[AI 프리코스] 07 Numpy 정리

 

 

 

다항식을 행렬 형태로 표현할 수 있음.

→ 리스트로만 표현하기에는 비효율적인 부분이 있음.

 

numpy

: numerical python

=고성능 과학 계산용 패키지

 

특징

• list에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열 처리 지원
• 선형대수 관련된 다양한 기능 제공
• C, C++ 언어와 통합 가능

 

 

ndarray

ex_array = np.array([1,2,3], float) # dtype

리스트는 주소값을 저장함.

넘파이 array는 차례대로 데이터를 저장함.

• shape : dimension 반환
• dtype : 데이터 타입 반환 (괄호 안 씀!)
• ndim : dimension의 rank
• size : 데이터 갯수

 

 

 

---

Handling shape

reshape

(2,4) → (8,)

np.array(ex_mat).reshape(2,4)

-1을 넣어주면 나머지 값들을 고려해서 자동으로 값이 할당됨.

 

flatten

다차원 array를 1차원으로 변환

np.array(ex_mat).flatten()

※ 저장이 되는 것은 아님!

 

Indexing

a[0,0] 와 a[0][0] 는 같음

 

 

 

✅Slicing

a[:, 2:]  # 전체 row의 2열부터
a[1, 1:3] # 1 row의 1~2열
a[1:3]    # 1 row ~ 2 row 의 전체

 

이렇게 건너 뛰면서 step을 줄 수도 있음.

 

 

 

 

creation function

arange

np.arange(30)
np.arange(0, 5, 0.5)
np.arange(30).reshape(5,6)

list 의 range와 같은 효과

 

# np.zeros(shape, dtype, order)
np.zeros(shape=(10,), dtype=np.int8)
np.zeros((2,5))

# np.ones(shape, dtype, order)
np.ones(shape=(10,), dtype=np.int8)
np.ones((2,5))

# shape만 있고 비어있는 ndarray생성
np.empty(shape=(10,), dtype=np.int8)
np.empty((3,5))
#실행할때마다 값이 계속 달라짐

np.zeros_like(original_arr) # 기존의 배열을 기반으로 shape과 dtype이 같은 배열을 생성함

 

 

identity

단위행렬(i행렬) 생성

np.identity(n=3, dtype=np.int8)
np.indentity(5)

 

eye

대각선이 1인 행렬

k값의 시작 index변경 가능

np.eye(3)
np.eye(3,5,k=2)
np.eye(N=3, M=5, dtype=np.int8)

 

diag

대각선을 추출함

k 로 시작 지정 가능

np.diag(ex_mat)

 

 

 

random sampling

np.random.uniform(0,1,10).reshpae(2,5) # 균등분포

np.random.normal(0,1,10).reshape(2,5) # 정규분포

np.random.exponential(scale=2, size=100)

 

 

 

---

operation functions

sum

ex_array.sum()

ex_array.sum(dtype=np.float)

 

 

axis

모든 operation function을 실행할 때 기준이 되는 dimension축

💡axis방향 중요!

 

 

 

concatenate

vstack : 위 아래 붙임

hstack : 왼쪽 오른쪽 붙임

 

transpose 전치행렬

mat_a.T

 

broadcasting 연산 주의

 

 

---

comparisons

a = np.arange(10)

a < 4     # 원소 각각을 비교한 boolean array

np.all(a>5)   # and 와 같은 역할, 모두 true 여야 -> true

np.any(a>5)   # or 와 같은 역할, 하나라도 true면 -> true

np.logical_and(a>0, a<3)

np.logical_not(b)   # t->f , f->t

#where은 두가지 방법이 있음
np.where(a > 0, 3, 2)   # true일때는 3이, false일때는 2가 들어감  : where(condition, TRUE, FALSE)
np.where(a>5)   # 참인것의 index를 반환

np.isfinite(a)

np.argmax(a)   # 최대값 또는 최소값의 index를 반환

np.argmax(a, axis=1)   # 가로 방향으로 한줄에 하나씩 반환

a.argsort()    # 작은값부터 index를 반환
a.argsort()[::-1]  # 거꾸로 반환

a[np.argmax(a)]  #인덱스가 아닌 값을 반환

# boolean index
test_array[test_array > 3]   # 조건에 해당하는 값만 출력

# fancy index
a = np.array([2,4,6,8], float)
b = np.array([0,0,1,3,2,1], int)
a[b]                     # b의 값을 이용해서 a에서 index를 찾아서 value를 추출함
>>array([2., 2., 4., 8., 6., 4.])    

 

 

numpy data in/out

a = np.loadtxt("./example.txt", delimeter = "\\t")

np.savetxt("int_data_2.csv", a_int_3, fmt="%.2e", delimiter=".")