'Youtube/NumPy' 카테고리의 글 목록

Youtube/NumPy

[NumPy] #5 배열 연산

뚠뚠이뚠뚠이 2021. 12. 18. 20:00

2021. 12. 18. 20:00

### 2021.12.18

NumPy의 배열 연산은 벡터화(vectorized) 연산을 사용
일반적으로 NumPy의 범용 함수(universal functions)를 통해 구현
배열 요소에 대한 반복적인 계산을 효율적으로 수행

브로드캐스팅(Broadcasting)

#In[]
import numpy as np

a1 = np.array([1,2,3])
print(a1)
print(a1 + 5)

#Out[]
[1 2 3]

[6 7 8]

#In[]
a2 = np.arange(1,10).reshape(3,3)
print(a2)
print(a1 + a2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
[[ 2  4  6]
 [ 5  7  9]
 [ 8 10 12]]

#In[]
b2 = np.array([1,2,3]).reshape(3,1)
print(b2)
print(a1 + b2)

#Out[]
[[1]
 [2]
 [3]]
 
[[2 3 4]
 [3 4 5]
 [4 5 6]]

산술 연산(Arithmetic Operators)

#In[]
a1 = np.arange(1,10)
print(a1)
print(a1 + 1)
print(np.add(a1, 10))

#Out[]
[1 2 3 4 5 6 7 8 9]
[ 2  3  4  5  6  7  8  9 10]
[11 12 13 14 15 16 17 18 19]

#In[]
print(a1 - 2)
print(np.subtract(a1, 10))

#Out[]
[-1  0  1  2  3  4  5  6  7]
[-9 -8 -7 -6 -5 -4 -3 -2 -1]

#In[]
print(-a1)
print(np.negative(a1))

#Out[]
[-1 -2 -3 -4 -5 -6 -7 -8 -9]
[-1 -2 -3 -4 -5 -6 -7 -8 -9]

#In[]
print(a1 * 2)
print(np.multiply(a1, 2))

#Out[]
[ 2  4  6  8 10 12 14 16 18]
[ 2  4  6  8 10 12 14 16 18]

#In[]
print(a1 / 2)
print(np.divide(a1, 2))

#Out[]
[0.5 1.  1.5 2.  2.5 3.  3.5 4.  4.5]
[0.5 1.  1.5 2.  2.5 3.  3.5 4.  4.5]

#In[]
print(a1 // 2)
print(np.floor_divide(a1,2))

#Out[]
[0 1 1 2 2 3 3 4 4]
[0 1 1 2 2 3 3 4 4]

#In[]
print(a1 ** 2)
print(np.power(a1, 2))

#Out[]
[ 1  4  9 16 25 36 49 64 81]
[ 1  4  9 16 25 36 49 64 81]

#In[]
print(a1 % 2)
print(np.mod(a1,2))

#Out[]
[1 0 1 0 1 0 1 0 1]
[1 0 1 0 1 0 1 0 1]

# 배열간의 연산도 가능하다
#In[]
a1 = np.arange(1, 10)
print(a1)

b1 =  np.random.randint(1, 10, size=9)
print(b1)

print(a1 + b1)
print(a1 - b1)
print(a1 * b1)
print(a1 / b1)
print(a1 // b1)
print(a1 ** b1)
print(a1 % b1)

#Out[]
[1 2 3 4 5 6 7 8 9]
[7 8 8 6 6 5 1 7 1]
[ 8 10 11 10 11 11  8 15 10]
[-6 -6 -5 -2 -1  1  6  1  8]
[ 7 16 24 24 30 30  7 56  9]
[0.14285714 0.25       0.375      0.66666667 0.83333333 1.2
 7.         1.14285714 9.        ]
[0 0 0 0 0 1 7 1 9]
[      1     256    6561    4096   15625    7776       7 2097152       9]
[1 2 3 4 5 1 0 1 0]

# 2차원에서도 가능!!
#In[]
a2 = np.arange(1,10).reshape(3,3)
print(a2)

b2 = np.random.randint(1, 10, size=(3,3))
print(b2)

print(a2 + b2)
print(a2 - b2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
[[4 6 3]
 [4 7 3]
 [4 4 8]]
 
[[ 5  8  6]
 [ 8 12  9]
 [11 12 17]]
 
[[-3 -4  0]
 [ 0 -2  3]
 [ 3  4  1]]

절대값 함수(Absolute Function)

absolute(), abs(): 내장된 절대값 함수

#In[]
a1 = np.random.randint(-10, 10, size=5)
print(a1)
print(np.absolute(a1))
print(np.abs(a1))

#Out[]
[-10   5   2  -9   2]
[10  5  2  9  2]
[10  5  2  9  2]

제곱/제곱근 함수

square, sqrt: 제곱, 제곱근 함수

#In[]
print(a1)
print(np.square(a1))
print((np.sqrt(np.abs(a1))))

#Out[]
[-10   5   2  -9   2]
[100  25   4  81   4]
[3.16227766 2.23606798 1.41421356 3.         1.41421356]

지수와 로그 함수 (Exponential and Log Function)

#In[]
a1 = np.random.randint(1, 10, size=5)
print(a1)
print(np.exp(a1))
print(np.exp2(a1))
print(np.power(a1,2))

#Out[]
[1 6 2 1 9]
[2.71828183e+00 4.03428793e+02 7.38905610e+00 2.71828183e+00
 8.10308393e+03]
[  2.  64.   4.   2. 512.]
[ 1 36  4  1 81]

#In[]
print(a1)
print(np.log(a1))
print(np.log2(a1))
print(np.log10(a1))

#Out[]
[1 6 2 1 9]
[0.         1.79175947 0.69314718 0.         2.19722458]
[0.        2.5849625 1.        0.        3.169925 ]
[0.         0.77815125 0.30103    0.         0.95424251]

삼각 함수(Trigonometrical Function)

#In[]
t = np.linspace(0, np.pi, 3)

print(t)
print(np.sin(t))
print(np.cos(t))
print(np.tan(t))

#Out[]
[0.         1.57079633 3.14159265]
[0.0000000e+00 1.0000000e+00 1.2246468e-16]
[ 1.000000e+00  6.123234e-17 -1.000000e+00]
[ 0.00000000e+00  1.63312394e+16 -1.22464680e-16]

#In[]
x = [-1, 0, 1]
print(x)
print(np.arcsin(x))
print(np.arccos(x))
print(np.arctan(x))

#Out[]
[-1, 0, 1]
[-1.57079633  0.          1.57079633]
[3.14159265 1.57079633 0.        ]
[-0.78539816  0.          0.78539816]

집계 함수(Aggregate Functions)

sum(): 합 계산

#In[]
a2 = np.random.randint(1, 10, size=(3,3))
print(a2)
print(a2.sum(), np.sum(a2))
print(a2.sum(axis=0), np.sum(a2, axis=0))
print(a2.sum(axis=1), np.sum(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
39 39
[ 8 14 17] [ 8 14 17]
[11 15 13] [11 15 13]

cumsum(): 누적합 계산

#In[]
print(a2)
print(np.cumsum(a2))
print(np.cumsum(a2, axis=0))
print(np.cumsum(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
[ 2  4 11 15 20 26 28 35 39]

[[ 2  2  7]
 [ 6  7 13]
 [ 8 14 17]]
 
[[ 2  4 11]
 [ 4  9 15]
 [ 2  9 13]]

diff(): 차분 계산

#In[]
print(a2)
print(np.diff(a2))
print(np.diff(a2, axis=0))
print(np.diff(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
[[ 0  5]
 [ 1  1]
 [ 5 -3]]
 
[[ 2  3 -1]
 [-2  2 -2]]
 
[[ 0  5]
 [ 1  1]
 [ 5 -3]]

prod(): 곱 계산

#In[]
print(a2)
print(np.prod(a2))
print(np.prod(a2, axis=0))
print(np.prod(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
188160

[ 16  70 168]

[ 28 120  56]

cumprod(): 누적곱 계산

#In[]
print(a2)
print(np.cumprod(a2))
print(np.cumprod(a2, axis=0))
print(np.cumprod(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
[     2      4     28    112    560   3360   6720  47040 188160]

[[  2   2   7]
 [  8  10  42]
 [ 16  70 168]]
 
[[  2   4  28]
 [  4  20 120]
 [  2  14  56]]

dot()/matmul(): 점곱/행렬곱 계산

#In[]
b2 = np. ones_like(a2)
print(a2)
print(b2)

print(np.dot(a2, b2))
print(np.matmul(a2, b2))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
[[1 1 1]
 [1 1 1]
 [1 1 1]]
 
[[11 11 11]         # 2*1 + 2*1 + 7*1
 [15 15 15]         # 4*1 + 5*1 + 6*1
 [13 13 13]]        # 2*1 + 7*1 + 4*1
 
[[11 11 11]
 [15 15 15]
 [13 13 13]]

tensordot(): 텐서곱 계산

#In[]
print(a2)
print(b2)

print(np.tensordot(a2,b2))
print(np.tensordot(a2,b2, axes=0))
print(np.tensordot(a2,b2, axes=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
[[1 1 1]
 [1 1 1]
 [1 1 1]]
 
39             #행렬곱하고 더하기!

[[[[2 2 2]     
   [2 2 2]
   [2 2 2]]

  [[2 2 2]
   [2 2 2]
   [2 2 2]]

  [[7 7 7]
   [7 7 7]
   [7 7 7]]]


 [[[4 4 4]
   [4 4 4]
   [4 4 4]]

  [[5 5 5]
   [5 5 5]
   [5 5 5]]

  [[6 6 6]
   [6 6 6]
   [6 6 6]]]


 [[[2 2 2]
   [2 2 2]
   [2 2 2]]

  [[7 7 7]
   [7 7 7]
   [7 7 7]]

  [[4 4 4]
   [4 4 4]
   [4 4 4]]]]
-----------------------
[[11 11 11]
 [15 15 15]
 [13 13 13]]

cross(): 벡터곱

#In[]
x = [1,2,3]
y = [4,5,6]

print(np.cross(x,y))

#Out[]
[-3  6 -3]

# 2*6 - 3*5 = -3
# 3*4 - 1*6 = 6
# 1*5 - 2*4 = -3

inner()/outer(): 내적/외적

#In[]
print(a2)
print(b2)
print(np.inner(a2,b2))
print(np.outer(a2,b2))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
[[1 1 1]
 [1 1 1]
 [1 1 1]]
 
[[11 11 11]
 [15 15 15]
 [13 13 13]]
 
[[2 2 2 2 2 2 2 2 2]
 [2 2 2 2 2 2 2 2 2]
 [7 7 7 7 7 7 7 7 7]
 [4 4 4 4 4 4 4 4 4]
 [5 5 5 5 5 5 5 5 5]
 [6 6 6 6 6 6 6 6 6]
 [2 2 2 2 2 2 2 2 2]
 [7 7 7 7 7 7 7 7 7]
 [4 4 4 4 4 4 4 4 4]]

mean(): 평균 계산

#In[]
print(a2)
print(np.mean(a2))
print(np.mean(a2, axis=0))
print(np.mean(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
4.333333333333333

[2.66666667 4.66666667 5.66666667]

[3.66666667 5.         4.33333333]

std(): 표준 편차 계산

#In[]
print(a2)
print(np.std(a2))
print(np.std(a2, axis=0))
print(np.std(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
1.9436506316151

[0.94280904 2.05480467 1.24721913]

[2.3570226  0.81649658 2.05480467]

var(): 분산 계산

#In[]
print(a2)
print(np.var(a2))
print(np.var(a2, axis=0))
print(np.var(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
3.7777777777777777

[0.88888889 4.22222222 1.55555556]

[5.55555556 0.66666667 4.22222222]

min(): 최소값

#In[]
print(a2)
print(np.min(a2))
print(np.min(a2, axis=0))
print(np.min(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]

2

[2 2 4]

[2 4 2]

max(): 최대값

#In[]
print(a2)
print(np.max(a2))
print(np.max(a2, axis=0))
print(np.max(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
7

[4 7 7]

[7 6 7]

argmin(): 최소값 인덱스

#In[]
print(a2)
print(np.argmin(a2))
print(np.argmin(a2, axis=0))
print(np.argmin(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
0

[0 0 2]

[0 0 0]

#최소값이 있는 인덱스값을 출력

argmax(): 최대값 인덱스

#In[]
print(a2)
print(np.argmax(a2))
print(np.argmax(a2, axis=0))
print(np.argmax(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
2

[1 2 0]

[2 2 1]

#최대값이 있는 인덱스값을 출력

median(): 중앙값

#In[]
print(a2)
print(np.median(a2))
print(np.median(a2, axis=0))
print(np.median(a2, axis=1))

#Out[]
[[2 2 7]
 [4 5 6]
 [2 7 4]]
 
4.0

[2. 5. 6.]

[2. 5. 4.]

percentile(): 백분위 수

#In[]
a1 = np.array([0,1,2,3])
print(a1)
print(np.percentile(a1, [0,20,40,60,80,100], interpolation= 'linear'))
print(np.percentile(a1, [0,20,40,60,80,100], interpolation= 'higher'))
print(np.percentile(a1, [0,20,40,60,80,100], interpolation= 'lower'))
print(np.percentile(a1, [0,20,40,60,80,100], interpolation= 'nearest'))
print(np.percentile(a1, [0,20,40,60,80,100], interpolation= 'midpoint'))

#Out[]
[0 1 2 3]
[0.  0.6 1.2 1.8 2.4 3. ]
[0 1 2 2 3 3]
[0 0 1 1 2 3]
[0 1 1 2 2 3]
[0.  0.5 1.5 1.5 2.5 3. ]

any()

#In[]
a2 = np.array([[False, False, False],
              [False, True, True],
              [False, True, True]])
print(a2)
print(np.any(a2))
print(np.any(a2, axis=0))
print(np.any(a2, axis=1))

#한개라도 True가 있다면 True
#모두 False여야 False

#Out[]
[[False False False]
 [False  True  True]
 [False  True  True]]
 
True

[False  True  True]

[False  True  True]

all()

#In[]
a2 = np.array([[False, False, True],
              [True, True, True],
              [False, True, True]])
print(a2)
print(np.all(a2))
print(np.all(a2, axis=0))
print(np.all(a2, axis=1))

#모두 True여야 True
#한개라도 False가 있다 False

#Out[]
[[False False  True]
 [ True  True  True]
 [False  True  True]]
 
False

[False False  True]

[False  True False]

1:55:36

비교 연산(Comparison Operators)

#In[]


#Out[]

#In[]


#Out[]

#In[]


#Out[]

#In[]


#Out[]

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #4 배열 변환 (0)	2021.12.18
[Numpy] #3 배열 값 삽입/수정/삭제/복사 (0)	2021.12.18
[NumPy] #2 배열조회 (0)	2021.12.16

[NumPy] #4 배열 변환

뚠뚠이뚠뚠이 2021. 12. 18. 17:10

2021. 12. 18. 17:10

### 2021.12.18

배열 전치 및 축 변경

#In[]
import numpy as np

a2 = np.array([[1,2,3,], [4,5,6], [7,8,9]])

print(a2)
print(a2.T)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

[[1 4 7]
 [2 5 8]
 [3 6 9]]

#In[]
a3 = np.array([[[1,2,3], [4,5,6], [7,8,9]],
               [[1,2,3], [4,5,6], [7,8,9]],
               [[1,2,3], [4,5,6], [7,8,9]]])

print(a3)
print(a3.T)

#Out[]
[[[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]]
----------------------
[[[1 1 1]
  [4 4 4]
  [7 7 7]]

 [[2 2 2]
  [5 5 5]
  [8 8 8]]

 [[3 3 3]
  [6 6 6]
  [9 9 9]]]

#In[]
print(a2)
print(a2.swapaxes(1,0))

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

[[1 4 7]
 [2 5 8]
 [3 6 9]]

#In[]
print(a3)
print(a3.swapaxes(0,1))       #0차원 축과 1차원 축을 바꿔라
print(a3.swapaxes(1,2))       #1차원 축과 2차원 축을 바꿔라

#Out[]
[[[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]]
-------------------
[[[1 2 3]
  [1 2 3]
  [1 2 3]]

 [[4 5 6]
  [4 5 6]
  [4 5 6]]

 [[7 8 9]
  [7 8 9]
  [7 8 9]]]
------------------
[[[1 4 7]
  [2 5 8]
  [3 6 9]]

 [[1 4 7]
  [2 5 8]
  [3 6 9]]

 [[1 4 7]
  [2 5 8]
  [3 6 9]]]

배열 재구조화

reshape(): 배열의 형상을 변경

#In[]
n1 = np.arange(1, 10)
print(n1)
print(n1.reshape(3,3))

#Out[]
[1 2 3 4 5 6 7 8 9]

[[1 2 3]
 [4 5 6]
 [7 8 9]]

newaxis(): 새로운 축 추가

#In[1]
print(n1)
#Out[1]
[1 2 3 4 5 6 7 8 9]


#In[2]
print(n1[np.newaxis, :5])
#Out[2]
[[1 2 3 4 5]]


#In[3]
print(n1[:5, np.newaxis])
#Out[3]
[[1]
 [2]
 [3]
 [4]
 [5]]

배열 크기 변경 resize()

배열 모양만 변경

#In[1]
n2 = np.random.randint(0, 10, (2,5))
print(n2)
#Out[1]
[[4 4 8 0 7]
 [1 1 3 8 9]]

#In[2]
n2.resize((5,2))
print(n2)
#Out[2]
[[4 4]
 [8 0]
 [7 1]
 [1 3]
 [8 9]]

배열 크기 증가
남은 공간은 0으로 채워짐

#In[]
n2.resize((5,5))
print(n2)

#Out[]
[[7 1 6 8 1]
 [1 8 7 4 3]
 [0 0 0 0 0]
 [0 0 0 0 0]
 [0 0 0 0 0]]
 
 #코랩에서 실행이 안되어서 주피터노트북에서 실행!(값이 달라졌음)

배열 크기 감소
포함되지 않은 값은 삭제됨

#In[]
n2.resize((3,3))
print(n2)

#Out[]
[[7 1 6]
 [8 1 1]
 [8 7 4]]

배열 추가

append(): 배열의 끝에 값 추가

#In[]
a2 = np.arange(1, 10).reshape(3,3)
print(a2)
b2 = np.arange(10,19).reshape(3,3)
print(b2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
[[10 11 12]
 [13 14 15]
 [16 17 18]]

axis 지정이 없으면 1차원 배열 형태로 변형되어 결합

#In[]
c2 = np.append(a2, b2)
print(c2)

#Out[]
[ 1  2  3  4  5  6  7  8  9 10 11 12 13 14 15 16 17 18]

axis를 0으로 지정
shape[0]을 제외한 나머지 shape은 같아야 함

#In[]
c2 = np.append(a2, b2, axis = 0)
print(c2)

#Out[]
[[ 1  2  3]
 [ 4  5  6]
 [ 7  8  9]
 [10 11 12]
 [13 14 15]
 [16 17 18]]

axis를 1로 지정
shape[1]을 제외한 나머지 shape은 같아야 함

#In[]
c2 = np.append(a2, b2, axis = 1)
print(c2)

#Out[]
[[ 1  2  3 10 11 12]
 [ 4  5  6 13 14 15]
 [ 7  8  9 16 17 18]]

배열 연결

concatenate(): 튜플이나 배열의 리스트를 인수로 사용해 배열 연결

#In[1]
a1 = np.array([1,3,5])
b1 = np.array([2,4,6])
np.concatenate([a1,b1])

#Out[1]
array([1, 3, 5, 2, 4, 6])

#In[2]
c1 = np.array([7,8,9])
np.concatenate([a1,b1,c1])

#Out[2]
array([1, 3, 5, 2, 4, 6, 7, 8, 9])

#In[1]
a2 = np.array([[1,2,3,],
               [4,5,6]])
np.concatenate([a2,a2])
#Out[1]
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3],
       [4, 5, 6]])
       
#In[2]
np.concatenate([a2,a2],axis=1)
#Out[2]
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])

vstack(): 수직 스택(vertical stack), 1차원으로 연결

#In[]
np.vstack([a2,a2])

#Out[]
array([[1, 2, 3],
       [4, 5, 6],
       [1, 2, 3],
       [4, 5, 6]])

hstack(): 수평 스택(horizontal stack), 2차원으로 연결

#In[]
np.hstack([a2,a2])

#Out[]
array([[1, 2, 3, 1, 2, 3],
       [4, 5, 6, 4, 5, 6]])

dstack(): 깊이 스택(depth stack), 3차원으로 연결

#In[]
np.dstack([a2,a2])

#Out[]
array([[[1, 1],
        [2, 2],
        [3, 3]],

       [[4, 4],
        [5, 5],
        [6, 6]]])

stack(): 새로운 차원으로 연결

#In[]
np.stack([a2,a2])

#Out[]
array([[[1, 2, 3],
        [4, 5, 6]],

       [[1, 2, 3],
        [4, 5, 6]]])

배열 분할

split(): 배열 분할

#In[1]
a1 = np.arange(0,10)
print(a1)
#Out[1]
[0 1 2 3 4 5 6 7 8 9]

#In[2]
b1, c1 = np.split(a1,[5])
print(b1, c1)
#Out[2]
[0 1 2 3 4] [5 6 7 8 9]

#In[3]
np.split(a1, [2,4,6,8])
#Out[3]
[array([0, 1]), array([2, 3]), array([4, 5]), array([6, 7]), array([8, 9])]

vsplit(): 수직 분할, 1차원으로 분할

#In[]
a2 = np.arange(1, 10).reshape(3,3)
print(a2)

b2, c2 = np.vsplit(a2, [2])
print(b2)
print(c2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
[[1 2 3]
 [4 5 6]]
 
[[7 8 9]]

hsplit(): 수평 분할, 2차원으로 분할

#In[]
a2 = np.arange(1, 10).reshape(3,3)
print(a2)

b2, c2 = np.hsplit(a2, [2])

print(b2)
print(c2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
 
[[1 2]
 [4 5]
 [7 8]]
 
[[3]
 [6]
 [9]]

dsplit(): 깊이 분할, 3차원으로 분할

#In[]
a3 = np.arange(1, 28).reshape(3,3,3)
print(a3)

b3, c3 = np.dsplit(a3, [2])

print(b3)
print(c3)

#Out[]
[[[ 1  2  3]
  [ 4  5  6]
  [ 7  8  9]]

 [[10 11 12]
  [13 14 15]
  [16 17 18]]

 [[19 20 21]
  [22 23 24]
  [25 26 27]]]
--------------------
[[[ 1  2]
  [ 4  5]
  [ 7  8]]

 [[10 11]
  [13 14]
  [16 17]]

 [[19 20]
  [22 23]
  [25 26]]]
-----------------
[[[ 3]
  [ 6]
  [ 9]]

 [[12]
  [15]
  [18]]

 [[21]
  [24]
  [27]]]

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #5 배열 연산 (0)	2021.12.18
[Numpy] #3 배열 값 삽입/수정/삭제/복사 (0)	2021.12.18
[NumPy] #2 배열조회 (0)	2021.12.16

[Numpy] #3 배열 값 삽입/수정/삭제/복사

뚠뚠이뚠뚠이 2021. 12. 18. 15:36

2021. 12. 18. 15:36

### 2021.12.18

배열 값 삽입

insert(): 배열의 특정 위치에 값 삽입
axis를 지정하지 않으면 1차원 배열로 변환
추가할 방향을 axis로 지정
원본 배열 변경없이 새로운 배열 반환

#In[1]
import numpy as np
a1 = np.array([1,2,3,4,5])
 
print(a1)
b1 = np.insert(a1, 0, 10)    # a1의 0번째에 10을 넣어라!
print(b1)

#Out[1]
[1 2 3 4 5]
[10  1  2  3  4  5]

#In[2]
print(a1)
#Out[2]
[1 2 3 4 5]      #a1의 값은 변하지 않는다!

#In[3]
c1 = np.insert(a1, 2, 10)
print(c1)
#Out[3]
[ 1  2 10  3  4  5]

#In[1]
a2 = np.array([[1,2,3,], [4,5,6], [7,8,9]])
print(a2)
#Out[1]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

#In[2]
b2 = np.insert(a2, 1, 10, axis=0)
print(b2)
#Out[2]
[[ 1  2  3]
 [10 10 10]
 [ 4  5  6]
 [ 7  8  9]]

#In[3]
c2 =np.insert(a2, 1, 10, axis=1)
print(c2)
#Out[3]
[[ 1 10  2  3]
 [ 4 10  5  6]
 [ 7 10  8  9]]

배열 값 수정

배열의 인덱싱으로 접근하여 값 수정

#In[]
print(a1)
a1[0] = 6
a1[1] = 7
print(a1)

#Out[]
[1 2 3 4 5]
[6 7 3 4 5]

#In[1]
a1[0:1] = 9
print(a1)
#Out[1]
[9 7 3 4 5]

#In[2]
i = np.array([1,3,4])
a1[i] = 0
print(a1)
#Out[2]
[9 0 3 0 0]

#In[3]
a1[i] += 4
print(a1)
#Out[3]
[9 4 3 4 4]

#In[]
print(a2)
a2[1, 1] = 1
a2[2, 2] = 2
a2[0] = 1
print(a2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
[[1 1 1]
 [4 1 6]
 [7 8 2]]

#In[1]
a2[1:, 2] = 9
print(a2)

#Out[1]
[[1 1 1]
 [4 1 9]
 [7 8 9]]

#In[2]
row = np.array([0,1])
col = np.array([1,2])
a2[row,col] = 0
print(a2)

#Out[2]
[[1 0 1]
 [4 1 0]
 [7 8 9]]

배열 값 삭제

delete(): 배열의 특정 위치에 값 삭제
axis를 지정하지 않으면 1차원 배열로 변환
삭제할 방향을 axis로 지정
원본 배열 변경없이 새로운 배열 반환

#In[]
print(a1)
b1 = np.delete(a1, 1)
print(b1)

#Out[]
[9 4 3 4 4]
[9 3 4 4]

#In[1]
print(a2)
#Out[1]
[[1 0 1]
 [4 1 0]
 [7 8 9]]

#In[2]
b2 = np.delete(a2, 1, axis=0)
print(b2)
#Out[2]
[[1 0 1]
 [7 8 9]]

#In[3]
c2 = np.delete(a2, 1, axis=1)
print(c2)
#Out[3]
[[1 1]
 [4 0]
 [7 9]]

배열 복사

리스트 자료형과 달리 배열의 슬라이스는 복사본이 아님

#In[1]
print(a2)
#Out[1]
[[1 0 1]
 [4 0 0]
 [7 8 9]]

#In[2]
a2_sub = a2[:2, :2]
print(a2_sub)
#Out[2]
[[1 0]
 [4 0]]

#In[3]
a2_sub[:, 1] = 2
print(a2_sub)
#Out[3]
[[1 2]
 [4 2]]

#In[4]
print(a2)
#Out[4]
[[1 2 1]
 [4 2 0]
 [7 8 9]]
 
 #넘파이는 슬라이싱한 값이 변경되면 원본값도 변경된다.

copy(): 배열이나 하위 배열 내의 값을 명시적으로 복사

#In[1]
print(a2)
#Out[1]
[[1 2 1]
 [4 2 0]
 [7 8 9]]
 
#In[2]
a2_sub_copy = a2[:2, :2].copy()
print(a2_sub_copy)
#Out[2]
[[1 2]
 [4 2]]

#In[3]
a2_sub_copy[:, 1] = 0
print(a2_sub_copy)
#Out[3]
[[1 0]
 [4 0]]

#In[4]
print(a2)
#Out[4]
[[1 2 1]
 [4 2 0]
 [7 8 9]]
 
 #copy()를 통해서 복사하면 원본은 변경이 되지 않는다.

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #5 배열 연산 (0)	2021.12.18
[NumPy] #4 배열 변환 (0)	2021.12.18
[NumPy] #2 배열조회 (0)	2021.12.16

[NumPy] #2 배열조회

뚠뚠이뚠뚠이 2021. 12. 16. 21:57

2021. 12. 16. 21:57

### 2021.12.16

배열 속성 정보

import numpy as np

def array_info(array):
  print(array)
  print("ndim : ", array.ndim)
  print("shape : ", array.shape)
  print("dtype : ", array.dtype)
  print("size : ", array.size)
  print("itemsize : ", array.itemsize)
  print("nbytes : ", array.nbytes)
  print("strides : ", array.strides)

#In[]
a1 = np.array([1,2,3,4,5])

array_info(a1)

#Out[]
[1 2 3 4 5]
ndim :  1
shape :  (5,)
dtype :  int64
size :  5
itemsize :  8        
nbytes :  40        #size * itemsize
strides :  (8,)     #다음으로 넘어가기위한 itemsize

#In[]
a2 = np.array([[1,2,3,], [4,5,6], [7,8,9]])

array_info(a2)

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
ndim :  2
shape :  (3, 3)
dtype :  int64
size :  9
itemsize :  8
nbytes :  72
strides :  (24, 8)     #다음 차원으로 넘어갈때 필요한 바이트

#In[]
a3 = np.array([[[1,2,3], [4,5,6], [7,8,9]],
               [[1,2,3], [4,5,6], [7,8,9]],
               [[1,2,3], [4,5,6], [7,8,9]]])
               
array_info(a3)

