[python/파이썬] Numpy 넘파이 (2)

넘파이(Numpy)

4. Inspecting your array

import numpy as np

a = np.array([1, 2, 3])
b = np.array([(1.5,2, 3), (4, 5, 6)], dtype=float)
c = np.array([[(1.5, 2, 3), (4,5,6)], [(3,2,1), (4,5,6)]], dtype=float)
e = np.full((2, 2), 7)
f = np.eye(2)

• .shape : 배열 구조 확인

a.shape

(3,)

• len() : 배열의 길이 확인

len(a)

3

b

array([[1.5, 2. , 3. ],
            [4. , 5. , 6. ]])

• ndim : 배열 차수 확인

b.ndim

2

e

array([[7, 7],
            [7, 7]])

• .size : 전체 원소 개수 반환

e.size

4

b

array([[1.5, 2. , 3. ],
            [4. , 5. , 6. ]])

b.dtype

dtype('float64')

b.dtype.name

'float64'

• .astype(자료형) : 특정 자료형으로 변경

b.astype(int)

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

5. Array Mathmatics

5.1 Arithmatic Operations

g = a-b
g

array([[-0.5, 0. , 0. ],
            [-3. , -3. , -3. ]])

• .subtract(a, b) or a-b

np.subtract(a,b)

array([[-0.5, 0. , 0. ],
            [-3. , -3. , -3. ]])

b + a

array([[2.5, 4. , 6. ],
            [5. , 7. , 9. ]])

• add(a, b) or a + b

np.add(a, b)

array([[2.5, 4. , 6. ],
            [5. , 7. , 9. ]])

a/b

array([[0.66666667, 1. , 1. ],
            [0.25 , 0.4 , 0.5 ]])

a*b

array([[ 1.5, 4. , 9. ],
            [ 4. , 10. , 18. ]])

• multiply(a,b) or a * b

np.multiply(a,b)

array([[ 1.5, 4. , 9. ],
            [ 4. , 10. , 18. ]])

b

array([[1.5, 2. , 3. ],
            [4. , 5. , 6. ]])

• exp() : 밑이 지연 상수 e(2.41) 인 지수 함수

np.exp(b)

array([[ 4.48168907, 7.3890561 , 20.08553692],
[ 54.59815003, 148.4131591 , 403.42879349]])

• sqrt() : 제곱근 ( 루트 씌움 )

np.sqrt(b)

array([[1.22474487, 1.41421356, 1.73205081],
            [2. , 2.23606798, 2.44948974]])

a

array([1, 2, 3])

np.sin(a)

array([0.84147098, 0.90929743, 0.14112001])

np.cos(a)

array([ 0.54030231, -0.41614684, -0.9899925 ])

np.log(a)

array([0. , 0.69314718, 1.09861229])

e

array([[7, 7],
            [7, 7]])

f

array([[1., 0.],
            [0., 1.]])

• dot(행렬1,행렬2) : 행렬 끼리의 곱셉

# 행렬 내적
e.dot(f)

array([[7., 7.],
            [7., 7.]])

5.2 Comparison

a

array([1, 2, 3])

b

array([[1.5, 2. , 3. ],
[4. , 5. , 6. ]])

a == b

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

a < 2

array([ True, False, False])

np.array_equal(a, b)

False

5.3 Aggregate Function

a

array([1, 2, 3])

• sum() : array의 총 합

a.sum()

6

• min() : array의 최솟값

a.min()

1

b

array([[1.5, 2. , 3. ],
            [4. , 5. , 6. ]])

• max(axis = ?) : axis = 0이면 행, axis = 1이면 열 기준 최댓값

# 행 기준 최대값
b.max(axis=0)

array([4., 5., 6.])

• cumsum(axis = ?) : axis = 0이면 행, axis = 1이면 열 기준 누적합계

# 열 기준 누적합
b.cumsum(axis=1)

array([[ 1.5, 3.5, 6.5],
            [ 4. , 9. , 15. ]])

• mean() : 평균값

a.mean()

2.0

• std() : 표준편차 값

np.std(b) 

1.5920810978785667

6. Copying Arrays

a

array([1, 2, 3])

b

array([[1.5, 2. , 3. ],
            [4. , 5. , 6. ]])

b = np.array([4,5,6])

• view() : 원본과 복사본 상호영향. 즉, 서로 영향 미치고 복사본 배열이 개별 소유 x

v = a.view()
v

array([1, 2, 3])

• copy() : 원본과 복사본이 별개. 즉, 서로 영향을 안 미치고 복사본 배열이 데이터 개별 소유 o

h = a.copy()
h

array([1, 2, 3])

a = a+b
a

array([5, 7, 9])

h

array([1, 2, 3])

7. Sorting Arrays

a

array([1, 2, 3])

• list.sort() : 변수 자체를 수정, 함수 반환값 None 값. key 설정 가능. reverse(내림차순) 가능

a.sort()

a

array([5, 7, 9])

c

array([[[1.5, 2. , 3. ],
             [4. , 5. , 6. ]],
           [[3. , 2. , 1. ],
            [4. , 5. , 6. ]]])

c.sort(axis=0)

c

array([[[1.5, 2. , 1. ],
             [4. , 5. , 6. ]],
           [[3. , 2. , 3. ],
             [4. , 5. , 6. ]]])