In [2]:
import numpy as np
np.__version__
Out[2]:
'1.20.3'
Tip! 만약 모든 출력을 보고 싶다면 아래와 같이 적어주면 된다.
In [3]:
from IPython.core.interactiveshell import InteractiveShell
InteractiveShell.ast_node_interactivity = "all"
In [4]:
arr = np.array([1,2,3])
arr
Out[4]:
array([1, 2, 3])
In [6]:
arr = np.array([1,2,3], dtype="float64")
arr
Out[6]:
array([1., 2., 3.])
1-2. Numpy 메소드를 통해 배열 만들기¶
In [26]:
# 0으로 채운 길이 10의 정수 배열
np.zeros(10, dtype=int)
# 1로 채운 3x5 부동 소수점 배열
np.ones((3, 5), dtype=float)
# 3.14로 채운 3x5 배열
np.full((3, 5), 3.14)
# 3x3 단위행렬(곱했을 때 1과 같은 역할을 하는 행렬)
np.eye(3)
np.empty(3)
Out[26]:
array([0, 0, 0, 0, 0, 0, 0, 0, 0, 0])
Out[26]:
array([[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.],
[1., 1., 1., 1., 1.]])
Out[26]:
array([[3.14, 3.14, 3.14, 3.14, 3.14],
[3.14, 3.14, 3.14, 3.14, 3.14],
[3.14, 3.14, 3.14, 3.14, 3.14]])
Out[26]:
array([[1., 0., 0.],
[0., 1., 0.],
[0., 0., 1.]])
Out[26]:
array([1., 1., 1.])
- 난수를 통한 배열 생성
np.random을 이용한 배열 생성으로 random, normal, randint, randn, rand 등이 있다.
Tip! np.random.seed(임의의 숫자)를 이용하면 같은 값의 난수 입력을 받을 수 있어 비교하기가 편하다.
In [25]:
# 0과 1사이의 난수
np.random.random((3, 3))
# 정규 분포(평균=0, 표준 편차=1)의 난수로 채운 3x3 배열 만들기
np.random.normal(0, 1, (3, 3))
# [0, 10] 사이의 정수 난수
np.random.randint(0, 10, (3, 3))
Out[25]:
array([[0.51929269, 0.87042204, 0.34542374],
[0.61417534, 0.14085319, 0.35836425],
[0.08454166, 0.1238812 , 0.48541826]])
Out[25]:
array([[-0.32989793, 0.88326328, -1.2605663 ],
[ 1.771476 , -1.11999977, -1.30756471],
[ 0.48020197, 0.92547754, 0.12026089]])
Out[25]:
array([[4, 4, 8],
[3, 8, 0],
[5, 3, 8]])
- numpy.linspace
numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None)
start부터 stop까지의 범위에서 데이터를 생성
- numpy.arange
numpy.arange([start,] stop[, step,], dtype=None)
start부터 stop미만까지의 범위에서 step 간격의 데이터를 생성
- numpy.logspace
numpy.logspace(start, stop, num=50, endpoint=True, base=10.0, dtype=None)
로그 스케일의 linspace함수
In [24]:
np.arange(0, 20, 2)
np.linspace(0, 1, 5)
np.logspace(0, 1, 5, endpoint=True)
Out[24]:
array([ 0, 2, 4, 6, 8, 10, 12, 14, 16, 18])
Out[24]:
array([0. , 0.25, 0.5 , 0.75, 1. ])
Out[24]:
array([ 1. , 1.77827941, 3.16227766, 5.62341325, 10. ])
1-4. Numpy 배열 접근¶
- ndarray의 정보 알아내기
ndarray.ndim # 배열의 차원 (ex- 1차원배열, 3차원배열)
ndarray.shape # 배열의 형상 (ex- 3차원이면, (x축, y축, z축) 반환)
ndarray.size # 배열의 요소 수
ndarray.dtype # 배열의 데이터타입
ndarray.itemsize # 배열 요소의 바이트크기
ndarray.nbytes # 배열 전체 메모리 크기 (바이트 단위)
- ndarray가 2차원 배열일 때, 행 또는 열 정보만 뽑아내기
ndarray[0, :] # 첫 번째 행만 반환
ndarray[:,1] # 두 번째 열만 반환
In [ ]:
grid = np.arange(1, 10).reshape((3, 3))
print(grid)
x = np.array([1, 2, 3])
x.reshape((3, 1)) # 열벡터로 변경
x.reshape((1, 3)) # 행백터로 변경
- Numpy.newaxis
In [9]:
x[:, np.newaxis] # 열벡터로 변경
x[np.newaxis, :] # 행백터로 변경
[[1 2 3] [4 5 6] [7 8 9]]
Out[9]:
array([[1],
[2],
[3]])
Out[9]:
array([[1, 2, 3]])
Out[9]:
array([[1],
[2],
[3]])
Out[9]:
array([[1, 2, 3]])
In [19]:
x = np.array([1, 2, 3])
y = np.array([3, 2, 1])
np.concatenate([x, y])
z = [99, 99, 99]
print(np.concatenate([x, y, z]))
grid = np.array([[1,2,3], [4,5,6]])
# 수직으로 연결
np.concatenate([grid, grid])
# 수평으로 연결
np.concatenate([grid, grid], axis=1)
np.vstack([x, grid])
y = np.array([[10], [10]])
np.hstack([grid, y])
Out[19]:
array([1, 2, 3, 3, 2, 1])
[ 1 2 3 3 2 1 99 99 99]
Out[19]:
array([[1, 2, 3],
[4, 5, 6],
