Numpy_01

넘파이란?¶

• Numeric + Python = Numpy(넘파이, 늄파이)
• 수학 및 과학 연산을 위한 파이썬 패키지
• 관련 사이트 : http://www.numpy.org
• 리스트와의 차이점 : 하나의 데이터형만 지원
• np.array 함수를 활용하여 ndarray 배열을 생성함

# 주의사항 : numpy 외부 모듈을 임포트하고 사용 
import numpy as np 

# 통상적으로 np로 별칭한다.

넘파이 임포트¶

In [1]:

import numpy as np 

넘파이 버전 확인¶

In [2]:

np.__version__

Out[2]:

'1.16.3'

넘파이 배열 만들기¶

• np.array(리스트)
• 리스트 형태는 실수, 정수, 문자 넘파이 배열 가능

In [4]:

arrA = [ 1, 2, 3, 4, 5 ]
print(arrA, type(arrA) )

([1, 2, 3, 4, 5], <type 'list'>)

ndArray로 변경하기¶

In [6]:

matrixA = np.array(arrA)
print(matrixA, type(matrixA))

(array([1, 2, 3, 4, 5]), <type 'numpy.ndarray'>)

실수형 넘파이배열¶

In [9]:

matrixB = np.array([0.45, 5.5, 0, 3])
matrixB

Out[9]:

array([0.45, 5.5 , 0.  , 3.  ])

문자형 넘파이배열¶

In [8]:

matrixC = np.array(['a', 'b', 'c'])
matrixC

Out[8]:

array(['a', 'b', 'c'], dtype='|S1')

자동 캐스팅¶

• 숫자+문자 => 문자
• 정수+실수 => 실수
• 넘파이배열에서는 한가지 데이터형만 지원한다.

In [10]:

matrixD = np.array([1, 2, 3, 'banana', 'cat'])
matrixD

Out[10]:

array(['1', '2', '3', 'banana', 'cat'], dtype='|S11')

넘파이배열의 속성¶

• 넘파이배열명.shape : 구조
• 넘파이배열명.ndim : 차원 (ndim = number of dimension)
• 넘파이배열명.size : 전체갯수

In [12]:

arr1d = np.array([1, 4, 5, 10 ])
arr1d

Out[12]:

array([ 1,  4,  5, 10])

In [13]:

arr1d.shape

Out[13]:

(4L,)

In [15]:

arr2d = np.array([[1, 4, 5, 10 ], [10, 30, 50, 60]])
arr2d

Out[15]:

array([[ 1,  4,  5, 10],
       [10, 30, 50, 60]])

In [16]:

arr2d.shape

Out[16]:

(2L, 4L)

In [18]:

arr2d.ndim

Out[18]:

2

In [19]:

arr2d.size

Out[19]:

8

초기값을 0 또는 1로 지정하기¶

• np.zeros(데이터갯수)
• np.zeros([행수,열수])
• np.ones(데이터갯수)
• np.ones([행수,열수])

In [20]:

arr1 = np.zeros(10)
arr1

Out[20]:

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

In [21]:

arr2 = np.zeros([2,2])
arr2

Out[21]:

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

In [22]:

arr3 = np.ones(10)
arr3

Out[22]:

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

In [23]:

arr4 = np.ones([2,2])
arr4

Out[23]:

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

np.empty()로 초기값 지정하기¶

• np.empty(숫자)
• np.empty((행수,열수))
• 초기값이 변형된다.

In [26]:

arr5 = np.empty([2,2])
arr5

Out[26]:

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

In [37]:

arr6 = np.empty(10)
arr6

Out[37]:

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

초기값을 1씩 증가되는 숫자값으로 지정하기¶

• np.arange(start,end,step)
• end 숫자값을 제외
• start ~ end-1 까지 step 값만큼 증가해서 생성
• 넘파이배열 생성

range(초기값, 마지막값, 단계)¶

In [38]:

range(10)

Out[38]:

[0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

In [39]:

range(1,11)

Out[39]:

[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

In [40]:

range(0,11,2)

Out[40]:

[0, 2, 4, 6, 8, 10]

In [41]:

for i in range(1,11):
    print(i)

1
2
3
4
5
6
7
8
9
10

자동증가되는 ndArray¶

In [42]:

np.arange(20)

Out[42]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11, 12, 13, 14, 15, 16,
       17, 18, 19])

In [43]:

np.arange(1,30,2)

Out[43]:

array([ 1,  3,  5,  7,  9, 11, 13, 15, 17, 19, 21, 23, 25, 27, 29])

In [44]:

np.arange(0,30,5)

Out[44]:

array([ 0,  5, 10, 15, 20, 25])

Numpy 배열의 구조 변경¶

• 배열명.reshape(행수, 열수)
• Element의 객수는 동일하고 구조 변경
• 배열명.reshape(-1,행안의아이템수) : size를기반으로 row 개수 선정

2차원 배열 만들어 구조 변경하기¶

- np.array([[1,2,3,4,5],[6,7,8,9,10]])
- np.arange(1,11).reshape(2,5)

In [46]:

np.arange(1,11)

Out[46]:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

In [47]:

np.arange(1,11).reshape(2,5)

Out[47]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10]])

배열명.reshape(-1,행안의아이템수)¶

• 배열의 전체행수는? 전체아이템수/아이템수

In [48]:

myArray = np.array([10,20,40,90,100,20])
myArray

Out[48]:

array([ 10,  20,  40,  90, 100,  20])

In [49]:

# 한행에 2개씩 구성
myArray.reshape(-1,2)

Out[49]:

array([[ 10,  20],
       [ 40,  90],
       [100,  20]])

In [50]:

# 한행에 3개씩 구성
myArray.reshape(-1,3)

Out[50]:

array([[ 10,  20,  40],
       [ 90, 100,  20]])

flatten()으로 1차원 배열로 변경하기¶

• 넘파이배열.flatten()

In [51]:

arr2d = np.array([[1,4,5,6],[56,23,45,67],[8,4,6,10]])
arr2d

Out[51]:

array([[ 1,  4,  5,  6],
       [56, 23, 45, 67],
       [ 8,  4,  6, 10]])

In [52]:

arr2d.flatten()

Out[52]:

array([ 1,  4,  5,  6, 56, 23, 45, 67,  8,  4,  6, 10])

데이타형 표시와 변경¶

• type(변수/집합형...) : 데이터형 표시
• 배열명.dtype : data type
• 배열명.astype(데이터형) : 데이터형변환 => 캐스팅

  데이터형 : float / int / np.str

In [55]:

# 정수형 넘파이 배열
arr1 = np.array([1,2,3,4,5])

In [56]:

# 배열명 전체의 데이터형 표시 
type(arr1)

Out[56]:

numpy.ndarray

In [57]:

# 배열을 구성하는 아이템의 데이터형 표시 
arr1.dtype

Out[57]:

dtype('int32')

In [58]:

# 실수형 넘파이 배열
arr2 = np.array([1.1, 2.4 , 3, 4, 5])
arr2.dtype

Out[58]:

dtype('float64')

정수형 => 실수형 배열로 변경¶

In [62]:

arr1 = np.array([1,2,3,4])
arr1

Out[62]:

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

In [63]:

arr1.dtype

Out[63]:

dtype('int32')

In [64]:

arr2 = arr1.astype(float)
arr2

Out[64]:

array([1., 2., 3., 4.])

In [65]:

arr2.dtype

Out[65]:

dtype('float64')

행열의 연산¶

• 같은 위치의 요소끼리 사칙 연산

In [69]:

arr1 = np.arange(20,26)
arr2 = np.arange(10,16)
print(arr1, arr2)

(array([20, 21, 22, 23, 24, 25]), array([10, 11, 12, 13, 14, 15]))

In [70]:

arr1 + arr2

Out[70]:

array([30, 32, 34, 36, 38, 40])

In [71]:

arr1 - arr2

Out[71]:

array([10, 10, 10, 10, 10, 10])

In [72]:

arr1 * arr2

Out[72]:

array([200, 231, 264, 299, 336, 375])

In [75]:

arr1 / arr2

Out[75]:

array([2, 1, 1, 1, 1, 1])

행렬의 인덱싱과 슬라이싱 - 1차원¶

• 리스트와 비슷
• 배열이름[인덱스번호]
• 배열이름[start:end]

In [77]:

animals = np.array([100, 200, 400, 6, 90])
animals 

Out[77]:

array([100, 200, 400,   6,  90])

In [78]:

animals[0]

Out[78]:

100

In [79]:

animals[-1]

Out[79]:

90

In [80]:

animals[0:2]

Out[80]:

array([100, 200])

행렬의 인덱싱과 슬라이싱 - 2차원¶

• 리스트와 비슷
• 배열이름[행, 열] / 배열이름[행][열]
• 배열이름[:,:] 전체출력
• 배열이름[start:end, start:end]

In [82]:

myArray = np.arange(1,31)
myArray

Out[82]:

array([ 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])

In [90]:

myArray2 = myArray.reshape(5,6)
myArray2

Out[90]:

array([[ 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]])

In [91]:

myArray2[0,5]

Out[91]:

6

In [93]:

myArray2[0][5]

Out[93]:

6

In [94]:

# 1열 출력하기 
myArray2[:, 0]

Out[94]:

array([ 1,  7, 13, 19, 25])

In [96]:

# 1행 출력하기 
myArray2[0,:]

Out[96]:

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

In [97]:

# 전체 출력하기 
myArray2[:,:]

Out[97]:

array([[ 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]])

In [98]:

# 1,2행 출력하기 
myArray2[0:2,:]

Out[98]:

array([[ 1,  2,  3,  4,  5,  6],
       [ 7,  8,  9, 10, 11, 12]])

In [100]:

# 2~4열  출력하기 
myArray2[:,1:4]

Out[100]:

array([[ 2,  3,  4],
       [ 8,  9, 10],
       [14, 15, 16],
       [20, 21, 22],
       [26, 27, 28]])

In [102]:

# 3~5행에서 3~5열 
myArray2[2:6,3:6]

Out[102]:

array([[16, 17, 18],
       [22, 23, 24],
       [28, 29, 30]])

::를 이용한 슬라이싱¶

• 배열이름[start:end:step]
• 배열이름[start:end:step, [start:end:step]

In [104]:

# 1차원 배열 선언 
arr1 = np.arange(1,11)
arr1

Out[104]:

array([ 1,  2,  3,  4,  5,  6,  7,  8,  9, 10])

In [105]:

# 홀수번째 출력
arr1[::2]

Out[105]:

array([1, 3, 5, 7, 9])

In [107]:

# 짝수번째 출력
arr1[1::2]

Out[107]:

array([ 2,  4,  6,  8, 10])

In [108]:

# 0~4 인덱스중 홀수번째 
arr1[0:5:2]

Out[108]:

array([1, 3, 5])

In [111]:

# 2차원 넘파이 배열 선언 
arr2 = np.arange(1,21).reshape(4,5)
arr2

Out[111]:

array([[ 1,  2,  3,  4,  5],
       [ 6,  7,  8,  9, 10],
       [11, 12, 13, 14, 15],
       [16, 17, 18, 19, 20]])

In [112]:

# 홀수번째 행 추출
arr2[::2,:]

Out[112]:

array([[ 1,  2,  3,  4,  5],
       [11, 12, 13, 14, 15]])

In [113]:

# 홀수번째 컬럼 추출
arr2[:,::2]

Out[113]:

array([[ 1,  3,  5],
       [ 6,  8, 10],
       [11, 13, 15],
       [16, 18, 20]])

퀴즈¶

1~15로 구성된 넘파이 배열을 3행5열로 구성하고 1,3,5열만 출력하여라

array([[ 1,  3,  5],
       [ 6,  8, 10],
       [11, 13, 15]])

퀴즈¶

1~15로 구성된 넘파이 배열을 3행5열로 구성하고 1행1열, 1행4열, 3행1열, 3행4열만 출력하도록 슬라이싱하여라

array([[ 1,  4],
       [11, 14]])

In [ ]:

In [ ]: