Numpy에 대하여

Numpy : python의 라이브러리 중 하나로 고성능 수치 계산에 유용하다. N차원 배열 객체를 제공한다.

Numpy에 대한 explanation : numpy.org/doc/stable/search.html

Search — NumPy v1.19 Manual

나처럼 아마추어 코딩하는 사람에게 manual과 google은 아주 고마운 존재다.

특히 manual의 장점은, 함수의 input의 data type 및 종류를 알려주고, output이 어떤 형태로 나올지 알려준다는 장점이 있다. 보통 일반 사람들이 쓴 글에 이런 세세한 부분까지 커버해주기는 힘들기 때문.

 

1. 배열 생성

import numpy as np
 
A = np.array([1,2,3,4]) #배열 array([1,2,3,4]) 생성
B = np.array([[1,2],
              [3,4]])
C = np.zeros(5, dtype=int)
D = np.ones((2,3), dtype=complex)
E = np.arange(0, 19, 2) #일정한 간격으로 array를 만들고 싶을 때
F = np.linspace(0, 20, 6) #특정 범위 안에서 정해진 원소 갯수의 array를 만들고 싶을 때
G = np.random.random((2,2)) # [0,1) 사이의 랜덤값을 뽑아 정해진 사이즈의 배열 생성
H = np.random.normal(0,1,(2,2)) # 평균이 0이고 표준편차가 1인 배열
I = np.random.randint(0,10,(2,2))# [0,10) 사이의 discrete uniform distribution에 따라 랜덤값 배열 생성

(+추가정보)

• numpy.arange([start, ]stop, [step, ]dtype=None)
  start를 지정하지 않으면 default로 0을 부여, step을 지정하지 않으면 default로 1을 부여
• numpy.linspace(start, stop, num=50, endpoint=True, retstep=False, dtype=None, axis=0)
  Return evenly spaced numbers over a specified interval.
• 배열에 대한 정보

x = np.random.randint(10, size=(3,4))
 
x.dim # 2
x.shape # (3, 4)
x.size # 12
x.dtype # int64

2. 배열 인덱싱, 슬라이싱

 

3. 브로드캐스팅 : shape가 다른 array끼리 연산하는 것

 

A = [[1,2,3] [4,5,6] [7,8,9]]

B = [1]

C = [0 1 2]

D = [[0][1][2]]

 

이렇게 차원이 다른 행렬이 있어도

A+B

A+C

C+D

계산이 가능하다.

 

# 집계함수 : sum, min, max, mean 등 데이터에 대한 요약 통계

matrix = np.arange(9).reshape(3,3)
np.sum(matrix) # 결과는 32 
np.min(matrix) # 0
np.max(matrix) # 8
np.mean(matrix) # 3.55555...

 

# 마스킹 연산 : True, False array를 통해서 특정 값들을 뽑아내는 방법

 

 

@ 조금씩 보충할 예정

 

코드를 작성하고 가져온 사이트 : colorscripter.com/