numpy(6.5)

In [ ]:

from google.colab import drive
drive.mount('/content/drive')

Mounted at /content/drive

In [ ]:

!pip install numpy

Looking in indexes: https://pypi.org/simple, https://us-python.pkg.dev/colab-wheels/public/simple/
Requirement already satisfied: numpy in /usr/local/lib/python3.10/dist-packages (1.22.4)

numpy 불러오기¶

In [ ]:

import numpy as np

In [ ]:

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

In [ ]:

print(ar)
print(type(ar))

[1 2 3 4 5 6 7 8 9]
<class 'numpy.ndarray'>

for문을 이용해 리스트에 데이터 추가¶

In [ ]:

data = [1,2,3,4,5,6,7,8,9]
result = []
for i in data:
  result.append(i*2)
print(result)

[2, 4, 6, 8, 10, 12, 14, 16, 18]

numpy를 이용해 리스트에 데이터 추가¶

In [ ]:

data = [1,2,3,4,5,6,7,8,9]
#data를 배열로 만들어준다
data_np = np.array(data)

result = data_np*2
print(result)

[ 2  4  6  8 10 12 14 16 18]

형태가 똑같은 배열은 연산이 가능!!¶

In [ ]:

a=np.array([1,2,3])
b=np.array([10,20,30])

print('a*2+b =',a*2+b)

a*2+b = [12 24 36]

비교연산¶

In [ ]:

a = np.array([1,2,3])
print(a == 2)

[False  True False]

다중 비교연산¶

In [ ]:

a = np.array([1,2,3])
b = np.array([10,20,30])

print((a==2) & (b>=10))

[False  True False]

ndarray >>> N-dimensional array 약자¶

NumPy의 다차원 배열 객체를 나타내는 클래스¶

In [ ]:

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

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

In [ ]:

a.shape

Out[ ]:

(2, 3)

3차원 배열¶

In [ ]:

a = np.array([[[1,2,3,1], 
              [4,5,6,4], 
              [7,8,9,7]],
             [[10,11,12,10], 
              [13,14,15,13], 
              [16,17,18,16]]])
print(a)
print('\n')
print('깊이', len(a))
print('행', len(a[0]))
print('열', len(a[0][0]))

[[[ 1  2  3  1]
  [ 4  5  6  4]
  [ 7  8  9  7]]

 [[10 11 12 10]
  [13 14 15 13]
  [16 17 18 16]]]


깊이 2
행 3
열 4

차원수 / 배열의 크기¶

In [ ]:

a = np.array([1,2,3])
print('차원',a.ndim)
print('배열크기',a.shape)

차원 1
배열크기 (3,)

In [ ]:

a = np.array([[1,2,3],
              [4,5,6]])
print('차원',a.ndim)
print('배열크기',a.shape)

차원 2
배열크기 (2, 3)

In [ ]:

a = np.array([[[1,2,3,4],
              [4,5,6,7],
              [8,9,10,11]],
             [[12,13,14,15],
              [16,17,18,19],
              [20,21,22,23]]])
print('차원',a.ndim)
print('배열크기',a.shape)

차원 3
배열크기 (2, 3, 4)

펜시 인덱싱(불리언 인덱식, 정수 위치 인덱싱)¶

In [ ]:

import numpy as np

a = np.array([1, 2, 3, 4, 5, 6, 7, 8, 9])
b = np.array([True, False, True, False, True, False, True, False, True])

result = a[b]
print(result)

[1 3 5 7 9]

In [ ]:

#불리언 인덱싱
a = np.array([1,2,3,4,5,6,7,8,9])
b= a%2==1
print(a[b])

[1 3 5 7 9]

정수 배열 인덱싱¶

In [ ]:

a = np.array([1,2,3,4,5,6,7,8,9])
b = np.array([0,0,0,0,1,1,1,1,2,2,2,2,3,3,3,3])
a[b]

Out[ ]:

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

배열의 자료형¶

In [ ]:

a = np.array([1,2,3,4])
print(a.dtype)

int64

In [ ]:

a=np.array([1.0, 2.0, 3.0])
print(a.dtype)

float64

In [ ]:

a = np.array([1,2,3], dtype='f') #int형 float64로 바꾸기!!
print(a.dtype)

float32

In [ ]:

a = np.array([1,2,3]).astype(str)
print(a)

['1' '2' '3']

In [ ]:

a = np.array([0,1,-1,0])
b = np.array([1,0,0,0])

print(a/b)

[  0.  inf -inf  nan]

<ipython-input-64-e0c700ae3112>:4: RuntimeWarning: divide by zero encountered in true_divide
  print(a/b)
<ipython-input-64-e0c700ae3112>:4: RuntimeWarning: invalid value encountered in true_divide
  print(a/b)

