1.넘 파이(Numpy)
파이썬에서 사용되는 과학 및 수학 연산을 위한 강력한 라이브러리
주로 다차원 배열을 다루는 데에 특화되어 있어, 데이터 분석, 머신러닝, 과학 계산 등 다양한 분야에서 널리 사용
넘파이 배열 C 언어로 구현되어 있어 연산이 빠르고 효율적
넘파이 배열은 큰 데이터셋에서 수치 연산을 수행할 때 뛰어난 성능을 보이며, 메모리 사용을 최적화하고 효율적으로 관리
!pip install numpy
넘파이 인스톨
2. 넘파이의 주요 특징과 기능
2-1. 다차원 배열(N-dimensional array)
넘파이의 핵심은 다차원 배열 ndarray
ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있음
list1 = [1,2,3,4]
list2 = [[1,2,3,4],[5,6,7,8]]
print(list1)
print(list2)
print(type(list1))
print(type(list2))
print(type(list1[0]))
print(type(list2[0]))
[1, 2, 3, 4] [[1, 2, 3, 4], [5, 6, 7, 8]] <class 'list'> <class 'list'> <class 'int'> <class 'list'>
ndarr1 = np.array([1,2,3,4])
print(ndarr1)
print(type(ndarr1)) #<class 'numpy.ndarray'>
print(type(ndarr1[0])) # <class 'numpy.int64'>
[1 2 3 4] <class 'numpy.ndarray'> <class 'numpy.int64'>
ndarr2 = np.array([[1,2,3],[4,5,6]])
print(ndarr2)
print(type(ndarr2))
print(type(ndarr2[0]))
[[1 2 3] [4 5 6]] <class 'numpy.ndarray'> <class 'numpy.ndarray'>
2-2.리스트와 ndarray 변환
# 리스트를 ndarray로 변환
list1 = [1,2,3,4]
ndarr1 = np.array(list1)
print(ndarr1)
print(type(ndarr1))
[1 2 3 4] <class 'numpy.ndarray'>
list2 = ndarr1.tolist()
print(list2)
print(type(list2))
[1, 2, 3, 4] <class 'list'>
2-3. ndarray의 데이터 타입
넘파이의 ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있으며, 다양한 데이터 타입을 지원
list1=[1, 3.14, 'Python','👨',True]
print(list1)
print(type(list1[0]))
print(type(list1[1]))
print(type(list1[2]))
print(type(list1[3]))
print(type(list1[4]))
[1, 3.14, 'Python', '👨', True] <class 'int'> <class 'float'> <class 'str'> <class 'str'> <class 'bool'>
ndarr1 = np.array([1,2,3,4])
print(ndarr1)
print(type(ndarr1))
print(type(ndarr1[0]))
print(type(ndarr1[1]))
[1 2 3 4] <class 'numpy.ndarray'> <class 'numpy.int64'> <class 'numpy.int64'>
ndarr2 = np.array([1,2,3.14,4])
print(ndarr2)
print(type(ndarr2))
print(type(ndarr2[0]))
print(type(ndarr2[2]))
[1. 2. 3.14 4. ] <class 'numpy.ndarray'> <class 'numpy.float64'> <class 'numpy.float64'>
ndarr3 = np.array([1,2,3.14,True])
print(ndarr3)
print(type(ndarr3))
print(type(ndarr3[0]))
print(type(ndarr3[2]))
print(type(ndarr3[3]))
[1. 2. 3.14 1. ] <class 'numpy.ndarray'> <class 'numpy.float64'> <class 'numpy.float64'> <class 'numpy.float64'>
ndarr4 = np.array(['1',2,3.14,True])
print(ndarr4)
print(type(ndarr4))
print(type(ndarr4[0]))
print(type(ndarr4[2]))
print(type(ndarr4[3]))
['1' '2' '3.14' 'True'] <class 'numpy.ndarray'> <class 'numpy.str_'> <class 'numpy.str_'> <class 'numpy.str_'>
ndarr3 = np.array([1,2,3.14,True], dtype=int) #모든 요소를 int로 변경
print(ndarr3)
print(type(ndarr3))
print(type(ndarr3[0]))
print(type(ndarr3[2]))
print(type(ndarr3[3]))
[1 2 3 1] <class 'numpy.ndarray'> <class 'numpy.int64'> <class 'numpy.int64'> <class 'numpy.int64'>
ndarr4 = np.array(['1',2,3.14,True], dtype=int)
print(ndarr4)
print(type(ndarr4))
print(type(ndarr4[0]))
print(type(ndarr4[2]))
print(type(ndarr4[3]))
[1 2 3 1] <class 'numpy.ndarray'> <class 'numpy.int64'> <class 'numpy.int64'> <class 'numpy.int64'>
2-4. ndarray인덱싱과 슬라이싱
ndarr1 = np.array(['🍉','🍊','🍋','🍍','🍌','🥭'])
print(ndarr1)
print(ndarr1.shape) # 차원
['🍉' '🍊' '🍋' '🍍' '🍌' '🥭'] (6,)
# 인덱싱
print(ndarr1[0])
print(ndarr1[4])
print(ndarr1[-1])
print(ndarr1[-2])
🍉 🍌 🥭 🍌
# 슬라이싱
# ['🍉','🍊','🍋','🍍','🍌','🥭']
print(ndarr1[0:3])
print(ndarr1[2:])
print(ndarr1[:3])
['🍉' '🍊' '🍋'] ['🍋' '🍍' '🍌' '🥭'] ['🍉' '🍊' '🍋']
# 2차원 배열
ndarr2d = np.array([[1,2,3,4],[5,6,7,8],[9,10,11,12]]) #(3, 4) 3행 4열
print(ndarr2d)
print(ndarr2d.shape)
[[ 1 2 3 4] [ 5 6 7 8] [ 9 10 11 12]] (3, 4)
# 0행 가져오기
print(ndarr2d[0])
print(ndarr2d[0,])
print(ndarr2d[0,:])
[1 2 3 4] [1 2 3 4] [1 2 3 4]
# 0열 가져오기
print(ndarr2d[:,0])
[1 5 9]
2-5.Fancy Indexing
정수 배열이나 불리언 배열을 사용하여 배열의 일부를 선택하는 방법
여러 개의 요소를 한번에 선택하거나 조건에 맞게 선택할 수 있음
ndarr1= np.array([10,15,2,8,20,90,85,44,23,32])
idx = [2,5,9]
print(ndarr1[idx])
[ 2 90 32]
ndarr2d = np.array([[1,2,3,4],
[5,6,7,8],
[9,10,11,12]])
print(ndarr2d[[0, 1], :])
[[1 2 3 4] [5 6 7 8]]
2-6. Boolean Indexing
불리언 값으로 이루어진 배열을 사용하여 조건을 충족하는 원소만 선택하는 방법
ndarr1 = np.array(['🍉','🍊','🍋','🍍','🍌'])
sel = [True, False, True, True, False] # 개수 안맞으면 에러남
print(ndarr1[sel])
['🍉' '🍋' '🍍']
ndarr2d = np.array([[1,2,3,4],
[5,6,7,8],
[9,10,11,12]])
print(ndarr2d[ndarr2d>7])
[ 8 9 10 11 12]
[[False False False False] [False False False True] [ True True True True]]
3. 행렬 연산
넘파이에서는 다차원 배열인 ndarray를 사용하여 행렬 연산을 수행
행렬 연산은 선형 대수와 관련이 깊어 데이터 과학, 머신러닝, 통계 등 다양한 분야에서 사용됨
ndarr1 = np.array([[1,2,3],
[2,3,4]])
ndarr2 = np.array([[3,4,5],
[1,2,3]])
print(ndarr1.shape)
print(ndarr2.shape)
(2, 3) (2, 3)
# 행렬 덧셈
print(ndarr1+ndarr2)
[[4 6 8] [3 5 7]]
# 행렬 뺄셈
print(ndarr1-ndarr2)
[[-2 -2 -2] [ 1 1 1]]
# 행렬 원소별 곱셈
print(ndarr1*ndarr2)
[[ 3 8 15] [ 2 6 12]]
# 행렬 곱(Dot Product)
# print(ndarr1@ndarr2) ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with gufunc signature (n?,k),(k,m?)->(n?,m?) (size 2 is different from 3)
# 행렬 곱의 조건 : 맞닿는 shape가 같아야 함, 떨어져 있는 shape가 결과 행렬이 됨
# 예) (2,3) @ (2,3)
ndarr3 = np.array([[1,2,3],
[1,2,3],
[2,3,4]])
ndarr4 = np.array([[1,2],
[3,4],
[5,6]])
print(ndarr3.shape)
print(ndarr4.shape)
(3, 3) (3, 2)
print((1*1+2*3+3*5),(1*2+2*4+3*6))
print((1*1+2*3+3*5),(1*2+2*4+3*6))
print((2*1+3*3+4*5),(2*2+3*4+4*6))
22 28 22 28 31 40
[[22 28] [22 28] [31 40]]
print(np.dot(ndarr3,ndarr4))
[[22 28] [22 28] [31 40]]
# 전치 행렬
# 기존 행렬의 행과 열을 바꾼 새로운 행렬
print(ndarr1)
print(ndarr1.T)
[[1 2 3] [2 3 4]] [[1 2] [2 3] [3 4]]
# 역행렬
# 주어진 정사각 행렬에 대한 곱셈 연산으로 단위 행렬을 얻을 수 있는 행렬
# 단위 행렬 : 주대각선의 원소가 모두 1이고, 나머지 원소가 모두 0인 정사각형 행렬
arr = np.array([[1,2],[3,4]])
print(np.linalg.inv(arr))
[[-2. 1. ] [ 1.5 -0.5]]
4.순차적인 값 생성