Numpy

• 일반 list에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 베열에 대한 처리를 지원함
• 선형 대수와 관련된 다양한 기능을 제공

import numpy as np

Array.dtype # Array 전체의 데이터 Type을 반환함
Array.shape # Array의 Shape을 반환함

---

Shape

Vector

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

Matrix

matrix = [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]
np.array(matrix, int).shape # (3, 4)

3rd Order Tensor

tensor = [[[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]]
np.array(tensor, int).shape # (4, 3, 4)

Ndim & Size

• ndim : number of dimension
• size : data의 개수

tensor = [[[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]]
          
np.array(tensor, int).ndim # 3
np.array(tensor, int).size # 48

reshape

• Array의 shape의 크기를 변경함
• Array의 size만 같다면 다차원으로 자유롭게 변경함
• -1 : size를 기반으로 row 개수 선정

matrix = [[1, 2, 3, 4], [1, 2, 3, 4]]
np.array(matrix, int).shape # (2, 4)

np.array(matrix, int).reshape(2, 2, 2)

# [[[1, 2],
	[3, 4]],
    
    [[1, 2],
     [3, 4]]]

flatten

• 다차원 Array를 1차원 Array로 변환

tensor = [[[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
		  [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]],
          [[1, 2, 5, 8], [1, 2, 5, 8], [1, 2, 5, 8]]]
          
np.array(tensor, int).shape # (4, 3, 4)
np.array(tensor, int).flatten().shape # (48,)

indexing

a = np.array([[1, 2, 3], [4, 5, 6]], int)
print(a[0, 0]) # 1
print(a[0][0]) # 1

slicing

b = np.array([[1, 2, 3, 4, 5], [6, 7, 8, 9, 10]], int)
print(b[:, 2:]) # 전체 row 2열 이상 [[ 3  4  5], [ 8  9 10]]
print(b[1, 1:3]) # 1 row의 1열 ~ 2열 [7 8]
print(b[1:3]) # 1 row ~ 2row 전체 [[ 6  7  8  9 10]]

---

Creation Function

arange

• Array의 범위를 지정하여, 값의 list를 생성

np.arange(5) # array([0, 1, 2, 3, 4])

zeros, ones, empty

np.zeros(shape=(5, ), dtype=np.int8) # array([0, 0, 0, 0, 0], dtype=int8)
np.ones(shape=(5, ), dtype=np.int8) # array([1, 1, 1, 1, 1], dtype=int8)
np.empty(shape=(5, ), dtype=np.int8) # array([0, 0, 0, 0, 0], dtype=int8)

something_like

• 기존 ndarray의 shape 크기 만큼 1, 0 또는 empty array를 반환

matrix = np.arange(10).reshape(2, 5)
np.ones_like(matrix) 
# array([[1, 1, 1, 1, 1], 
# 		[1, 1, 1, 1, 1]])

identity

• 단위 행렬을 생성

np.identity(n=3, dtype=np.int8)

eye

• 대각선인 1인 행렬, k 값의 시작 index의 변경이 가능

np.eye(N=3, M=5, k=2)

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

diag

• 대각 행렬의 값을 추출함

matrix = np.arange(9).reshape(3, 3)
np.diag(matrix) # array([0, 4, 8])

random sampling

np.random.uniform(0, 1, 10).reshape(2, 5) # 균등 분포
np.random.normal(0, 1, 10).reshape(2, 5) # 정규 분포

---

Operation Functions

sum

• ndarray의 element들 간의 합을 구함

Array = np.arange(1, 11)
Array.sum(dtype=np.float) # 55.0

axis

• 모든 Operation Functions을 실행할 때, 기준이 되는 dimension 축

Array = np.arange(1, 13).reshape(3, 4)
Array.sum(axis=0) # array([15, 18, 21, 24])
Array.sum(axis=1) # array([10, 26, 42])

mean & std

• ndarray의 element들 간의 평균 또는 표준 편차를 구함

Array = np.arange(1, 13).reshape(3, 4)
Array.mean(axis=0) # array([5., 6., 7., 8.])
Array.std(axis=0) # array([3.26598632, 3.26598632, 3.26598632, 3.26598632])

concatenate

• Numpy array를 합치는 함수

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

np.vstack((a, b))

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

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

np.concatenate((a,b), axis=0)

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

a = np.array([[1], [2], [3]])
b = np.array([[2], [3], [4]])
np.hstack((a, b))

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

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6]])

np.concatenate((a,b.T), axis=1)

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

---

Array Operations

사칙 연산

a = np.array([[1, 2, 3], [4, 5, 6]])

a + a # array([[ 2,  4,  6], [ 8, 10, 12]])
a - a # array([[0, 0, 0], [0, 0, 0]])
a * a # array([[ 1,  4,  9], [16, 25, 36]])

Element wise operations

• Array간 shape이 같을 때 일어나는 연산

matrix = np.arange(1, 13).reshape(3, 4)

matrix * matrix

Dot Product

a = np.arange(1, 7).reshape(2, 3)
b = np.arange(1, 7).reshape(3, 2)

a.dot(b)

# array([[22, 28],
#        [49, 64]])

transpose

a = np.arange(1, 7).reshape(2, 3)

a.T
a.transpose()

broadcasting

matrix = np.array([[1, 2, 3], [4, 5, 6]], float)
scalar = 3

matrix + scalar

---

Comparisons

All & Any

• any : 하나라도 조건에 만족한다면 True
• all : 모두가 조건에 만족한다면 True

a = np.arange(10)

np.any(a > 5), np.any(a < 0) # (True, False)
np.all(a > 5), np.all(a < 10) # (False, True)

np.where

np.where(a > 0, 3, 2) 

# array([[3, 3, 3],
#        [3, 3, 3]])

argmax & argmin

• Array 내 최대값 또는 최소값의 index를 반환함

a = np.array([1, 2, 4, 5, 8, 78, 23, 3])

np.argmax(a), np,argmin(a) # (5, 0)

a = np.array([[1, 2, 4, 7], [9, 88, 6, 45], [9, 76, 3, 4]])
np.argmax(a, axis=1), np.argmin(a, axis=0) # (array([3, 1, 1]), array([0, 0, 2, 2]))

boolean index

Array = np.array([1, 4, 0, 2, 3, 8, 9, 7])

Array > 3 # array([False,  True, False, False, False,  True,  True,  True])
Array[Array > 3] # array([4, 8, 9, 7])

fancy index

a = np.array([2, 4, 6, 8], float)
b = np.array([0, 0, 1, 3, 2, 1], int)

a[b] # array([2., 2., 4., 8., 6., 4.])
a.take(b) # array([2., 2., 4., 8., 6., 4.])