단순한 배열 생성¶

In [ ]:

a = np.zeros(5)
print(a)

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

In [ ]:

a = np.zeros((2,3), dtype='i')
print(a.dtype)
print(a)

int32
[[0 0 0]
 [0 0 0]]

단순한 배열 생성¶

빈 문자열¶

In [ ]:

a = np.zeros((2,3), dtype='U4')
print(a)
print(a.dtype)

[['' '' '']
 ['' '' '']]
<U4

단순한 배열 생성¶

1로 채운 배열¶

In [ ]:

a = np.ones((2,3,4), dtype='i')
print(a)
print(a.dtype)

[[[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]

 [[1 1 1 1]
  [1 1 1 1]
  [1 1 1 1]]]
int32

단순한 배열 생성¶

기존 배열과 같은 크기의 배열 생성¶

In [ ]:

a = np.array([1,2,3,4,5])
b = np.zeros_like(a, dtype='i')
print(b)

[0 0 0 0 0]

In [ ]:

a = np.array([1,2,3,4,5])
b = np.ones_like(a, dtype='i')
print(b)

[1 1 1 1 1]

범위를 갖는 배열¶

In [ ]:

a = np.arange(10)
print(a)

[0 1 2 3 4 5 6 7 8 9]

In [ ]:

a = np.arange(1,10,2)
print(a)

[1 3 5 7 9]

선형구간으로 동일한 범위 나누기¶

In [ ]:

a = np.linspace(0, 100, 5)
print(a)

[  0.  25.  50.  75. 100.]

로그구간으로 동일한 범위 나누기¶

In [ ]:

a = np.logspace(0.1, 1, 10)
print(a)

[ 1.25892541  1.58489319  1.99526231  2.51188643  3.16227766  3.98107171
  5.01187234  6.30957344  7.94328235 10.        ]

In [ ]:

import numpy as np
import matplotlib.pyplot as plt

x_value = range(1, 11)
y_value = np.logspace(0.1, 1, 10)
plt.plot(x_value, y_value, marker='o', markersize=10)

plt.show()

행과 열을 뒤집어주기 : 전치 행렬¶

In [ ]:

a = np.array([[1,3,5],
              [7,9,11]])

b = np.array([[2,4],
              [6,8],
              [10,12]])

print(a.transpose()+b)

[[ 3 11]
 [ 9 17]
 [15 23]]

배열의 크기 변형¶

In [ ]:

a = np.arange(1,10)
b = a.reshape(3,-1)
print(b)

[[1 2 3]
 [4 5 6]
 [7 8 9]]

In [ ]:

a = np.arange(1,17)
b = a.reshape(2,2,-1)
print(b)

[[[ 1  2  3  4]
  [ 5  6  7  8]]

 [[ 9 10 11 12]
  [13 14 15 16]]]

In [ ]:

c = b.flatten()
print(c)

[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16]

In [ ]:

c = b.ravel()
print(c)

[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16]

flatten()과 ravel()은 NumPy 배열의 다차원 요소들을 1차원으로 펼치는 데 사용되는 함수입니다. 그러나 flatten()과 ravel()의 차이점은 반환된 배열의 복사본을 만들어내는지 여부입니다.¶

flatten(): flatten() 함수는 배열의 복사본을 반환합니다. 따라서, 원본 배열과는 독립적인 새로운 배열을 생성합니다. 만약 flatten()으로 반환된 배열을 수정하더라도 원본 배열에는 영향을 주지 않습니다.¶

ravel(): ravel() 함수는 배열의 뷰(view)를 반환합니다. 뷰는 원본 배열의 데이터에 대한 참조이므로, 원본 배열과 공유된 데이터를 사용합니다. 따라서, ravel()로 반환된 배열을 수정하면 원본 배열에도 영향을 줍니다.¶

배열의 연산¶

In [ ]:

%%time

a = np.arange(1,10001)
b = np.arange(20001,30001)

c = np.zeros_like(a)
for i in range(10000):
  c[i] = a[i] + b[i]
print(c)

[20002 20004 20006 ... 39996 39998 40000]
CPU times: user 9.53 ms, sys: 0 ns, total: 9.53 ms
Wall time: 24.5 ms

In [ ]:

%%time
a = np.arange(1,10001)
b = np.arange(20001,30001)

c = a+b
print(c)

[20002 20004 20006 ... 39996 39998 40000]
CPU times: user 2.12 ms, sys: 0 ns, total: 2.12 ms
Wall time: 5.77 ms

In [ ]: