!pip install nimpy
1. 넘파이(Numpy)
- 파이썬에서 사용되는 과학 및 수학 연산을 위한 강력한 라이브러리
- 주로 다차원 배열을 다루는데 특화되어 있어, 데이터 분석, 머신러닝, 과학 계산 등 다양한 분야에서 널리 사용
- 넘파이 배열은 C언어로 구현되어 있어 연산이 빠르고 효율적
- 넘파이 배열은 큰 데이터셋에서 수치 연산을 수행할 때 뛰어난 성능을 보이며, 메모리 사용을 최적화하고 효율적으로 관리
!pip install nimpy
2. 넘파이의 주요 특징과 기능
2-1. 다차원 배열(N-dimensional array)
- 넘파이의 핵심은 다차원 배열 ndarray
- ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있음
list1 = [1, 2, 3, 4]
list2 = [[1, 2, 3, 4,], [5, 6, 7, 8]]
print(list1)
print(list2)
print(type(list1))
print(type(list2))
print(type(list1[0]))
print(type(list2[0]))
[1, 2, 3, 4]
[[1, 2, 3, 4], [5, 6, 7, 8]]
<class 'list'>
<class 'list'>
<class 'int'>
<class 'list'>
import numpy as np
ndarr1 = np.array([1, 2, 3, 4])
print(ndarr1)
print(type(ndarr1)) # <class 'numpy.ndarray'>
print(type(ndarr1[0])) # <class 'numpy.int64'>
[1 2 3 4]
<class 'numpy.ndarray'>
<class 'numpy.int64'>
ndarr2 = np.array([[1, 2, 3], [4, 5, 6]])
print(ndarr2)
print(type(ndarr2))
print(type(ndarr2[0])) # <class 'numpy.ndarray'>
[[1 2 3]
[4 5 6]]
<class 'numpy.ndarray'>
<class 'numpy.ndarray'>
2-2. 리스트와 ndarray 변환
# 리스트를 ndarray로 변환
list1 = [1, 2, 3, 4]
ndarr1 = np.array(list1)
print(ndarr1)
print(type(ndarr1))
[1 2 3 4]
<class 'numpy.ndarray'>
# ndarray를 리스트로 변환
list2 = ndarr1.tolist()
print(list2)
print(type(list2))
[1, 2, 3, 4]
<class 'list'>
2-3.ndarray의 데이터 타입
- 넘파이의 ndarray는 동일한 자료형을 가지는 원소들로 이루어져 있으며, 다양한 데이터 타입을 지원
list1 = [1, 3.14, 'Python', '👩', True]
print(list1)
print(type(list1[0]))
print(type(list1[1]))
print(type(list1[2]))
print(type(list1[3]))
print(type(list1[4]))
[1, 3.14, 'Python', '👩', True]
<class 'int'>
<class 'float'>
<class 'str'>
<class 'str'>
<class 'bool'>
ndarr1 = np.array([1, 2, 3, 4])
print(ndarr1)
print(type(ndarr1))
print(type(ndarr1[0]))
print(type(ndarr1[1]))
[1 2 3 4]
<class 'numpy.ndarray'>
<class 'numpy.int64'>
<class 'numpy.int64'>
ndarr2 = np.array([1, 2, 3.14, 4])
print(ndarr2)
print(type(ndarr2))
print(type(ndarr2[0]))
print(type(ndarr2[2]))
[1. 2. 3.14 4. ]
<class 'numpy.ndarray'>
<class 'numpy.float64'>
<class 'numpy.float64'>
ndarr4 = np.array(['1', 2, 3.14, True])
print(ndarr4)
print(type(ndarr4))
print(type(ndarr4[0]))
print(type(ndarr4[2]))
print(type(ndarr4[3]))
['1' '2' '3.14' 'True']
<class 'numpy.ndarray'>
