python numpy!
ndarray (n-dimensional array)
다양한 차원의 array 를 numpy 로 쉽게 정의 가능
제공되는 다양한 함수를 통해 쉽게 데이터 연산 가능
import numpy as np #numpy는 기니까 np로 줄여서 사용
a = np.array([0,1,2,3,4,5,6,7,8,9])
print(type(a)) # <class 'numpy.ndarray'>
print(a.ndim) # 1
print(a.shape) # (10,)
b = np.array([[0, 1, 2, 3], [4, 5, 6, 7]])
b[0,0] # first row , first col
b[0,1] # first row , second col
b[-1,-1] # last row , last col
b[0,:] # first row(전체)
b[:,1] # second col (전체)
b[1,1:] # second row의 second col 부터 끝까지
b[:,0:3] #모든 row의 0:3까지 col
최소값 최대값 index
np.argmin(), np.argmax()
print(net.W)
print(np.argmax(net.W))
[[-2.30632234 -0.40351578 -1.6686059 ]
[ 0.86243116 -0.15211806 -1.40741961]]
3
np.nditer - 순회
np.nditer
x = np.array([[1, 2, 3], [4, 5, 6]])
it = np.nditer(x, flags=["multi_index"], op_flags=['readwrite'])
while not it.finished:
print(x[it.multi_index])
it.iternext()
# 1
# 2
# 3
# 4
# 5
# 6
다차원 배열에 순차적으로 접근
np.sum
x = np.array([[1, 2, 3],[1, 2, 3]])
print(np.sum(x)) # 12
모든 요소의 합을 출력한다.
y = np.array([1, 2, 3])
t = np.array([1, 2, 3])
print(y == t) # [ True True True]
print(np.sum(y == t)) # 3
위와 같이 True 를 1로 계산하기에 동일위치 동일값이 몇개인지 알 수 있다.
axis
axis: (중심) 축
넘파이의 매우 많음 함수에서 제공되는 변수로 말그대로 축을 사용해서 연산할 때 사용한다.
http://taewan.kim/post/numpy_sum_axis/
위 블로그에 매우 상세히 설명되어있음
import numpy as np
arr = np.arange(0, 32)
arr = arr.reshape([4,2,4])
print(arr)
# [[[ 0 1 2 3]
# [ 4 5 6 7]]
# [[ 8 9 10 11]
# [12 13 14 15]]
# [[16 17 18 19]
# [20 21 22 23]]
# [[24 25 26 27]
# [28 29 30 31]]]
위와같이 3차원 matrix 를 그림으로 표현하면 아래와 같다.
좌측아래부터 [0,0,0] 으로 그려놓았다.
print(arr.sum(axis=0))
# [[48 52 56 60]
# [64 68 72 76]]
print(arr.sum(axis=1))
# [[ 4 6 8 10]
# [20 22 24 26]
# [36 38 40 42]
# [52 54 56 58]]
print(arr.sum(axis=2))
# [[ 6 22]
# [ 38 54]
# [ 70 86]
# [102 118]]
각 축으로 덧셈을한 결과를 아래 그림처럼 나타낼 수 있다.
np.expand_dims
expend dimension (차원 추가)
x = np.array([1, 2])
x.shape
# (2,)
np.random
randn - 표준정규분포
import numpy as np
a = np.random.randn(5) # 표준 정규분포 난수 5개
b = np.random.randn(2, 3) # 2차원 배열형태의 난수 6개
print(a)
print(b)
[0.28140916 0.47827139 0.96844448 1.48415209 0.78947828]
[[-0.35707587 -0.6925682 1.0248466 ]
[-1.77603803 -0.66903502 1.23282111]]
rand
0부터 1사이의 균일 분포에서 난수 matrix array생성
np.random.rand(6)
array([0.21696513, 0.99735417, 0.83609081, 0.99821954, 0.07308539, 0.29846808])
randint
low, high 사이 균일분포에서 size 만큼 실수형 난수 생성, size 미지정시 단순 실수하나 반환, 지정시 배열형태 반환
np.random.randint(low, high, size)
uniform
low, high 사이 균일분포에서 size 만큼 실수형 난수 생성, size 미지정시 단순 실수하나 반환, 지정시 배열형태 반환
np.random.uniform(low, high, size)
choice
np.random.choice() 함수로 임의(무작위, 확률) 추출 (random sampling) 가능
flatten
다차원 배열을 1차원 배열로 평평하게 펴주는 ravel(), flatten() 함수
b = np.random.randn(2, 3) # 2차원 배열형태의 난수 6개
print(b.flatten())
print(b.ravel())
[ 0.45883847 0.2985751 1.68589697 -0.34460654 -0.84546482 -0.69634623]
[ 0.45883847 0.2985751 1.68589697 -0.34460654 -0.84546482 -0.69634623]
ravel 과 flatten 의 차이는 값의 복사 여부
flatten 의 경우 원소의 완전한 복사가 이루어지지만
ravel 의 경우 원소의 참조가 끊기지 않아 원본 변경시 같이 변경된다.
정렬
x = np.arange(12).reshape(3, 4)
print(x)
print(x.flatten(order='C')) # default, row 우선
print(x.flatten(order='F')) # column 과 같은 순서
print(x.flatten(order='K')) # 메모리 발생 순서
[[ 0 1 2 3]
[ 4 5 6 7]
[ 8 9 10 11]]
[ 0 1 2 3 4 5 6 7 8 9 10 11]
[ 0 4 8 1 5 9 2 6 10 3 7 11]
[ 0 1 2 3 4 5 6 7 8 9 10 11]
np.hstack, np.vstack
배열 이어붙이기
import numpy as np
# 배열 준비
a = np.array([1,2,3])
b = np.array([4,5,6])
c = np.hstack((a,b))
d = np.vstack((a,b))
print(c)
print(d)
"""
[1 2 3 4 5 6]
[[1 2 3]
[4 5 6]]
"""
np.concatenate
np.concatenate((hs, out), axis=2)
repeat
열과 행을 복사하는 함수
numpy.repeat(a, repeats, axis=None)
axis 는 합치는 방향
arr = np.repeat(5,3)
print(arr)
# array([5, 5, 5])
broadcaasting
