(Python) Numpy

1. 넘파이(Numpy)

• 수학, 과학 계산용 패키지
• 자료구조(ndarray)를 제공 -> 파이썬의 list보다 속도가 빠름. 작은 메모리를 사용

 

install

!pip install numpy

 

 

import

import numpy

 

보편적으로 np 라고 명한다.

import numpy as np

 

1-1. ndarray

 

ndarray를 선언할 때는 리스트를 array메소드에 매개변수롤 받아 선언한다.

ndarr1 = np.array([1, 2 ,3 ,4])
print(ndarr1)
print(type(ndarr1)) # ndarray = n dimension array

[1 2 3 4]
<class 'numpy.ndarray'>

# 리스트를 ndarray로 변환하는 방법
ndarr1 = np.array(list1)
ndarr2 = np.array(list2)
print(ndarr1)
print(ndarr2)
print(type(ndarr1))
print(type(ndarr2))

[1 2 3 4]
[[1 2 3 4]
 [5 6 7 8]]
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>

 

 

1-2. ndarray의 data type

• ndarray는 list와 다르게 1개의 단일 데이터 타입만 허용

 

리스트는 서로 다른 데이터 타입을 허용하는 것을 확인 할 수 있다.

list1 = [1, 3.14, 'Python', '😎', True]

[1, 3.14, 'Python', '😎', True]

ndarray는 데이터 타입이 같을 경우 문제없이 생성이 되지만

ndarr1 = np.array([1, 2, 3, 4])

 

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

 

타입이 다르면 타입이 변경이 되거나 생성 실패를 하게 된다.

아래는 하나의 값이라도 float 타입이면 다른 int가 float타입으로 바뀌는 것을 확인 할 수 있다.

ndarr2 = np.array([1, 2, 3.14, 4]) # 모든 요소가 float로 변경됨

array([1.  , 2.  , 3.14, 4.  ])

 

boolean 타입 또한 float이나 int 값으로 변경이 된다.

ndarr3 = np.array([1, 2, 3.14, True]) # 모든 요소가 float로 변경됨

array([1.  , 2.  , 3.14, 1.  ])

 

만약 str 타입이 있을 경우는 나머지 값들이 모두 str로 변환 된다.

 

ndarr4 = np.array(['1', 2, 3.14, True]) # 모든 요소가 str로 변경됨

array(['1', '2', '3.14', 'True'], dtype='<U32')

 

만약 dtype을 int로 설정 하게되면 float과 boolean 타입 모두 int로 변경이 된다.

ndarr3 = np.array([1, 2, 3.14, True], dtype=int)

 

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

 

str 타입 또한 int로 변경이 가능한 문자열이라면 int로 변환을 한다.

ndarr4 = np.array(['1', 2, 3.14, True], dtype=int)

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

 

하지만 '3.14'같이 바로 int값으로 변경이 가능한 값이 아닐 경우 에러가 발생한다.

ndarr4 = np.array(['1', '2', '3.14', 'True'], dtype=int) # 문자열로 되어있는 3.14는 int 변환 불가능

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-27-1dd367754309> in <cell line: 1>()
----> 1 ndarr4 = np.array(['1', '2', '3.14', 'True'], dtype=int)

ValueError: invalid literal for int() with base 10: '3.14'

 

 

1-3. ndarray 슬라이싱

 

ndarr1 = np.array(['🍓', '🍉', '🍎', '🍊', '🍌'])
ndarr1

 

array(['🍓', '🍉', '🍎', '🍊', '🍌'], dtype='<U1')

 

 

shape는 차원 별로 몇개의 데이터가 존재하는지 표시 해준다.

 

ndarr1.shape

 

(5,)

 

인덱싱은 리스트의 리스트와 동일하게 인덱스 번호로 데이터를 가져올 수 있다.

 

# 인덱싱
print(ndarr1[0])
print(ndarr1[4])
print(ndarr1[-1])
print(ndarr1[-2])

 

🍓
🍌
🍌
🍊

 

슬라이싱 또한 리스트와 같이 시작 인덱스 번호와 끝나는 인덱스 번호의 다음 번호를 이용한다.

# 슬라이싱 '🍓', '🍉', '🍎', '🍊', '🍌'
print(ndarr1[0:3])
print(ndarr1[2:])
print(ndarr1[:3])

['🍓' '🍉' '🍎']
['🍎' '🍊' '🍌']
['🍓' '🍉' '🍎']

 

2차원 ndarray의 슬라이싱

ndarr2d = np.array([[1, 2, 3, 4],
                    [5, 6, 7, 8],
                    [9, 10, 11, 12]])

ndarr2d.shape

 

(3, 4)

 

2차원 슬라이싱은 아래와 같이 [ , ]형태 또는 [][]를 이용한다. 결과값은 동일하다.

 

print(ndarr2d[0, 2])
print(ndarr2d[0][2])

3
3

 

# 0행 가져오기
print(ndarr2d[0])
print(ndarr2d[0,])
print(ndarr2d[0,:])

[1 2 3 4]
[1 2 3 4]
[1 2 3 4]

 

열을 가져올 경우에는 행의 범위와 열의 범위 전부 적어야 한다.

 

# 0열 가져오기
print(ndarr2d[:, 0])

[1 5 9]

 

 

1-4. Fancy 인덱싱

• 범위가 아닌 특정 index의 집합의 값들을 선택해서 추출하고 싶을 때 활용

 

여러개의 데이터를 뽑아오려면 인덱스 번호를 담는 괄호안에 리스트 형식으로 인덱스 번호들을 담으면 된다.

ndarr1 = np.array([10, 15, 2, 8, 20, 90, 85, 44, 23, 32])

idx = [2, 5, 9]

ndarr1[idx]

 

array([ 2, 90, 32])

 

 

ndarr2d = np.array([[1, 2, 3, 4],
                    [5, 6, 7, 8],
                    [9, 10, 11, 12]])

 

아래는 0번째와 1번째 행을 가져오는 방법이다.

 

ndarr2d[[0, 1], :]

 

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

 

 

1-5. Boolean 인덱싱

• 조건에 대한 필터링을 통해 Boolean 값을 이용한 색인을 사용

 

ndarray에 boolean 값들이 담긴 리스트를 이용하면 True에 해당하는 값만 반환 받을 수 있다.

ndarr1 = np.array(['🍓', '🍉', '🍎', '🍊', '🍌'])
selValue = [True, False, True, True, False]

ndarr1[selValue]

 

array(['🍓', '🍎', '🍊'], dtype='<U1')

 

하지만 행의 갯수가 일치하지 않으면 에러가 발생한다.

 

selValue = [True, False, True]

 

ndarr1[selValue] # 행 갯수가 맞지 않으면 Error

---------------------------------------------------------------------------
IndexError                                Traceback (most recent call last)
<ipython-input-56-3365a515ea60> in <cell line: 1>()
----> 1 ndarr1[selValue]

IndexError: boolean index did not match indexed array along dimension 0; dimension is 5 but corresponding boolean dimension is 3

 

 

ndarr2d = np.array([[1, 2, 3, 4],
                    [5, 6, 7, 8],
                    [9, 10, 11, 12]])

 

ndarray에 관계연산자를 사용하면 ndarray로 결과값이 반환된다.

 

ndarr2d > 7

 

array([[False, False, False, False],
       [False, False, False,  True],
       [ True,  True,  True,  True]])

 

위를 응용하면 ndarray의 관계 연산자를 이용한 값을 사용하여 boolean 인덱싱을 할 수 있다.

 

ndarr2d[ndarr2d > 7]

array([ 8,  9, 10, 11, 12])

 

 

2. 행렬 연산

 

 

2-1. 연산자

• 덧셈, 뺄셈, 곱셈, 나눗셈은 shape가 같아야 함
• 같은 position끼리 연산
• 내적은 맞닿는 shape가 같아야 함
• 내적은 떨어져 있는 shape가 결과 행렬이 됨

 

 

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

 

연산자를 이용하면 행열 위치가 동일한 값 끼리 연산을 하게 된다.

# 덧셈 연산
a + b

 

array([[4, 6, 8],
       [3, 5, 7]])

 

 

# 뺄셈 연산
a - b

array([[-2, -2, -2],
       [ 1,  1,  1]])

 

 

# 곱셈 연산
a * b

 

array([[ 3,  8, 15],
       [ 2,  6, 12]])

 

 

# 나눗셈 연산
a / b

 

array([[0.33333333, 0.5       , 0.6       ],
       [2.        , 1.5       , 1.33333333]])

 

행렬곱은 행렬곱을 할 행렬의 열 갯수와 내적할 행렬의 행 갯수가 동일 해야한다.

# dot product(행렬곱, 내적)
a = np.array([[1, 2, 3],
             [1, 2, 3],
             [2, 3, 4]])
b = np.array([[1, 2],
             [3, 4],
             [5, 6]])

 

a.shape, b.shape

 

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

 

행렬곱을 보여주기전 먼저 내부적을 어떻게 곱이 진행 되는지 예시가 아래와 같다.

print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))
print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))
print((2*1 + 3*3 + 4*5), (2*2 + 3*4 + 4*6))

22 28
22 28
31 40

 

실제 행렬곲을 하였을 때 반환은 ndarray로 반환된다.

 

np.dot(a, b)

 

array([[22, 28],
       [22, 28],
       [31, 40]])

 

 

2-2. arange

• 순차적인 값을 생성할 때 사용

 

arange의 내부적으로 어떻게 적용되어 결과값이 나오는지 아래과정에서 range를 이용하는것을 보면 이해하기 편하다.

arr1 = range(1, 11)

 

for i in arr1:
    print(i, end=' ')

1 2 3 4 5 6 7 8 9 10 

 

실제 arange를 사용한 결과값이다.

 

arr2 = np.arange(1, 11)

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

 

for i in arr2:
    print(i, end=' ')

1 2 3 4 5 6 7 8 9 10 

 

 

2-3. sort

 

 

ndarr1 = np.array([1, 10, 5, 7, 2, 4, 3, 6, 8, 9])

 

 

sort를 이용하면 행렬 안의 값들이 오름차순으로 정렬되지만 inplace방식이 아니기 때문에 값이 저장되진 않는다.

np.sort(ndarr1) # 오름차순 정렬

 

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

ndarr1

 

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

 

리스트의 sort와 다르게 reverse라는 내림차순 정렬이 따로 없다.

 

np.sort(ndarr1, reverse=True) # reverse 속성이 없음

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-91-a9e82b01c079> in <cell line: 1>()
----> 1 np.sort(ndarr1, reverse=True) # reverse 속성이 없음

/usr/local/lib/python3.10/dist-packages/numpy/core/overrides.py in sort(*args, **kwargs)

TypeError: _sort_dispatcher() got an unexpected keyword argument 'reverse'

 

 

 

리스트나 문자열을 역순으로 출력하기 위해서는 [::-1]을 이용하면 된다. 자세한 내용은 아래와 같다

# 문자열 역순으로 출력하기
str1 = 'Python'
print(str1[:])      # 모든 문자를 슬라이싱
print(str1[::])     # print(str1[::1]) -> 1: 정방향
print(str1[::-1])   # -1: 역방향
print(str1[4:1:-1]) # 4번 인덱스부터 1직전까지 역순으로 가져오기
print(str1[4::-1])  # 4번 인덱스부터 0까지 역순으로 가져오기

Python
Python
nohtyP
oht
ohtyP

 

 

위의 역순 출력을 이용하여 sort로 정렬한 행렬을 출력하면 내림차순을 반환 받을 수 있다.

np.sort(ndarr1)[::-1]

 

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

 

 

 

ndarr2d = np.array([[11, 10, 12, 9],
                    [3, 1, 4, 2],
                    [5, 6, 7, 8]])

 

 

 

 

axis는 행을 정렬하는지 열을 정렬하는지 정할 수 있으며 0은 행, 1은 열을 정렬한다.

 

# 행 정렬
np.sort(ndarr2d, axis=0)

 

array([[ 3,  1,  4,  2],
       [ 5,  6,  7,  8],
       [11, 10, 12,  9]])

 

 

# 열 정렬
np.sort(ndarr2d, axis=1)

 

array([[ 9, 10, 11, 12],
       [ 1,  2,  3,  4],
       [ 5,  6,  7,  8]])

 

위를 모두 응용하면 열을 내림차순으로 정렬할 수 도있다.

 

# 열 정렬 내림차순
np.sort(ndarr2d, axis=1)[:, ::-1]

 

array([[12, 11, 10,  9],
       [ 4,  3,  2,  1],
       [ 8,  7,  6,  5]])

 

만약 2차원이아닌 다차원ndarray일 경우 -1로 축의 마지막 방향으로 정렬할 수 도있다.

 

# 축의 마지막 방향
np.sort(ndarr2d, axis=-1)

 

array([[ 9, 10, 11, 12],
       [ 1,  2,  3,  4],
       [ 5,  6,  7,  8]])

 

 

2-4. 숫자의 단일 연산

 

 

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

 

ndarray에 단일값을 연산할 경우 모든 데이터에 연산을 하게 된다.

 

a + 3

 

array([[4, 5, 6],
       [7, 8, 9]])

 

 

a - 3

 

array([[-2, -1,  0],
       [ 1,  2,  3]])

 

 

a * 3

 

array([[ 3,  6,  9],
       [12, 15, 18]])

 

 

a / 3

 

array([[0.33333333, 0.66666667, 1.        ],
       [1.33333333, 1.66666667, 2.        ]])