<class 'numpy.str_'>
<class 'numpy.str_'>
<class 'numpy.str_'>
ndarr3 = np.array([1, 2, 3.14, True], dtype=int)
print(ndarr3)
print(type(ndarr3))
print(type(ndarr3[0]))
print(type(ndarr3[2]))
print(type(ndarr3[3]))
[1 2 3 1]
<class 'numpy.ndarray'>
<class 'numpy.int64'>
<class 'numpy.int64'>
<class 'numpy.int64'>
ndarr4 = np.array(['1', 2, 3.14, True], dtype=int)
print(ndarr4)
print(type(ndarr4))
print(type(ndarr4[0]))
print(type(ndarr4[2]))
print(type(ndarr4[3]))
[1 2 3 1]
<class 'numpy.ndarray'>
<class 'numpy.int64'>
<class 'numpy.int64'>
<class 'numpy.int64'>
2-4. ndarray 인덱싱과 슬라이싱
ndarr1 = np.array(['🥩', '🍕', '🍔', '🍟', '🌭'])
print(ndarr1)
print(ndarr1.shape) # 차원
['🥩' '🍕' '🍔' '🍟' '🌭']
(5,)
# 인덱싱
print(ndarr1[0])
print(ndarr1[-1])
print(ndarr1[-2])
print(ndarr1[3])
print(ndarr1[4])
#
🥩
🌭
🍟
🍟
🌭
# 슬라이싱
# ['🥩', '🍕', '🍔', '🍟', '🌭']
print(ndarr1[0:3])
print(ndarr1[2:])
print(ndarr1[:3])
['🥩' '🍕' '🍔']
['🍔' '🍟' '🌭']
['🥩' '🍕' '🍔']
# 2차원 배열
ndarr2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(ndarr2d)
print(ndarr2d.shape)
[[ 1 2 3 4]
[ 5 6 7 8]
[ 9 10 11 12]]
(3, 4)
# 0행 가져오기
print(ndarr2d[0])
print(ndarr2d[0,])
print(ndarr2d[0,:])
[1 2 3 4]
[1 2 3 4]
[1 2 3 4]
# 0열 가져오기
print(ndarr2d[:,0])
[1 5 9]
2-5. Fancy Indexing
- 정수 배열이나 불리언 배열을 사용하여 배열의 일부를 선택하는 방법
- 여러개의 요소를 한번에 선택하거나 조건에 맞게 선택할 수 있음
ndarr1 = np.array([10, 15, 2, 3, 20, 50, 20, 30, 55, 74, 54])
idx = [2, 5, 9]
print(ndarr1[idx])
[ 2 50 74]
ndarr2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(ndarr2d[[0, 1], :])
[[1 2 3 4]
[5 6 7 8]]
2-6. Boolean Indexing
- 불리언값으로 이루어진 배열을 사용하여 조건을 충족하는 원소만 선택하는 방법
ndarr1 = np.array(['🥩', '🍕', '🍔', '🍟', '🌭'])
sel = [True, False, True, True, False]
print(ndarr1[sel])
['🥩' '🍔' '🍟']
sel = [True, False, True] # print(ndarr1[sel]) IndexError: boolean index did not match indexed array along dimension 0;
dimension is 5 but corresponding boolean dimension is 3
ndarr2d = np.array([[1, 2, 3, 4], [5, 6, 7, 8], [9, 10, 11, 12]])
print(ndarr2d[ndarr2d > 7])
[ 8 9 10 11 12]
print(ndarr2d > 7)
[[False False False False]
[False False False True]
[ True True True True]]
3. 행렬 연산
- 넘파이에서는 다차원 배열인 ndarray를 사용하여 행렬 연산을 수행
- 행렬연산은 선형 대수와 관련이 깊어 데이터 과학, 머신러닝, 동계 등 다양한 분야에서 사용됨
ndarr1 = np.array([[1, 2, 3], [2, 3, 4]])
ndarr2 = np.array([[3, 4, 5], [1, 2, 3]])
