 

 

[62. 32. 67. 45.]
[52.  6. 95. 57.]
[58. 15. 36. 45.]

 

In [ ]:

#문제3)열 출력하기 

 

In [165]:

print(arr[ : , 0])
print(arr[ : , 1])
print(arr[ : , 2])
print(arr[ : , 3])

 

 

[62. 52. 58.]
[32.  6. 15.]
[67. 95. 36.]
[45. 57. 45.]

 

In [ ]:

#문제4)행의 누적합계 구하기 

 

In [166]:

arr.sum(axis=0)

 

Out[166]:

array([172.,  53., 198., 147.])

 

In [167]:

arr.cumsum(axis=0)  # cumsum 작동방법(행방향, 열방향 누적의 합)

 

Out[167]:

array([[ 62.,  32.,  67.,  45.],
       [114.,  38., 162., 102.],
       [172.,  53., 198., 147.]])

 

In [ ]:

### cumsum(axis=)  axis=0 행방향 누적합 / axis=1 열방향 누적합

 

In [ ]:

#문제5)열의 누적합계 구하기 

 

In [168]:

arr.sum(axis=1)

 

Out[168]:

array([206., 210., 154.])

python_numpy.ipynb

0.03MB