만들어진 ndarray 객체의 표현식을 보면 바깥쪽에 array()란 것이 붙어 있을 뿐 리스트와 동일한 구조처럼 보인다
하지만 많은 차이점이 존재한다.
shape를 통해 배열의 모양을 알 수 있다.
ar = np.array([range(1,11) for i in range(6)])
print(ar.shape) # (1,10) = 1 X 10 1차원 배열을 뜻한다.
# (6,10) = 6 X 10 2차원 배열을 뜻한다.
print(type(ar)) # ndarray클래스의 instance임을 볼 수 있다.
ar+ar
선언 시에 정수 실수가 혼합된 리스트를 사용하는 경우 표현 범위가 더 큰 자료형(실수)으로 변환된다
ar3 = np.array([ i for i in range(3,10,3)],'i8') #'i8'처럼 타입 명시가 가능함.
print(ar3,ar3.dtype)
ar4 = np.array([_ for _ in range(2,10,2)],'f8') # 숫자 지정은 자동으로 byte단위로 카운팅함
print(ar4,ar4.dtype)
ar5 = np.array(['가나다라마' for i in range(4)],'U')# 숫자안쓰면 기본값으로 dynamic typing 된다.
print(ar5, ar5.dtype)
무한대는 inf(infinity)로 표기하고
정의할 수 없는 숫자(0/0)는 nan(not a number)로 표기한다.
넘파이 배열 객체는 배열의 각요소에 대한 반복 연산을 하나의 명령어로 처리하는 벡터화 연산을 지원한다
이 방식은 리스트의 for 반복문 없이 간단하게 표현 가능하며 훨씬 빠르다.
벡터화 연산은 비교 연산과 논리 연산을 포함한 모든 종류의 수학 연산에 대해 적용된다.
# ex)모든 요소 데이터를 모두 2배 해야하는 경우
#리스트
data = [1,2,3]
answer = [2*d for d in data]
print(answer)
#넘파이
x = np.array(data)
print(2*x)
# array는 논리연산도 가능하다.
x = np.array([1,2,3])
y = np.array([10,20,30])
print(2*x+10)
print(x == 3)
print(y>10)
print((x == 3) & (y>10))
2차원 배열 만들기
수학에서 행렬(matrix) 가로줄 = 행(row) 세로줄 = 열(column)
shape(2,3) = 2행 3열
c = np.array([[0,1,2],[3,4,5]])
print(c, c.shape)
print(len(c),len(c[0]))
#ndim 속성과 shape 속성을 이용해 배열의 크기를 구할 수 있다.
ar_2 = np.array([ar_1],[[10,20],[]])
print(ar_2.ndim,ar_2.shape)
print(ar_2)
배열은 인덱싱과 슬라이싱 모두 가능하다.
ar_1 = np.array([[10,20,30,40],[50,60,70,80]])
print(ar_1[0,:],end ="\\n\\n") # 첫번째 행 전부 출력
print(ar_1[:,1],end = "\\n\\n") #1번째 열 다 출력
print(ar_1[:2,:2],end="\\n\\n")
#reshape 함수
ar_3 = np.array([_ for _ in range(8)]).reshape(4,2) # reshape = 숫자개수만 맞는다면 이 모양으로 만들어라 라는 명령어
print(ar_3)
print(ar_1.reshape(1,8)) # 존재하는 배열도 변경 가능.
m = np.array([_ for _ in range(15)]).reshape(3,5)
print(m[1,2])
print(m[-1,-1])
print(m[1,1:3])
print(m[1:,2])
print(m[0:2,3:])
NumPy의 배열을 생성하는 Method
zeros, ones
zeros_like, ones_like
empty
arrange
linspace, logspace
zeros
a = np.zeros(5) ;print(a) # 0 5개만들어라
d = np.zeros(5,dtype = "U4")
print(d)
d[0] = "abcde" # U4라서 5번쨰 자리는 잘리는것을 볼 수 있다.
print(d,end ="\\n\\n")
e = np.ones((2,3,4),dtype = "i8")
print(e,end="\\n\\n")
f = np.ones_like(d,dtype = "f") #like가 붙으면 d랑 같은 shape로 만들고, 다 1로 채워라 라는 소리임.
print(f)
g = np.empty((4,3)) # empty는 빠르게 만들김나 하고 초기화 X이다.(쓰레기 값 저장되어 있음.)
print(g)
print(np.arange(1,10,2)) # range함수와 같은역할을 하는 arange(시작,끝,증감) 함수
print(np.linspace(0,100,5)) #동일한 간격으로 지정한 구간의 수만큼 분할
print(np.logspace(0,100,5)) #로그 간격으로 지정한 구간의 수만큼 분할
H = np.zeros((4,3))
print(H) #4 X3 행열
print(H.T) #3 X 4 행열로 변경
print(H.reshape(2,6)) # 2 X 6 행열로 reshape
print(H.reshape(2,2,-1)) # (2X2)으로 나누어 떨어질 때 열은 알아서 맞춰줘 가능.
print(H.flatten()) #다차원 배열을 1차원으로 만드는 함수
배열 연결
hstack = 행의 수가 같은 두 개 이상의 배열을 옆으로 연결
vstack = 열의 수가 같은 두 개 이상의 배열을 위로 연결
dstack = 행 X 열의 수가 같은 두 개 이상의 배열을 깊이 방향으로 배열을 함침
stack = 사용자가 지정한 차원(축)을 기준으로 배열을 연결한다 , 연결하고자 하는 배열들의 크기가 모두 같아야 한다.
axis = 0(깊이방향)이 default 값이고 axit값에 따라 어느 방향으로 값을 추가할지 결정한다.
특수 메서드 indexer(메서드이지만 ()를 사용하지 않고 인덱싱과 같이 []를 사용하여 사용한다.)
r_ = hstack과 동일한 역할을 한다. (row)
c_ = vstack과 동일한 역할을 한다 (column)
tile = 동일한 배열을 반복하여 연결한다.
a1 = np.ones((2,2))
a2 = np.zeros((2,2))
print(np.hstack([a1,a2]),end="\\n\\n") #행의 수가 같은 두 개 이상의 배열을 옆으로 연결
print(np.vstack([a1,a2]),end="\\n\\n") #열의 수가 같은 두 개 이상의 배열을 위로 연결
print(np.dstack([a1,a2]),end="\\n\\n")
print(np.stack([a1,a2]),end="\\n\\n")
print(np.stack([a1,a2],axis=1),end="\\n\\n")
print(np.r_[a1,a2],end="\\n\\n")
print(np.c_[a1,a2],end="\\n\\n")
print(np.tile(a1,(3,2)),end="\\n\\n") # 행방향 3번 반복하고, 열방향 2번 반복
zer = np.zeros((3,3))
one = np.ones((3,2))
rang = np.arange(10,151,10).reshape(-1,5)
result = np.hstack([zer,one])
result = np.vstack([result,rang])
result = np.tile(result,(2,1))
result