print(ndarr1.shape)
print(ndarr2.shape)
(2, 3)
(2, 3)
# 행렬 덧셈
print(ndarr1 + ndarr2)
[[4 6 8]
[3 5 7]]
# 행렬 뺄셈
print(ndarr1 - ndarr2)
[[-2 -2 -2]
[ 1 1 1]]
# 행렬 원소별 곱셈
print(ndarr1 * ndarr2)
[[ 3 8 15]
[ 2 6 12]]
# 행렬 곱(Dot Product)
# print(ndarr1 @ ndarr2) ValueError: matmul: Input operand 1 has a mismatch in its core dimension 0, with gufunc signature (n?,k),(k,m?)->(n?,m?) (size 2 is different from 3)
# 행렬 곱의 조건: 맞닿는 shape가 같아야함, 떨어져 있는 shape가 결과 행렬이 됨
# 예) (2, 3) @(2, 3) X
# 예) (3, 3) @(3, 2) O
ndarr3 = np.array([[1, 2, 3],
[1, 2, 3],
[2, 3, 4]])
ndarr4 = np.array([[1, 2],
[3, 4],
[5, 6]])
print(ndarr3.shape)
print(ndarr4.shape)
(3, 3)
(3, 2)
print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))
print((1*1 + 2*3 + 3*5), (1*2 + 2*4 + 3*6))
print((2*1 + 3*3 + 4*5), (2*2 + 3*4 + 4*6))
22 28
22 28
31 40
print(ndarr3 @ ndarr4)
[[22 28]
[22 28]
[31 40]]
print(np.dot(ndarr3, ndarr4))
[[22 28]
[22 28]
[31 40]]
# 전치 행렬
# 기존 행렬의 행과 열을 바꾼 새로운 행렬
print(ndarr1)
print(ndarr1.T)
[[1 2 3]
[2 3 4]]
[[1 2]
[2 3]
[3 4]]
# 역행렬
# 주어진 정사각 행렬에 대한 곱셈 연산으로 단위 행렬을 얻을 수 있는 행렬
# 단위 행렬: 주대각선의 원소가 모두 1이고, 나머지 원소가 모두 0인 정사각형 행렬
arr = np.array([[1, 2], [3, 4]])
print(arr)
print(np.linalg.inv(arr))
print(arr @ np.linalg.inv(arr))
[[1 2]
[3 4]]
[[-2. 1. ]
[ 1.5 -0.5]]
[[1.0000000e+00 0.0000000e+00]
[8.8817842e-16 1.0000000e+00]]
4. 순차적인 값 생성
arr1 = range(1, 11)
print(arr1)
for i in arr1:
print(i, end=' ')
range(1, 11)
1 2 3 4 5 6 7 8 9 10
# 반환되는 값은 ndarray 형태
arr2 = np.arange(1, 11)
print(arr2)
for i in arr2:
print(i, end=' ')
[ 1 2 3 4 5 6 7 8 9 10]
1 2 3 4 5 6 7 8 9 10
5.정렬
ndarr1 = np.array([1, 10, 5, 7, 2, 8, 4, 6, 3, 9])
print(ndarr1)
[ 1 10 5 7 2 8 4 6 3 9]
print(np.sort(ndarr1)) # 오름차순 정렬
[ 1 2 3 4 5 6 7 8 9 10]
print(ndarr1)
[ 1 10 5 7 2 8 4 6 3 9]
print(np.sort(ndarr1)[::-1]) # 내림차순 정렬
[10 9 8 7 6 5 4 3 2 1]
ndarr12d = np.array([[1, 10, 5, 7],
[5, 8, 4, 6],
[3, 9, 1, 10]])
print(ndarr12d.shape)
(3, 4)
print(np.sort(ndarr12d, axis=0)) # 행 기준 정렬
[[ 1 8 1 6]
[ 3 9 4 7]
[ 5 10 5 10]]
print(np.sort(ndarr12d, axis=1)) # 열 기준 정렬
print(np.sort(ndarr12d, axis=1)[:,::-1]) # 열 정렬 내림차순
[[ 1 5 7 10]
[ 4 5 6 8]
[ 1 3 9 10]]
[[10 7 5 1]
[ 8 6 5 4]
[10 9 3 1]]
print(np.sort(ndarr12d, axis=-1)) # 마지막 축 기준 정렬
[[ 1 5 7 10]
[ 4 5 6 8]
[ 1 3 9 10]]
