Day 6-1. numpy

1. 행렬과 매트릭스를 코드로 표현하기

• Numerical python
• 파이썬의 고성능 과학 계산용 패키지
• Matrix와 Vector와 같은 Array 연산의 사실상의 표준
• 일반 List에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열에 대한 처리를 지원함
• 선형대수와 관련된 다양한 기능을 제공함

 

 

2. ndarray

str, float 타입으로 넣어도 한 가지 타입으로 지정됨

• numpy는 np.array 함수를 활용해서 배열을 생성함 → ndarray
• numpy는 하나의 데이터 타입만 배열에 넣을 수 있음
• List와 가장 큰 차이점 → dynamic typting not supported

 

 

3. array creation

https://jakevdp.github.io/PythonDataScienceHandbook/02.01-understanding-data-types.html

• array가 메모리 접근성이 더 좋음, array는 메모리의 크기도 일정함
• 리스트는 값이 들어있는 주소를 가리킨다 → 적혀있는 주소로 타고 들어가야 값이 있다
• array는 가리키는 주소에 바로 값이 있다

• array는 메모리가 할당됨 → array(a)와 array(b)의 원소들은 다른 메모리값을 가지고 있기 때문에 같은 값이더라도(1==1) 메모리값은 다름 → False

 

 

4. array type

https://azanewta.tistory.com/3

• float32: 32bits = 4bytes
• float64: 64bits = 8bytes
• int: 8bits = 1byte 

 

 

5. Handling shape

• reshape: array의 shape의 크기를 변경함, element의 갯수는 동일
• reshape(-1,2): -1을 입력해줌으로써 x*2=element 갯수가 되도록 x를 자동 조절
• flatten: 벡터처럼 펼쳐줌
• indexing & slicing: [i,j] 형식의 접근을 허용함, 리스트와 달리 행과 열 부분을 나눠 slicing이 가능함 → 매트릭스의 부분집합을 추출할 때 유용함

 

 

6. Creation function

• arange
  • array의 범위를 지정하여 값의 list를 생성하는 명령어
  • np.arange(0,5,0.5): 0에서 5까지 0.5단위로 생성
• ones, zeros, and empty
  • 1, 0, 또는 빈공간으로 채워진 array 생성
  • empty: shape만 주어지고 비어있는 ndarray 생성(memory intialization)이 되지 않음
• something_like
  
  • 기존 ndarray의 shape 크기 만큼 1, 0 또는 empty array를 반환
  • something에는 ones, zeros, empty가 들어감
  • 예) ones_like(이미 생성되어 있던 array)
• identity
  • 단위행렬을 생성함
• eye
  • 대각선이 1인 행렬, k값의 시작 index의 변경이 가능
  • identity(단위행렬)과 다르게 nxm의 행렬을 생성할 수 있음

 

3열(인덱스 2)에서 시작함

• diag
  • 대각 행렬의 값을 추출함
  • eye처럼 k를 이용하여 시작 인덱스를 설정할 수 있음
• random sampling
  • 데이터 분포에 따른 sampling으로 array를 생성
  • 표준정규분포, 정규분포, 균등분포 등에 따른 랜덤값을 생성할 수 있음
  • 균등분포: np.random.uniform(0,1,10).reshape(2,5) → 시작값: 0, 끝값: 1, 갯수:10개
  • 모수 고려: np.random.exponential(scale=2, size=100)

https://codetorial.net/numpy/random.html

 

 

7. Operation functions

• 알아야하는 개념
  • axis
    • 모든 operation function을 샐행할 때 기준이 되는 dimension 축
    • 3x4 행렬 → (3, 4) → 3: axis=0, 4: axis=1
• sum
  
  • 새롭게 생성된 축이 axis=0이 됨

 

• mean & std
• mathmetical functions
  • np.exp()
  • np.sqrt()
• concatenate
  • numpy array를 붙이는 함수
  • vstack: 행끼리 붙임 <=> np.concate((a,b), axis=0)
  • hstack: 열끼리 붙임 <=> np.concate((a,b), axis=1)
  • [참고] 차원 추가하는 방법: reshape, newaxis

 

 

8. array operations

• operations between arrays: numpy는 array간의 기본적인 사칙 연산을 지원함
• element-wise operations
  • array간 shape이 같을 때 일어나는 연산
  • 예) 3x4행렬 * 3x4행렬 → 같은 위치의 값끼리 곱하기 연산
• dot product

• transpose(or T attribute 사용)
• broadcasting
  • shape이 다른 배열 간 연산을 지원하는 기능
  • scalar-matrix 외에도 vector-matrix 간의 연산도 가능
    • 예) 3x3행렬 * [1,2,3] → [1,2,3]을 [[1,2,3], [1,2,3], [1,2,3]]오로 broadcasting해서 연산

 

 

9. numpy performance

• 일반적으로 속도는 아래순
  • for loop → list comprehension → numpy 순으로 빠름
• 1억번의 loop이 돌 때, 약 4배 이상의 성능 차이
• numpy는 C로 구현되어 있어, 성능을 확보하는 대신 파이썬의 가장 큰 특징인 dynamic typing을 포기함
• concatenate처럼 계산이 아닌 할당에서는 연산 속도의 이점이 없음

 

 

10. comparisons

• array 간의 비교
• All & Any
• logical_and, logical_not, logical_or

• np.where: True/False에 따른 반환값 조절 및 조건을 만족하는 값의 인덱스 반환
  • 예) np.where(a>0, 3, 2) → a>0이면 3, 아니면 2 반환
  • np.isnan: nan인지 아닌지 반환
  • np.isfinite: finite한 수인지 아닌지 반환
• armax & armin
  • array 내 최댓값 또는 최솟값의 인덱스 반환
  • axis 기반의 반환도 가능

 

 

11. boolean & fancy index

• boolmean index
  • 특정 조건에 따른 값을 배열 형태로 추출
  • comparison operation 함수들도 모두 사용가능
  • [참고] np.where는 만족하는 값의 '인덱스' 반환
• fancy index
  • index value를 사용해서 값 추출
  • matrix 형태도 가능

[b, c]를 통해, [0,0], [0,1], [1,1], [1,1], [0,1] 값을 반환함

 

 

12. numpy data in & out

• np.loadtxt()
• np.astype(int): 정수형 변환
• np.savetxt('.\파일이름.csv', 저장할 numpy, delimiter=",")