#Out[]
[[[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]]
ndim :  3
shape :  (3, 3, 3)
dtype :  int64
size :  27
itemsize :  8
nbytes :  216
strides :  (72, 24, 8)

인덱싱(Indexing)

#In[]
print(a1)
print(a1[0])
print(a1[-1])
print(a1[-2])

#Out[]
[1 2 3 4 5]
1
5
4

#In[]
print(a2)
print(a2[0, 2])
print(a2[1, 1])
print(a2[2, -1])
print(a2[0, :])

#Out[]
[[1 2 3]
 [4 5 6]
 [7 8 9]]
3
5
9
[1 2 3]

#In[1]
print(a3)
#Out[1]
[[[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]

 [[1 2 3]
  [4 5 6]
  [7 8 9]]]

#In[2]
print(a3[0,0,0])
#Out[2]
1

#In[3]
print(a3[1,:,:])
#Out[3]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

#In[4]
print(a3[:,1,:])
#Out[4]
[[4 5 6]
 [4 5 6]
 [4 5 6]]

불리언 인덱싱(Boolean Indexing)

배열 각 요소의 선택 여부를 불리언(True or False)로 지정
True 값인 인덱스의 값만 조회

#In[]
print(a1)
b1 = [False, True, True, False, True]
print(a1[b1])

#Out[]
[1 2 3 4 5]
[2 3 5]

#In[]
print(a1)
b2 = np.random.randint(0, 2, (3,3), dtype=bool)
print(b2)
print(a2[b2])

#Out[]
[1 2 3 4 5]

[[False  True False]
 [False  True False]
 [False False  True]]
 
[2 5 9]

팬시 인덱싱(Fancy Indedxing)

#In[1]
print(a1)
print(a1[0], a1[2])
#Out[1]
[1 2 3 4 5]
1 3

#In[2]
ind = [0,2]
print(a1[ind])
#Out[2]
[1 3]

#In[3]
ind = np.array([[0,1],
                [2,0]])
print(a1[ind])
#Out[3]
[[1 2]
 [3 1]]

#In[1]
print(a2)
#Out[1]
[[1 2 3]
 [4 5 6]
 [7 8 9]]

#In[2]
row = np.array([0,2])
col = np.array([1,2])
print(a2[row, col])
print(a2[:, col])
print(a2[row, :])

#Out[2]
[2 9]

[[2 3]
 [5 6]
 [8 9]]
 
[[1 2 3]
 [7 8 9]]

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #5 배열 연산 (0)	2021.12.18
[NumPy] #4 배열 변환 (0)	2021.12.18
[Numpy] #3 배열 값 삽입/수정/삭제/복사 (0)	2021.12.18

PREV 이전 1 NEXT 다음

Changhyoni_developer

Youtube/NumPy

[NumPy] #5 배열 연산

브로드캐스팅(Broadcasting)

산술 연산(Arithmetic Operators)

절대값 함수(Absolute Function)

제곱/제곱근 함수

지수와 로그 함수 (Exponential and Log Function)

삼각 함수(Trigonometrical Function)

집계 함수(Aggregate Functions)

sum(): 합 계산

cumsum(): 누적합 계산

diff(): 차분 계산

prod(): 곱 계산

cumprod(): 누적곱 계산

dot()/matmul(): 점곱/행렬곱 계산

tensordot(): 텐서곱 계산

cross(): 벡터곱

inner()/outer(): 내적/외적

mean(): 평균 계산

std(): 표준 편차 계산

var(): 분산 계산

min(): 최소값

max(): 최대값

argmin(): 최소값 인덱스

argmax(): 최대값 인덱스

median(): 중앙값

percentile(): 백분위 수

any()

all()

비교 연산(Comparison Operators)

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #4 배열 변환

배열 전치 및 축 변경

배열 재구조화

배열 크기 변경 resize()

배열 추가

배열 연결

배열 분할

'Youtube > NumPy' 카테고리의 다른 글

[Numpy] #3 배열 값 삽입/수정/삭제/복사

배열 값 삽입

배열 값 수정

배열 값 삭제

배열 복사

'Youtube > NumPy' 카테고리의 다른 글

[NumPy] #2 배열조회

배열 속성 정보

인덱싱(Indexing)

불리언 인덱싱(Boolean Indexing)

팬시 인덱싱(Fancy Indedxing)

'Youtube > NumPy' 카테고리의 다른 글

+ Recent posts

티스토리툴바