[Python, Data analysis] Numpy(1)_nbarray 만들기

Numpry를 사용하는 이유

• ndarray가 python에 내장된 list보다 연산이 더 빠르고, 메모리도덜 사용하기 때문
• 여러가지 도움이 되는 내장함수(bult-in)을 가지고 있어서 편리함

1차원 ndarray만들기

• np.arrange(a, b, c) 
  • a는 포함한다, 아무것도 적지 않으면 0부터 시작
  • b는 포함 안한다.
  • c만큼 a에 가산한다

import numpy as np

a = np.arange(10)
print(a)
out : [0 1 2 3 4 5 6 7 8 9]

b = np.arange(4, 10)
print(b)
out : [4 5 6 7 8 9]

c = np.arange(4, 10, 2)
print(c)
out : [4 6 8]

 

• np.linspase(a, b, c)
  • 원소간의 편차가 일정한 ndarray반환 (a,b 사이를 c개 만큼 쪼갠다는 느낌)
  • a부터 시작 (포함) , b전 까지(미포함)
  • 원소의 개수는 c개

x = np.linspace(1, 10, 4)
print(x)
out : [ 1.  4.  7.  10.]

y = np.linspace(4, 10, 10)
print(y)
out : [ 4.  4.67  5.33  6.  6.67  7.33  8.  8.67  9.33  10.]

 

N차원 ndarray만들기

 

※ ndarray의 shape 이해하기

• shape는 nbarray가 가지는 각 차원의 요소의 갯수를 나타낸다.
• ndarray.shape을 통해 접근 가능하며 튜플의 형식으로 저장된다.

1. 1차원 ndarray를 N차원 ndarray로 변환하기

• ndarray.reshape(shape)

#2차원
x1 = np.arange(12).reshape(3, 4)
print(x1)
out : 
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
 
#3차원
x2 = = np.arange(12).reshape(2, 3, 2)
print(x2)
out : 
[[[ 0  1]
  [ 2  3]
  [ 4  5]]

[[ 6  7]
  [ 8  9]
  [10 11]]]

 

2. N차원 ndarray 1차원으로 축소하기

• np.ravel(array) or array.revel() : array의 shape를 1차원으로 변형만하여 반환 

x = np.arange(24).reshape(2, 3, 4)
print(x)
out : 
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
  
# ravel을 통해 1차원 tensor로 변환
r = x.ravel()
print(r)
out : [ 0  1  2  3  4  5  6  7  8  9 10 11]

# r의 요소를 바꿀경우 => 기존의 ndarray에도 영향을 미침
r[1] = 100
print(r)
out : [ 0  100  2  3  4  5  6  7  8  9 10 11]

print(x)
out : 
[[ 0  100  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

 

• np.flatten(array) or array.flatten() : array의 shape를 1차원으로 변형한 새로운 ndarray 객체를 반환

x = np.arange(12).reshape(3, 4)
print(x)
out : 
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

# flatten으로 1차원 ndarray로 전환
p = c.flatten()
print(p)
out : [ 0  1  2  3  4  5  6  7  8  9 10 11]

# 요소에 변화가 생겨로 기존의 ndarray는 영향을 받지 않음
p[1] = 100
print(p)
out : [  0 100   2   3   4   5   6   7   8   9  10  11]

print(x)
out : 
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

 

3. 특수한 ndarray 만들기

• np.zero ((shape)) : 숫자 0으로만 이루어진 행렬
• np.ones ((shape)) : 숫자 1로만 이루어진 행렬
• np.empty ((shape)) : 0에 가까운 random한 숫자로 이루어진 행렬
• np.full((shape), a) : 특정 숫자 a로만 이루어진 행렬 

# 0으로만 이루어진 tensor
z = np.zeros((3, 4))
print(z)
out : 
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

# 1로만 이루어진 tensor
o = np.ones((3, 3))
print(o)
out : 
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]]

# 0에 가까운 random 숫자 tensor
e = np.empty((4,4))
print(e)
out : 
 [[6.23042070e-307 4.67296746e-307 1.69121096e-306 8.90071985e-308]
 [1.05695167e-307 3.56043053e-307 7.56595733e-307 1.60216183e-306]
 [8.45596650e-307 1.42417221e-306 1.37961641e-306 1.37962320e-306]
 [1.78019354e-306 1.60220528e-306 1.11261570e-306 2.44032786e-312]]
 
# 지정한 숫자로만 이루어진 tensor
f = np.full((5,3), 100)
print(f)
out : 
[[100 100 100]
 [100 100 100]
 [100 100 100]
 [100 100 100]
 [100 100 100]]

 

4. random한 숫자로 ndarray 만들기

• np.random.rand(shape) : 0,1 사이의 무작위 숫자(확률값)을 통해 ndarray생성
• np.random.randn(shape) : 정규분포를 따르는 숫자를 통해 ndarray생성
• np.random.randint(a, b, size=(shape)) : a≤x<b 사이의 무작위 정수를 통해 ndarray생성
• np.random.choise(1차원 ndarray, size=(shape)) : 인수로 받은 ndarray의 요소중에 무작위로 추출하여 ndarray생성
• 그 밖에 각종 확률분포 (uniform, normal, poission 등)를 따르는 random숫자로 ndarray를 생성 할 수 있음

※ Random 숫자 추출이후 고정하고 싶을 때 : seed사용

• np.random.seed(a) : 무작위 값을 생성하고 이를 고정하고 싶을 때 사용