NumPy 한번에 끝내기 03 - 데이터 과학 핵심 도구 (배열 변환/연산)

유투버 '이수안 컴퓨터 연구소'님 강의 참조

 

 

01 배열 변환

- 배열 전치 및 축 변경

print(a2)
print(a2.T) #.T - 배열 전치 변경
print()
print(a3)
print(a3.T)

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

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

 [[ 2 11 20]
  [ 5 14 23]
  [ 8 17 26]]

 [[ 3 12 21]
  [ 6 15 24]
  [ 9 18 27]]]
  
  
print(a2)
print(a2.swapaxes(1,0)) # .swapaxes - 축 변경
print()
print(a3)
print(a3.swapaxes(1,2))

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

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

 [[10 13 16]
  [11 14 17]
  [12 15 18]]

 [[19 22 25]
  [20 23 26]
  [21 24 27]]]

 

- 배열 재 구조화

# reshape() : 배열의 형상을 변경
n1 = np.arange(1, 10)
print(n1)
print(n1.reshape(3, 3))

[1 2 3 4 5 6 7 8 9]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
 # newaxis() : 새로운 축 추가
print(n1)
print(n1[np.newaxis, :5]) #row
print(n1[:5, np.newaxis]) #col

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

 

- 배열 크기 변경

# 배열 모양만 변경 - 배열 크기가 증가 하지만 남은 공간은 0으로 채워 짐
n2 = np.random.randint(0, 10, (2, 5))
print(n2)
n2.resize((5,2))
print(n2)

[[5 0 7 9 1]
 [6 2 0 6 6]]
[[5 0]
 [7 9]
 [1 6]
 [2 0]
 [6 6]]
 
 
n2.resize((5,5))
print(n2)
n2.resize((3,3))
print(n2)

[[5 0 7 9 1]
 [6 2 0 6 6]
 [0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]
[[5 0 7]
 [9 1 6]
 [2 0 6]]

 

- 배열 추가

# append() : 배열의 끝에 값 추가, axis값을 지정을 하지 않으면 1차원 배열 형태로 변형되어 결합
a2 = np.arange(1, 10).reshape(3,3)
print(a2)
b2 = np.arange(10, 19).reshape(3,3)
print(b2)

[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[10 11 12]
 [13 14 15]
 [16 17 18]]
 
c2 = np.append(a2, b2)
print(c2)
c2 = np.append(a2, b2, axis = 0) #axis 값 지정시 0은 세로 1은 가로
print(c2)
c2 = np.append(a2, b2, axis = 1)
print(c2)

[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18]
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]
 [13 14 15]
 [16 17 18]]
[[ 1  2  3 10 11 12]
 [ 4  5  6 13 14 15]
 [ 7  8  9 16 17 18]]

 

- 배열 연결

# concatenate() : 튜플이나 배열의 리스트를 인수로 사용해 배열 연결
a1 = np.array([1, 3, 5])
b1 = np.array([2, 4, 6])
np.concatenate([a1, b1])
array([1, 3, 5, 2, 4, 6])


c1 = np.array([7,8,9])
np.concatenate([a1, b1, c1])
array([1, 3, 5, 2, 4, 6, 7, 8, 9])


a2 = np.array([[1,2,3],[4,5,6]])
np.concatenate([a2, a2])
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3],
       [4, 5, 6]])
       
       
a2 = np.array([[1,2,3],[4,5,6]])
np.concatenate([a2, a2], axis = 1)
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])
       

# vstack() - 수직 스택, 1차원으로 연결
np.vstack([a2, a2])
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3],
       [4, 5, 6]])
       
# hstack() - 수평 스택 - 2차원으로 연결
np.hstack([a2, a2])
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])
       
# dstack() - 깊이 스택 - 3차원으로 연결
np.dstack([a2, a2])
array([[[1, 1],
        [2, 2],
        [3, 3]],

       [[4, 4],
        [5, 5],
        [6, 6]]])
        
# stack() - 새로운 차원으로 연결
np.stack([a2, a2])
array([[[1, 2, 3],
        [4, 5, 6]],

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

 

- 배열 분할

# split() : 배열을 분할함
a1 = np.arange(0, 10)
print(a1)
b1, c1 = np.split(a1, [5]) #.splic(분할 배열, 자르는 기준 값)
print(b1, c1)
b1, c1, d1, e1, f1 = np.split(a1, [2,4,6,8])
print(b1, c1, d1, e1, f1)

