Python: numpy 라이브러리 정리(indexing, slicing, 정규분포 난수)

데이터 처리 시 리스트 간의 다양한 연산이 필요하지만

파이썬 기본 리스트는 이러한 기능이 부족하며 연산 속도도 빠르지 않다. 

 

넘파이는 파이썬에서 수치 데이터를 다루는 가장 기본적이고 강력한 패키지로써 

pandas, scikit-learn, tensorflow등이 넘파이 위에서 동작한다. 

 

넘파이는 ndarray를 사용하는데 이는 C 언어에 기반한 배열 구조로써

메모리를 적게 차지하며 속도가 빠르다. 

또한 고급 연산자와 풍부한 함수를 제공한다. 

 

 

 

1. 다차원 배열(ndarray)의 속성 

# ndarray를 이용한 연산
import numpy as np
a = np.array(range(1, 11))
b = np.array(range(10, 20))
print(a)
print(b)
print(a+b)
print(a-b)

# 객체의 형태
print(a.shape)

# 객체의 차원
print(a.ndim)

# 객체의 내부 자료형
print(a.dtype)

# 객체의 내부 자료형이 차지하는 메모리 크기(bytes)
print(a.itemsize)

# 객체의 항목 수
print(a.size)

[ 1  2  3  4  5  6  7  8  9 10]
[10 11 12 13 14 15 16 17 18 19]
[11 13 15 17 19 21 23 25 27 29]
[-9 -9 -9 -9 -9 -9 -9 -9 -9 -9]
(10,)
1
int32
4
10

 

 

 

 

2. 논리적 인덱싱

# 논리적 인덱싱
import numpy as np
scores = np.array([84, 41, 70, 30, 100, 66, 30, 90, 91])
print(scores)
# 70점 이상 찾기
print(scores[scores >= 70])

[ 84  41  70  30 100  66  30  90  91]
[ 84  70 100  90  91]

 

 

 

 

3. 2차원 배열 

import numpy as np

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

print("2차원 배열")
print(np_array)

print("2차원 배열 인덱싱")
print(np_array[2][2])
print(np_array[2, 2])
# 단 np_array[0:2, 0:2] 와 np_array[0:2][0:2]는 다르다. 

print("2차원 배열 요소 변경")
np_array[2, 2] = 9.1234 # 실패 -> 정수만 저장
print(np_array)

print("2차원 배열 일부 추출")
print(np_array[1][0:2])

print("2차원 배열에서 하나의 행 지정")
print(np_array[2])

print("2차원 배열 논리적인 인덱싱 - 짝수")
print(np_array[np_array%2==0])

print("2차원 배열 논리적인 인덱싱 - 세번째 열")
print(np_array[:, 2])

2차원 배열
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
2차원 배열 인덱싱
9
9

2차원 배열 요소 변경
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
2차원 배열 일부 추출
[4 5]

2차원 배열에서 하나의 행 지정
[7 8 9]

2차원 배열 논리적인 인덱싱 - 짝수
[2 4 6 8]

2차원 배열 논리적인 인덱싱 - 세번째 열
[3 6 9]

 

 

 

 

4. numpy 함수 사용하기(arange, linespace, reshape, flatten) 

import numpy as np
print("arange 사용하기")
# array + range
# np.arange([시작], [끝], [간격])
np_array = np.arange(1, 30, 5)
print(np_array)


print("linespace 사용하기")
# 시작값부터 끝값까지 균일한 간격으로 지정된 개수만큼 배열 생성
ls = np.linspace(0, 10, 10)
print(ls)


print('reshape 사용하기')
np_array = np.arange(1, 30, 3)
# (2, 5) 크기로 배열을 reshape한다.
rs = np_array.reshape(2, 5)
print(rs)


# 인수로 -1 전달시 데이터 개수에 맞춰서 자동으로 배열 형태 결정
print(rs.reshape(5, -1))
# 데이터 갯수가 맞지 않으면 에러가 발생한다.


print('flatten 사용하기')
# 2차원 이상의 배열을 1차원 배열로 생성
np_array = np.arange(1, 30, 3).reshape(5, -1)
print(np_array)
print(np_array.flatten())

arange 사용하기
[ 1  6 11 16 21 26]

linespace 사용하기
[ 0.          1.11111111  2.22222222  3.33333333  4.44444444  5.55555556
  6.66666667  7.77777778  8.88888889 10.        ]
  
reshape 사용하기
[[ 1  4  7 10 13]
 [16 19 22 25 28]]
 
[[ 1  4]
 [ 7 10]
 [13 16]
 [19 22]
 [25 28]]
 
flatten 사용하기
[[ 1  4]
 [ 7 10]
 [13 16]
 [19 22]
 [25 28]]
 
[ 1  4  7 10 13 16 19 22 25 28]

 

 

 

 

5. numpy 난수 생성하기 

print("난수 생성")
# 난수의 seed를 먼저 생성
np.random.seed(100)

# 의사 난수 생성
print(np.random.rand(5))

# 난수로 이루어진 이차원 배열(3x5)생성
print(np.random.rand(3, 5))

# 30에서 40 사이의 (2, 2) 난수 배열 생성
print(np.random.rand(2, 2)*10 + 30)

print("정수 난수 생성")
# 1에서 6까지의 정수 난수 중 10개 출력
print(np.random.randint(1, 7, size=10))

# 3x4 배열의 1에서 30까지의 정수 난수
print(np.random.randint(1, 31, size=(3, 4)))

난수 생성
[0.54340494 0.27836939 0.42451759 0.84477613 0.00471886]

[[0.12156912 0.67074908 0.82585276 0.13670659 0.57509333]
 [0.89132195 0.20920212 0.18532822 0.10837689 0.21969749]
 [0.97862378 0.81168315 0.17194101 0.81622475 0.27407375]]
 
[[34.31704184 39.4002982 ]
 [38.17649379 33.3611195 ]]
 
 정수 난수 생성
[4 1 3 2 2 4 3 6 4 1]

[[15 18 17 16]
 [ 8 14  7 13]
 [19  1 25  3]]

 

 

 

 

6. numpy 정규분포 난수 생성하기 

print("정규 분포 난수 생성")
# 정규분포를 갖는 난수를 생성한다.
print(np.random.randn(5))


# 평균이 10이고 표준편차가 2인 정규분포 (3x4) 난수 생성
mean = 10
sigma = 2
randoms = 10+sigma*np.random.randn(3, 4)
print(randoms)


# 평균과 중간값 계산하기
print("평균 계산하기")
print(np.mean(randoms))


print("중간값 계산하기")
print(np.median(randoms))

정규 분포 난수 생성
[ 0.18451869  0.9370822   0.73100034  1.36155613 -0.32623806]

[[10.11135203 10.44479922  7.11356601  8.48729539]
 [11.63290802 11.50088952  9.08810615 12.37924454]
 [ 6.61876635  7.2872019   7.53513097  8.91112168]]
 
평균 계산하기
9.259198480812097

중간값 계산하기
8.999613910859534