Numpy 튜토리얼

넘파이는 벡터(1차원 배열), 행렬(2차원 배열) 등 수치 연산을 하는 선형 대수(Linear algebra) 라이브러리이다.

# 설치 코드
pip install numpy

# 패키지 추가
import numpy as np

기초 개념

Numpy에서는 모든 배열 값이 같은 타입이여야 하며, 각 차원을 축이라고 표현한다. Numpy에서 배열은 ndarray 또는 array라고 하며 Python의 array와는 다르다.

스칼라(Scalar : 0D 텐서) : 0차원 축(행 & 차원) 즉, 숫자 한개
벡터(Vector : 1D 텐서) : 1차원 축(행 & 차원)
행렬(Matrix : 2D 텐서) : 2차원 축(행 & 차원)

• numpy.ndarray의 대표 속성값

  • ndarray.shape : 배열의 각 축(axis)의 크기
  • ndarray.ndim : 축의 개수
  • ndarray.dtype : 각 요소의 타입
  • ndarray.itemsize : 각요소의 타입의 bytes 크기
  • ndarray.size : 전체 요소의 개수

• 배열 생성

  • np.array()에 튜플이나 리스트 를 입력하여 numpy.ndarray를 만들수 있다
  • dtype = complex로 복소수 값 생성 가능하다.

    print(np.array([[1,2,], [3,4]], dtype = complex))
    # [[1.+0.j 2.+0.j]
    #  [3.+0.j 4.+0.j]]

  • np.zeros(shape) : 0으로 구성된 N차원 배열 생성
  • np.ones(shape) : 1로 구성된 N차원 배열 생성
  • np.empty(shape) : 초기화되지 않은 N차원 배열 생성

    print(np.zeros((3,4)))
    # [[0. 0. 0. 0.]
    #  [0. 0. 0. 0.]
    #  [0. 0. 0. 0.]]

  • np.arange(a, b, c) : a이상 b미만까지 c씩 차이나는 배열 생성
  • np.arange(a) : 0 ~ a 까지의 배열 생성
  • np.linspace(a, b, c) : a ~ b까지 c등분한 배열 생성

• 배열 차원 변환

  • np.ndarray.reshape() : 데이터의 차원을 변경

    # [10000] 배열을 [100, 100] 배열로 변경
    print(np.arange(10000).reshape(100,100))

• 넘파이 연산(브로드캐스팅)

  브로드캐스팅은 행렬(shape)이 다른 넘파이 배열끼리의 계산시 넘파이 내부에서 자동으로 행렬(Shape)을 맞춰주는 기능

  np.array([1,2,3,4,5]) * 2 
  # Broadcasting
  np.array([1,2,3,4,5]) * np.array([2,2,2,2,2])

  차원(ndim)이 같고 축(axis)의 값이 같거나 1이여야 연산 가능하며, 각 축의 값이 다르면 브로드캐스팅되어 값이 복사된다.

  • * : 각각의 원소끼리 곱셈
  • @ : 행렬 곱셈
  • .dot() : 행렬 내적

  수치 계산시 타입이 다르면 타입이 큰쪽(int < float < complex)으로 자동 변경됨

  • .sum(np.ndarray) : 모든 요소의 합
  • .min(np.ndarray) : 모든 요소 중 최소값
  • .max(np.ndarray) : 모든 요소 중 최대값
  • .argmax(np.ndarray) : 모든 요소 중 최대값의 인덱스
  • .cumsum(np.ndarray) : 모든 요소의 누적합

  .sum(), .min(), .max(), .cumsum() 등의 연산에 axis 값을 입력하면 축을 기준으로 연산 가능하다.

행렬 변경

• np.ndarray.revel() : Shape을 1차원으로 변경
• np.ndarray.reshape() : Shape을 지정한 차원으로 변경

  .reshpae()을 사용할 때 차원값에 -1을 입력하면 -1 부분은 자동으로 차원을 채워준다.

• np.ndarray.T : Shapedml 행과 열의 수를 변환(4,3 이면 3,4로)
• np.ndarray.resize() : .reshape()과 동일한 기능이지만 원본 데이터 자체를 변경시킨다.
• 데이터 쌓기
  • np.vstack() : axis=0 기준으로 쌓음(세로로)
  • np.hstack() : axis=1 기준으로 쌓음(가로로)
• 데이터 쪼개기
  • np.hsplit() : 숫자 1개가 들어갈 결우 x개로 등분, 리스트를 넣을 경우 azis=1 기준 인덱스로 데이터 분할함

    print(a)
    # [[4. 4. 1. 7. 7. 8. 8. 8. 4. 3. 5. 3.]
    #  [9. 8. 7. 5. 6. 8. 9. 6. 9. 5. 4. 7.]]
    
    # [2,12] => [2,4] 데이터 3개로 등분
    print(np.hsplit(a, 3))
    # [array([[4., 4., 1., 7.],
    #        [9., 8., 7., 5.]]), array([[7., 8., 8., 8.],
    #        [6., 8., 9., 6.]]), array([[4., 3., 5., 3.],
    #        [9., 5., 4., 7.]])]
    
    # [2,12] => [:, :3], [:, 3:4], [:, 4:]로 분할
    print(np.hsplit(a, (3,4)))
    # [array([[4., 4., 1.],
    #        [9., 8., 7.]]), array([[7.],
    #        [5.]]), array([[7., 8., 8., 8., 4., 3., 5., 3.],
    #        [6., 8., 9., 6., 9., 5., 4., 7.]])]

데이터 복사

변수에 np.array를 넣으면 복사가 되는게 아닌 같은 주소를 참조할 뿐이다.

• a = b.view() : a와 b가 같은 주소값을 가르킨다(한 변수의 값을 바꾸면 다른 변수의 값도 바뀜)
• a = b.copy() : a와 b가 같은 데이터를 가진다.(한 변수 값을 바꾸면 다른 변수 값 안바뀜)

기계 지능은 인류가 만들어야 할 마지막 발명품입니다. - 닉 보스 트롬(Nick Boss Tromm)

Mechanical intelligence is the last invention that mankind should make.