[1, 2, 3],
[4, 5, 6]])
Out[19]:
array([[1, 2, 3, 1, 2, 3],
[4, 5, 6, 4, 5, 6]])
Out[19]:
array([[1, 2, 3],
[1, 2, 3],
[4, 5, 6]])
Out[19]:
array([[ 1, 2, 3, 10],
[ 4, 5, 6, 10]])
분할하기¶
- Numpy.split(ary, indices_or_sections, axis=0)
indices_or_sections에 적힌 인덱스에 따라 슬라이싱해서 나눔
- Numpy.vsplit
인덱스에 맞게 수평으로 분할
- Numpy.hsplit
인덱스에 맞게 수직으로 분할
In [43]:
x = [0, 1, 2,3,4,5,6,7,8,9]
x1, x2, x3 = np.split(x, (3, 5))
print(x1, x2, x3)
x1, x2, x3, x4, x5 = np.split(x, (3, 5, 6, 9))
print(x1, x2, x3, x4, x5)
grid = np.arange(16).reshape((4,4))
grid
upper, lower = np.vsplit(grid, [2])
upper
lower
left, right = np.hsplit(grid, [2])
left
right
[0 1 2] [3 4] [5 6 7 8 9] [0 1 2] [3 4] [5] [6 7 8] [9]
Out[43]:
array([[ 0, 1, 2, 3],
[ 4, 5, 6, 7],
[ 8, 9, 10, 11],
[12, 13, 14, 15]])
Out[43]:
array([[0, 1, 2, 3],
[4, 5, 6, 7]])
Out[43]:
array([[ 8, 9, 10, 11],
[12, 13, 14, 15]])
Out[43]:
array([[ 0, 1],
[ 4, 5],
[ 8, 9],
[12, 13]])
Out[43]:
array([[ 2, 3],
[ 6, 7],
[10, 11],
[14, 15]])
1-6. Numpy 메소드¶
| Operator | Method | Description |
|---|---|---|
+ |
Numpy.add |
더하기 |
- |
Numpy.subtract |
빼기 |
- |
Numpy.negative |
unary negation(단항 부정) |
* |
Numpy.multiply |
곱하기 |
/ |
Numpy.divide |
나누기 |
// |
Numpy.floor_divide |
정수만 취하는 나누기 |
** |
Numpy.power |
제곱 |
% |
Numpy.mod |
나머지 연산 |
ㅣ변수ㅣ |
Numpy.abs |
절대값 연산 |
sin |
Numpy.sin |
sin 연산 |
cos |
Numpy.cos |
cos 연산 |
tan |
Numpy.tan |
tan 연산 |
e^x |
Numpy.exp |
e의 제곱 |
ln |
Numpy.log |
자연로그 |
log2 |
Numpy.log2 |
log2(x) |
log10 |
Numpy.log10 |
상용로그 |
In [46]:
x = np.array([-2, -1, 0, 1, 2])
abs(x)
np.absolute(x)
np.abs(x)
Out[46]:
array([2, 1, 0, 1, 2])
Out[46]:
array([2, 1, 0, 1, 2])
Out[46]:
array([2, 1, 0, 1, 2])
In [47]:
theta = np.linspace(0, np.pi, 3)
print("theta = ", theta)
print("sin(theta) = ", np.sin(theta))
print("cos(theta) = ", np.cos(theta))
print("tan(theta) = ", np.tan(theta))
theta = [0. 1.57079633 3.14159265] sin(theta) = [0.0000000e+00 1.0000000e+00 1.2246468e-16] cos(theta) = [ 1.000000e+00 6.123234e-17 -1.000000e+00] tan(theta) = [ 0.00000000e+00 1.63312394e+16 -1.22464680e-16]
In [48]:
x = [-1, 0, 1]
print("x = ", x)
print("arcsin(x) = ", np.arcsin(x))
print("arccos(x) = ", np.arccos(x))
print("arctan(x) = ", np.arctan(x))
x = [-1, 0, 1] arcsin(x) = [-1.57079633 0. 1.57079633] arccos(x) = [3.14159265 1.57079633 0. ] arctan(x) = [-0.78539816 0. 0.78539816]
In [49]:
x = [1, 2, 3]
print("x =", x)
print("e^x =", np.exp(x))
print("2^x =", np.exp2(x))
print("3^x =", np.power(3, x))
x = [1, 2, 3] e^x = [ 2.71828183 7.3890561 20.08553692] 2^x = [2. 4. 8.] 3^x = [ 3 9 27]
In [51]:
x = [1, 2, 4, 10]
print("x =", x)
print("ln(x) =", np.log(x))
print("log2(x) =", np.log2(x))
print("log10(x) =", np.log10(x))
x = [1, 2, 4, 10] ln(x) = [0. 0.69314718 1.38629436 2.30258509] log2(x) = [0. 1. 2. 3.32192809] log10(x) = [0. 0.30103 0.60205999 1. ]
In [57]:
x = [0, 0.001, 0.01, 0.1]
# e^x - 1 값
print("exp(x) - 1 =", np.expm1(x))
# log(1+x) 값
print("log(1 + x) =", np.log1p(x))
x = [np.e-1, 10, 100]
# e^x - 1 값
print("exp(x) - 1 =", np.expm1(x))
# log(1+x) 값
print("log(1 + x) =", np.log1p(x))
exp(x) - 1 = [0. 0.0010005 0.01005017 0.10517092] log(1 + x) = [0. 0.0009995 0.00995033 0.09531018] exp(x) - 1 = [4.57494152e+00 2.20254658e+04 2.68811714e+43] log(1 + x) = [1. 2.39789527 4.61512052]
