[파이썬] NumPy 예제

연산 함수	설명	연산 함수	설명
square()	제곱	mean()	평균
sqrt()	제곱근(루트)	var()	편차
exp()	지수승	std()	표준편차
log()	로그	min()	최소값
add()	덧셈	max()	최대값
sum()	합계	argmin()	최소값의 인덱스
cumsum()	누적합	argmax()	최대값의 인덱스

import numpy as np
"""
배열은 빠르고 간단하게 연산을 처리 할 수 있다.

NumPy는 데이터를 연속된 메모리블럭에 저장하고, 일반적인 파이썬 자료형보다 더 적은 메모리를 사용한다.
또한 내부 연산은 C 언어로 작성되어 메모리를 직접 조작해 처리하기 때문에 배열을 빠르고 효율적으로 처리 할 수 있다.
리스트에서 연산을 수행하기 위해서는 for 문과 같은 반복문을 사용해서 아이템을 하나씩 꺼내서 처리하고 넣는 형태로 진행해야 한다.
배열은 이러한 과정 없이 모든 아이템에 한꺼번에 연산을 적용할 수 있다.
바로 이러한 이유가 numpy 패키지가 데이터 처리에 강력한 이유기도 하다.
"""

"""
가장 기본적인 배열은 np.array() 함수를 사용해서 만든다.
"""
list = [1,2,3]
array = np.array(list)
array

array([1, 2, 3])

"""
값을 하나씩 지정하지 않고, np.zeros()를 사용하여 0으로 초기화된 배열을 만들 수 있다.
"""
np.zeros(5)

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

"""
튜플을 사용해 0으로 초기화된 2차원 배열을 생성
"""
np.zeros((2,3))

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

"""
1로 초기화된 배열 생성
"""
np.ones(7)

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

"""
빈 배열 생성하기
단, empty는 데이터의 초기화 없이 배열을 생성한다. 그렇기 때문에 zeros, ones보다
배열을 생성하는 속도는 빠르지만, 의미없는 쓰레기 값으로 채워져 있기 때문에 사용시 유의
"""
print(np.empty(5))

[2.5e-323 3.0e-323 3.5e-323 4.0e-323 4.4e-323]

"""
파이썬 기본 내장 함수인 range와 유사하게 연속된 숫자를 채워서 배열을 만들기
"""
print(np.arange(10))
print(np.arange(20,30,2))

[0 1 2 3 4 5 6 7 8 9]
[20 22 24 26 28]

"""
랜덤값으로 배열 만들기
rand    ::: 균등분포에서 랜덤 추출
randint ::: 주어진 범위 안에서 랜덤 추출
randn   ::: 표준정규분포(평균이 0이고, 표준편차가 1인 정규분포)에서 랜덤 추출
normal  ::: 정규분포에서 랜덤 추출
seed    ::: 랜덤값 생성기의 시드 지정 (정해진 시드값에 따라 난수를 생성)
shuffle ::: 리스트나 배열의 순서를 섞음 (실무에 사용가능할듯)
"""
np.random.rand(2,3)

array([[0.1853592 , 0.67315673, 0.91549164],
       [0.18491776, 0.83095126, 0.85583572]])

"""
만들어진 배열의 차원을 변경해서 재정의 하기
"""
array = np.arange(16)
print(array)
print(array.reshape(4,4))

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]
 [12 13 14 15]]

"""
배열안에 담긴 데이터 처리
shape    ::: 배열의 형태 확인
dtype    ::: 배열의 데이터 타입 확인
astype() ::: 배열의 데이터 타입 변경
"""
array = np.arange(16)
print(array)
print(array.shape)
print(array.dtype)
print(array.astype(float))

[ 0  1  2  3  4  5  6  7  8  9 10 11 12 13 14 15]
(16,)
int64
[ 0.  1.  2.  3.  4.  5.  6.  7.  8.  9. 10. 11. 12. 13. 14. 15.]

