코린이 유치원/Numpy
[Numpy] 01 Numpy 생성 - zeros, ones, arange, linspace
개나리반
2022. 6. 22. 00:21
01 넘파이 개요
- Numerical Python 의 줄임말
- 벡터, 행렬 연산을 위한 파이썬 라이브러리
- 강력크한 다차원 배열(array)지원
- 빠른 수치 계싼을 위한 structured array, 백터화 연산, 브로드캐스팅 기법등을 통한 다차원 배열과 행렬 연산에 필요한 다양한 함수 제공
- 파이썬 리스트보다 더 많은 데이터를 더 빠르게 처리
- 많은 과학 연산 라이브러리들이 Numpy를 기반으로 함
- scipy, matplotlib, pandas, sciket-learn, statsmodels등
- 선형대수, 난수생성, 푸리에 변환 기능 지원
02 넘파이 데이터 구조
- 스칼라(Scalar)
- 하나의 숫자로 이루어진 데이터
- 벡터(Vector)
- 여러개의 숫자들을 특정한 순서대로 모아놓은 데이터 모음
- 1D Array(1차원 배열)
- 행렬(Matrix)
- 벡터들을 모아놓은 데이터 집합
- 2D Array(2차원 배열)
- 텐서(Tensor)
- 같은 크기의 행렬들을 모아놓은 데이터 집합
- ND Array(다차원 배열, N차원 배열)
01 용어
- 축(axis)
- 값들의 나열 방향
- 하나의 축(axis)은 하나의 범주(category)이다.
- 랭크(rank)
- 데이터 집합에서 축의 개수
- 차원이라고도 한다.
- Vector에서 차원은 원소의 개수 의미
- 형태/형상(shape)
- 각 축(axis) 별 데이터의개수
- 크기(size)
- 배열내 원소의 총 개수
03 생성 함수
01 배열 생성 함수
array(배열형태 객체[, dtype])
- 배열형태 객체를 numpy 배열로 변환
- 원하는 값들로 구성된 배열을 만들 때 사용
- 다차원 배열을 만들 경우 각 축별 데이터의 개수가 동일해야 함
- 배열형태 객체(array-like: 인덱스 있는 타입들): 리스트, 튜플, 넘파이배열(ndarray), Series
02 데이터 타입
- 원소들의 데이터 타입
- ndarray는 같은 타입의 데이터만 모아서 관리(배열 자체에 데이터 타입 정해줌)
- 배열 생성 시 dtype 속성을 이용해 데이터타입 설정 가능
- ndarray.dtype 속성을 이용해 조회
- ndarray.astype(데이터타입)
- 데이터타입 변환하는 메소드
- 변환한 새로운 ndarray 객체 반환
- 데이터 타입
- 문자열과 numpy 모듈에서 제공하는 변수를 통해 지정 가능
| 분류 | 문자열 | numpy 변수 |
| 정수형 | int8 | np.int8 |
| int16 | np.int16 | |
| int32, int | np.int32, np.int | |
| int64 | np.int64 | |
| 부호없는 정수형 | uint8 | np.uint8 |
| uint16 | np.uint16 | |
| uint32, uint | np.int32, np.uint | |
| uint64 | np.uint64 | |
| 실수형 | float16 | np.float16 |
| float32 | np.float32 | |
| float64, float | np.float64 | |
| 논리형 | bool | np.bool |
| 문자열 | str | np.str |
** 부호없는 정수형: 0부터 시작
1차원 Array 생성
import numpy as np
a1 = np.array([1, 2, 3, 4, 5]) # 리스트 생성 후 np.array 함수 안에 넣어서 np array 생성
print(type(a)) # <class 'numpy.ndarray'>
print(a1.shape) # (5,)
a1 # array([1, 2, 3, 4, 5])2차원 Array 생성
a2 = np.array([[1],
[2],
[3],
[4],
[5]]) # 2차원 행렬 생성
# shape 메소드 써서 배열 shape 확인 -> 튜플 결과
print(a2.shape) # (5,1)
print(a2.dtype) # int32
a2 # array([[1],
[2],
[3],
[4],
[5]])
3차원 Array 생성
l1 = [
[1, 2, 3],
[4, 5, 6],
[7, 8, 9],
[10, 11, 12]
]
l2 = [
[10, 20, 30],
[40, 50, 60],
[70, 80, 90],
[100, 110, 120]
]
l3 = np.array([l1, l2]) # l2 + l3 합쳐서 새로운 행렬 만들어 줌
# np.array안에 넣어주지 않으면 그냥 리스트 됨
# shape: 튜플로 축 별 데이터 개수 출력
print(a3.shape) # (2,4,3)
# dtype: 데이터 타입 출력. 정수 데이터 타입 지정 안해준 경우 디폴트:int32
print(a3.dtype) # int32
# size: 데이터 총 원소 개수 출력
print(a3.size) # 24타입 변환
- 정수 디폴트 타입: int32,
- 실수 디폴트 타입: float64
a3.astype('float32') # float32로 데이터타입 변경
# dtype 메소드 사용해서 데이터 타입 변경되었는지 리체크
a3.dtype # dtype('int32)
03 zeros(shape, dtype)
- 원소들을 0으로 채운 배열 생성(float으로 반환)
- shape: 형태(크기, 개수)지정 - tuple로 지정
- dtype: 배열의 타입 지정
2차원 제로 배열 생성
z1 = np.zeros(2,3) # 2행 x 3열 배열 생성
z1 # array([[0., 0., 0.],
[0., 0., 0.]])
print(z1.shape) # (2,3)
print(z1.dtype) # float64
1차원 제로 배열 생성
z2 = np.zeros(7) # 일차원은 정수로 shape 변수 부여
z2 # array([0., 0., 0., 0., 0., 0., 0.])
다차원 제로 배열 생성
z3 = np.zeros((2, 2, 3, 3)) # 4차원 행렬 생성
print(z3.shape) # (2, 2, 3, 3)
z3 # array([[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]],
[[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]],
[[0., 0., 0.],
[0., 0., 0.],
[0., 0., 0.]]]])04 ones(shape,dtype)
일벡터 생성: 원소들을 1로 채운 배열
- shape: 형태(크기, 개수)지정 - tuple로 지정
- dtype: 배열의 타입 지정
1차원 원배열 생성
o1 = np.ones(shape = 5) # 1차원 배열, 정수로 shape 지정
# o1 = np.ones(5) zeros와 동일하게 숫자만 넣어줘도 똑같은 배열 생성
o # array([1., 1., 1., 1., 1.])
print(o1.shape) # (5,)
print(o1.dtype) # dtype('float64')
2차원 원배열 생성
o2 = np.ones(shape = (5,3))
# o2 = np.ones((5,3)) shape으로 지정 해줘도 되고 안해줘도 됨
print(o2.dtype) # dtype('float64'))
print(o2,shape) # (5, 3)
o2 # array([[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.],
[1., 1., 1.]])
05 full(shape, fill_value, dtype)
원소들을 원하는 값으로 채운 배열 생성
- shape: 형태(크기, 개수)지정
- fill_value: 채울 값
- dtype: 배열의 타입 지정
1차원 배열 생성
f1 = np.full(shape = 5, fill_value = 10)
# f1 = np.full(5, 10) # 변수 지정 없이 위치변수로 줘도 동일한 배열 생성
print(f1, shape) # (5,)
array([10, 10, 10, 10, 10])
2차원 배열 생성
f2 = np.full(shape = (2, 2, 3, 2), fill_value = 1.5)
print(f2.shape) # (2, 2, 3, 2)
print(f2.dtpye) # float64
f2 # array([[[[1.5, 1.5],
[1.5, 1.5],
[1.5, 1.5]],
[[1.5, 1.5],
[1.5, 1.5],
[1.5, 1.5]]],
[[[1.5, 1.5],
[1.5, 1.5],
[1.5, 1.5]],
[[1.5, 1.5],
[1.5, 1.5],
[1.5, 1.5]]]])06 numpy.XXX_like
- shape은 매개변수로 받은 배열의 shape에 XXX로 원소들을 채운다.
- XXX: zeros, ones, full
- zeros_like(), ones_like(),full_like()
a = np.array([[1, 2], [3, 4]])
a # array([[1, 2],
[3, 4]])
z = np.zeros_like(a) # a와 동일한 shape의 0을 원소로 가지는 배열
o = np.ones_like(a) # a와 동일한 shape의 1을 원소로 가지는 배열
f = np.full_like(a, 100) # a와 동일한 shape의 fill_value로 지정한 100을 원소로 가지는 배열
z # array([[0, 0],
[0, 0]])
o # array([[1, 1],
[1, 1]])
f # array([[100, 100],
[100, 100]])07 arange(start, stop, step, dtype)
start부터 stop 범위에서 step의 일정한 간격의 값들로 구성된 배열 리턴 -> 1차원 배열만 생성
- start: 범위의 시작값을 포함(생략가능 - 기본값:0)
- stop: 범위의 끝값으로 포함되지 않음(필수)
- step: 간격(기본값 1)
- dtype: 요소의 타입
- 1차원 배열만 생성 가능
np.arange(1, 10, 2) # array([1, 3, 5, 7, 9])
# 1 ~ 9까지 2step씩
np.arange(1, 10) # array([1, 2, 3, 4, 5, 6, 7, 8, 9])
# # start, stop (증감생략 -1)
np.arange(10) # array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
# stop (start:0, step:1)
np.arange(0, 1.1, 0.1) # array([0. , 0.1, 0.2, 0.3, 0.4, 0.5, 0.6, 0.7, 0.8, 0.9, 1. ])
# 실수값들도 이용 가능
np.arange(10, 1, -2) # array([10, 8, 6, 4, 2])
# 10 부터 1까지 -2step씩
# reshape 메소드 사용해서 다차원 만들기
np.arange(1, 13).reshape(2, 3) # array([[ 1, 2, 3],
[ 4, 5, 6],
[ 7, 8, 9],
[10, 11, 12]])
08 linspace(start, stop , num, endpoint, retstep, dtype)
시작과 끝을 균등하게 나눈 값들을 가지는 배열을 생성
- start: 시작값
- stop: 종료값
- num: 나눌개수, 기본 50(양수여야 함)
- endpoint: stop 까지 포함시킬지 여부, 기본 True
- retstep: 생성된 배열 샘플과 함께 간격도 리털할지 여부. True일 경우 간격도 튜플로 리턴
- dtype: 데이터타입
- 1차원 배열만 생성
a = np.linspace(1, 10, 10) # 1 ~ 10까지 동일한 간격으로 10개 분리 했을 때 깂들을 원소로 가지는 배열
a # array([ 1., 2., 3., 4., 5., 6., 7., 8., 9., 10.])b = np.linespace(1,10) # 1 ~ 10 동일한 간격으로 50개 분리했을때의 값들을 원소로 가지는 배열
b # array([ 1. , 1.18367347, 1.36734694, 1.55102041, 1.73469388,
1.91836735, 2.10204082, 2.28571429, 2.46938776, 2.65306122,
2.83673469, 3.02040816, 3.20408163, 3.3877551 , 3.57142857,
3.75510204, 3.93877551, 4.12244898, 4.30612245, 4.48979592,
4.67346939, 4.85714286, 5.04081633, 5.2244898 , 5.40816327,
5.59183673, 5.7755102 , 5.95918367, 6.14285714, 6.32653061,
6.51020408, 6.69387755, 6.87755102, 7.06122449, 7.24489796,
7.42857143, 7.6122449 , 7.79591837, 7.97959184, 8.16326531,
8.34693878, 8.53061224, 8.71428571, 8.89795918, 9.08163265,
9.26530612, 9.44897959, 9.63265306, 9.81632653, 10. ])retstep = True
- (생성된 배열, step 값) 튜플형식으로 반환
np.linspace(1, 10, 50, retstep = True) # (array([ 1. , 1.18367347, 1.36734694, 1.55102041, 1.73469388,
1.91836735, 2.10204082, 2.28571429, 2.46938776, 2.65306122,
2.83673469, 3.02040816, 3.20408163, 3.3877551 , 3.57142857,
3.75510204, 3.93877551, 4.12244898, 4.30612245, 4.48979592,
4.67346939, 4.85714286, 5.04081633, 5.2244898 , 5.40816327,
5.59183673, 5.7755102 , 5.95918367, 6.14285714, 6.32653061,
6.51020408, 6.69387755, 6.87755102, 7.06122449, 7.24489796,
7.42857143, 7.6122449 , 7.79591837, 7.97959184, 8.16326531,
8.34693878, 8.53061224, 8.71428571, 8.89795918, 9.08163265,
9.26530612, 9.44897959, 9.63265306, 9.81632653, 10. ]),
0.1836734693877551)
linspace 함수만들고 그래프 그릴때 주로 사용
- 매끈한 그래프 그릴 수 있음
def f(x):
return x**2 + 2*x + 3
x = np.linspace(-3, 3, 100)
y = f(x)
y # array([ 6. , 5.76124885, 5.52984389, 5.30578512, 5.08907254,
4.87970615, 4.67768595, 4.48301194, 4.29568411, 4.11570248,
3.94306703, 3.77777778, 3.61983471, 3.46923783, 3.32598714,
3.19008264, 3.06152433, 2.94031221, 2.82644628, 2.71992654,
2.62075298, 2.52892562, 2.44444444, 2.36730946, 2.29752066,
2.23507805, 2.17998163, 2.1322314 , 2.09182736, 2.05876951,
2.03305785, 2.01469238, 2.00367309, 2. , 2.00367309,
2.01469238, 2.03305785, 2.05876951, 2.09182736, 2.1322314 ,
2.52892562, 2.62075298, 2.71992654, 2.82644628, 2.94031221,
3.06152433, 3.19008264, 3.32598714, 3.46923783, 3.61983471,
3.77777778, 3.94306703, 4.11570248, 4.29568411, 4.48301194,
4.67768595, 4.87970615, 5.08907254, 5.30578512, 5.52984389,
5.76124885, 6. , 6.24609734, 6.49954086, 6.76033058,
7.02846648, 7.30394858, 7.58677686, 7.87695133, 8.17447199,
8.47933884, 8.79155188, 9.11111111, 9.43801653, 9.77226814,
10.11386593, 10.46280992, 10.81910009, 11.18273646, 11.55371901,
11.93204775, 12.31772268, 12.7107438 , 13.11111111, 13.51882461,
13.9338843 , 14.35629017, 14.78604224, 15.2231405 , 15.66758494,
16.11937557, 16.5785124 , 17.04499541, 17.51882461, 18. ])import matplotlib.pyplot as plt
plt.plot(x,y)
plt.show()