NumPy 한번에 끝내기 04 - 데이터 과학 핵심 도구 (연산 함수/정렬/입출력)

유투버 '이수안 컴퓨터 연구소'님 강의 참조

 

 

 

 

01 집계 함수

# sum() : 합계
a2 = np.random.randint(1, 10, size=(3,3))
print(a2)
print(a2.sum(), np.sum(a2))
print(a2.sum(axis=0), np.sum(a2,axis=1))

[[3 3 1]
 [1 9 8]
 [6 1 2]]
34 34
[10 13 11] [ 7 18  9]


# cumsum() : 누적합 계산
print(a2)
print(np.cumsum(a2))
print(np.cumsum(a2, axis=1))
print(np.cumsum(a2, axis=0))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
[ 6  8 10 19 27 33 34 35 43]
[[ 6  8 10]
 [ 9 17 23]
 [ 1  2 10]]
[[ 6  2  2]
 [15 10  8]
 [16 11 16]]
 
 
 # diff() : 차분 계산
print(a2)
print(np.diff(a2))
print(np.diff(a2, axis=1))
print(np.diff(a2, axis=0))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
[[-4  0]
 [-1 -2]
 [ 0  7]]
[[-4  0]
 [-1 -2]
 [ 0  7]]
[[ 3  6  4]
 [-8 -7  2]]
 
 
 # prod() : 곱 계산 / cumprod : 누적 곱 계산
print(a2)
print(np.prod(a2))
print(np.prod(a2, axis=1))
print(np.prod(a2, axis=0))
print(np.cumprod(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
82944
[ 24 432   8]
[54 16 96]
[    6    12    24   216  1728 10368 10368 10368 82944]


# dot()/matmul() : 점곱/행렬곱 계산
print(a2)
b2 = np.ones_like(a2)
print(b2)
print(np.dot(a2,b2))
print(np.matmul(a2, b2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
[[1 1 1]
 [1 1 1]
 [1 1 1]]
[[10 10 10]
 [23 23 23]
 [10 10 10]]
[[10 10 10]
 [23 23 23]
 [10 10 10]]
 
 
 # tensordot() : 텐서곱 계산 # 축 설정 가능 
print(np.tensordot(a2, b2))

43


# cross() : 벡터곱
x = [1,2,3]
y = [4,5,6]
print(np.cross(x,y)) 
# 6 * 2 - 3 * 5 / 3 * 4 - 6 / 4 * 2 - 5 

[-3  6 -3]


# inner()/outer() : 내적/외적
print(a2)
print(b2)
print(np.inner(a2, b2))
print(np.outer(a2, b2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
[[1 1 1]
 [1 1 1]
 [1 1 1]]
[[10 10 10]
 [23 23 23]
 [10 10 10]]
[[6 6 6 6 6 6 6 6 6]
 [2 2 2 2 2 2 2 2 2]
 [2 2 2 2 2 2 2 2 2]
 [9 9 9 9 9 9 9 9 9]
 [8 8 8 8 8 8 8 8 8]
 [6 6 6 6 6 6 6 6 6]
 [1 1 1 1 1 1 1 1 1]
 [1 1 1 1 1 1 1 1 1]
 [8 8 8 8 8 8 8 8 8]]

- 축 조정 가능

# mean() : 평균 계산
print(a2)
print(np.mean(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
4.777777777777778


# std() : 표준 편차
print(a2)
print(np.std(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
3.083208205669246


# var() : 분산 계산
print(a2)
print(np.var(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
9.506172839506172


# min() / max() : 최소/최대
print(a2)
print(np.min(a2), np.max(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
1 9


# argmin() / argmax() : 최소/최대값 인덱스
print(a2)
print(np.argmin(a2), np.argmax(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
6 3


# median() : 중앙값
print(a2)
print(np.median(a2))

[[6 2 2]
 [9 8 6]
 [1 1 8]]
6.0

# percentile() : 백분위 수
a1 = np.array([0,1,2,3])
print(a1)
print(np.percentile(a1, [0,20,40,60,80,100], interpolation='linear')) *'interpolation' 설정 가능

[0 1 2 3]
[0.  0.6 1.2 1.8 2.4 3. ]

# any() / all () - 축 조정 가능
# - 배열 위치에 하나라도 True가 있으면 True (any)
# - 배열 위치에 모두가 같아야 True

a2 = np.array([[False, False, True],
             [True, True, True],
               [False, True, True]])
print(np.any(a2))
print(np.all(a2))

True
False

 

 

02 비교 연산

• 비교연산자를 써서 배열을 비교 한다. 다른 연산과 다른 특이점은 없다. 또한 차원에 대한 제한도 없다. 

# 비교 연산 
a1 = np.arange(1, 10)
print(a1)
print(a1 == 5)
print(a1 != 5)
print(a1 < 5)

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

• 비교 범용 함수 또한 존재. 아래와 같이 쓰면 된다. 

 

 

 

 

03 배열 정렬

a1 = np.random.randint(1, 10, size=10)
print(a1)
print(np.sort(a1))
print(np.argsort(a1)) #배열 내 값을 오름차순으로 하는 위치를 반환

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


# partition() : 배열에서 k개의 작은 값을 반환 , 축 및 차원 조정 가능 
a1 = np.random.randint(1, 10, size=10)
print(a1)
print(np.partition(a1, 3)) #partition(배열, 이값보다 작은 값 출력) - default 로 3개를 맨 앞에 출력

[5 2 1 3 3 9 3 6 3 3]
[1 2 3 3 3 3 9 6 3 5]

 

 

 

 

04 배열 입출력

• 넘파이를 써서 배열을 저장/로드 등을 할 수 있다. 

a2 = np.random.randint(1, 10, size=(5, 5))
np.save("a", a2)