"""
Boolean Index
특정 조건에 해당하는 부분만 배열화 하기
"""
array = np.array([50,20,40,60,70])
print(array)
print(array >= 50)          # 조건 값으로 true, false 변환
print(array[array >= 50])   # 조건에 맞는 실제 값으로 배열 재 생성

[50 20 40 60 70]
[ True False False  True  True]
[50 60 70]

"""
NumPy 배열 연산하기
"""
array = np.arange(1,5)
print(array)
print(array + 2)
print(array * 2)
array2 = np.arange(1,5)
print(array2)
print(array + array2)  # 인덱스 번호가 다른 경우 예외 발생 (ValueError: operands could not be broadcast together with shapes (4,) (2,) )
"""
단순 List의 경우 연산처리가 안됨
"""
list = [1,2,3,4]
print(list)
print(list * 2) # + 2의 경우 예외 발생 (TypeError: can only concatenate list (not "int") to list)

[1 2 3 4]
[3 4 5 6]
[2 4 6 8]
[1 2 3 4]
[2 4 6 8]
[1, 2, 3, 4]
[1, 2, 3, 4, 1, 2, 3, 4]

"""
NumPy 배열 통계용 연산
"""
array = np.arange(1,5)
print(np.square(array))              # 제곱
print(np.sqrt(array))                # 제곱근
print(np.exp(array))                 # 지수승
print(np.log(array))                 # 로그
print(np.add(array, np.arange(5,9))) # 덧셈 인덱스 맞지 않으면 예외 발생 (ValueError: operands could not be broadcast together with shapes (4,) (2,) )
print(np.sum(array))                 # 합계
print(np.cumsum(array))              # 누적합
print(np.mean(array))                # 평균
print(np.var(array))                 # 편차
print(np.std(array))                 # 표준편차
print(np.min(array))                 # 최소값
print(np.max(array))                 # 최대값
print(np.argmin(array))              # 최소값 인덱스
print(np.argmax(array))              # 최대값 인덱스

[ 1  4  9 16]
[1.         1.41421356 1.73205081 2.        ]
[ 2.71828183  7.3890561  20.08553692 54.59815003]
[0.         0.69314718 1.09861229 1.38629436]
[ 6  8 10 12]
10
[ 1  3  6 10]
2.5
1.25
1.118033988749895
1
4
0
3

"""
배열 차원 변형
"""
print(np.arange(10))
print(np.arange(10).reshape(2,5))                      # 1차원 -> 2차원 배열로 변경
print(np.arange(10).reshape(2,5).transpose())          # 차원변형 가로 세로 변경
print(np.arange(10).reshape(2,5).T)                    # 축을 지정하지 않는 경우 약어로 다음과 같이 사용가능 ( = transpose())
print('-------------------------')
print(np.arange(27))
print(np.arange(27).reshape(3,3,3))                    # 1차원 -> 3차원 배열로 변경
print('-------------------------')
print(np.arange(27).reshape(3,3,3).transpose())        # 기본순서 (0,1,2)의 역순 (2,1,0)
print('-------------------------')
print(np.arange(27).reshape(3,3,3).transpose(1,0,2))   # 이해가 잘 되질 않지만 넘어간다.
#  np.save('shape_array',np.arange(27).reshape(3,3,3).transpose(1,0,2))  # shape_array.npy 파일명으로 저장
print('-------------------------')
print(np.load('shape_array.npy'))

[0 1 2 3 4 5 6 7 8 9]
[[0 1 2 3 4]
 [5 6 7 8 9]]
[[0 5]
 [1 6]
 [2 7]
 [3 8]
 [4 9]]
[[0 5]
 [1 6]
 [2 7]
 [3 8]
 [4 9]]
-------------------------
[ 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]
[[[ 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]]]
-------------------------
[[[ 0  9 18]
  [ 3 12 21]
  [ 6 15 24]]

 [[ 1 10 19]
  [ 4 13 22]
  [ 7 16 25]]

 [[ 2 11 20]
  [ 5 14 23]
  [ 8 17 26]]]
-------------------------
[[[ 0  1  2]
  [ 9 10 11]
  [18 19 20]]

 [[ 3  4  5]
  [12 13 14]
  [21 22 23]]

 [[ 6  7  8]
  [15 16 17]
  [24 25 26]]]
-------------------------
[[[ 0  1  2]
  [ 9 10 11]
  [18 19 20]]

 [[ 3  4  5]
  [12 13 14]
  [21 22 23]]

 [[ 6  7  8]
  [15 16 17]
  [24 25 26]]]