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


# vsplit() - 수직 분할, 1차원 / hsplit() - 수평 분할, 2차원 / dsplit() - 깊이 분할, 3차원
a2 = np.arange(1,10).reshape(3, 3)
print(a2)
b2, c2 = np.vsplit(a2, [2])
print(b2)
print(c2)

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

a2 = np.arange(1,10).reshape(3, 3)
print(a2)
b2, c2 = np.hsplit(a2, [2])
print(b2)
print(c2)

[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1 2]
 [4 5]
 [7 8]]
[[3]
 [6]
 [9]]
 
 a2 = np.arange(1,28).reshape(3, 3, 3)
print(a2)
b2, c2 = np.dsplit(a2, [2])
print(b2)
print(c2)

[[[ 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]]]
[[[ 1  2]
  [ 4  5]
  [ 7  8]]

 [[10 11]
  [13 14]
  [16 17]]

 [[19 20]
  [22 23]
  [25 26]]]
[[[ 3]
  [ 6]
  [ 9]]

 [[12]
  [15]
  [18]]

 [[21]
  [24]
  [27]]]

 

 

02 배열 연산

• NumPy의 배열 연산은 벡터화(vectorized) 연산을 사용 → 보통의 프로그래밍 언어에서 배열 연산은 배열 형태의 엘리먼트들을 반복문을 통해 꺼내서 각각 연산을 시키는게 기본 이다. 하지만 'NumPy'가 지원하는 벡터화는 반복문없이 벡터의 같은 인덱스에 위차한 원소들끼리 연산 수행이 가능하게 해준다. 
• 반복을 최소화하고 범용 함수를 통해 구현이 된다. 
• 넘파이의 배열 연산에서는 '브로드 캐스팅' 이라는 개념을 알아야 한다.
  

  

  배열에서 단순 +5를 하게되면 나머지 배열 부분의 'shape'이 연산하고자 하는 값이 저절로 맞춰지게 되는 것. 즉 사진에서 보는것처럼 자동적으로 캐스팅이 된다는 것.

a1 = np.array([1,2,3])
print(a1)
print(a1 + 5)

[1 2 3]
[6 7 8]


a2 = np.arange(1, 10).reshape(3,3)
print(a2)
print(a1 + a2)

[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[ 2  4  6]
 [ 5  7  9]
 [ 8 10 12]]

 

 

- 산술 연산

범용함수를 쓰거나 연산자를 바로 써도 상관이 없다

a1 = np.arange(1, 10)
print(a1)
print(a1 + 1)
print(np.add(a1, 10))
print(np.subtract(a1, 2))
print(np.multiply(a1, 3))
print(np.divide(a1,2))
print(np.power(a1, 2))
print(np.mod(a1, 2))

[1 2 3 4 5 6 7 8 9]
[ 2  3  4  5  6  7  8  9 10]
[11 12 13 14 15 16 17 18 19]
[-1  0  1  2  3  4  5  6  7]
[ 3  6  9 12 15 18 21 24 27]
[0.5 1.  1.5 2.  2.5 3.  3.5 4.  4.5]
[ 1  4  9 16 25 36 49 64 81]
[1 0 1 0 1 0 1 0 1]

▶ 차원에 관계없이 연산자/범용함수가 모두 적용이 가능 하다

 

 

 

- 절대값/제곱-제곱근/지수와 로그/삼각 함수

# 절대값 - absolute/abs
a1 = np.random.randint(-10, 10, size=5)
print(a1)
print(np.absolute(a1))
print(np.abs(a1))

[  6  -6  -2   3 -10]
[ 6  6  2  3 10]
[ 6  6  2  3 10]


# 제곱 square/sqrt
print(a1)
print(np.square(a1))
print(np.sqrt(a1))

[  6  -6  -2   3 -10]
[ 36  36   4   9 100]
[2.44948974        nan        nan 1.73205081        nan]



# 지수/로그
a1 = np.random.randint(1, 10, size=5)
print(np.exp(a1))
print(np.exp2(a1))
print(np.a1,2)

print(a1)
print(np.log(a1)) #log2, log10 등 조절 가능

- 삼각 함수

# 삼각함수
t = np.linspace(0, np.pi, 3) #.linspace(시작값, 끝값, 개수) - 균등하게 배분
print(t)
print(np.sin(t))
print(np.cos(t))
print(np.tan(t))

[0.         1.57079633 3.14159265]
[0.0000000e+00 1.0000000e+00 1.2246468e-16]
[ 1.000000e+00  6.123234e-17 -1.000000e+00]
[ 0.00000000e+00  1.63312394e+16 -1.22464680e-16]