python_numpy_01

라이브러리

• 여러가지 라이브러리를 사용해보자

Numpy

Q : what is numpy?

A : 배열 연산이다.

Q : why numpy?

A : 두개의 리스트 연산 시도 → Type Error → Numpy 도입

# 다음 코드는 사용 시 error가 나온다.
A = [1, 2, 3]
B = [4, 5, 6]

A / B ** 2

# numpy 사용 시 정상적으로 작동한다.
import numpy as np

A = [1, 2, 3]
B = [4 ,5, 6]

np_A = np.array(A)
np_B = np.array(B)
np_A / np_B ** 2

array([0.0625    , 0.08      , 0.08333333])

Reshape

사용 예시

• (2,3) 배열 -> np.reshape(3,2) -> (3,2)배열

사용 예시

• np.reshape(-1, 2)에서 -1의 의미
  : 특정 차원에서 열은 2로 고정된 상태에서 행은 사이즈에 맞도록 자동으로 정렬해준다는 뜻

import numpy as np
temp_arr = np.array([1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16])
temp_arr

new_arr = temp_arr.reshape(2, -1)
new_arr

array([[ 1,  2,  3,  4,  5,  6,  7,  8],
       [ 9, 10, 11, 12, 13, 14, 15, 16]])

# -1을 이용한 자동 정렬
new_arr = temp_arr.reshape(4, -1)
new_arr

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12],
       [13, 14, 15, 16]])

조언

• 머신러닝 / 딥러닝
  • 수학을 잘 하는 사람 vs 수학을 처음 하는 사람
  • 머신러닝 / 딥러닝 (인간이 만든 수식!)
  • 개념을 이해하고, 수식으로 이해하고, 코드로 그 수식을 구현해야
  • 머신러닝과 딥러닝을 쓰기 위해서는 수학자만 해야되냐!?
  • 결론은 아닙니다!
  • 머신러닝 / 딥러닝의 주 목적이 인간 생활의 보편적인 무제 해결을 위해 나온 것
  • 프레임워크로 형태로 내놨어요 (개념을 이해하고 있자!)
    • 개념만 문자열 타입으로 매개변수를 잘 조정만 하면 모델 만들어짐!
  • 성과를 내야 하는데 (개발자는 배포를 잘해야 함!)
    • 이미지 인식 모델을 만듬 / (쓸데가 없음…) / 안드로이드 앱 / 웹앱에 탑재할줄만 알아도
    • 기획 (어떤 문데를 풀까?)
  • AutoML
    • 코드를 4 ~ 5줄 치면 머신러닝 모델이 만들어짐!
    • 하지만 이공계 출신이라면 수식도 나름대로 정리해 볼 것

라이브러리 설치 방법 (vs R)

# R install.packages("패키지명")
# 파이썬 라이브러리 설치 코드에서 실행 (X)
# 터미널에서 설치

# 방법1. conda 설치
# --> 아나콘다 설치 후, conda 설치 (데이터 과학)
# conda 라이브러리 관리 (버전 업데이트가 조금 느림)

# 방법2. pip 설치
# --> 아나콘다 설치 안 함 / 파이썬만 설치

# git bash 열고, pip install numpy
#pip install numpy
# google colab에선 기본적 환경이 갖추어져 있음.

Numpy 라이브 불러오기

# 다음과 같이 np 라고 줄여서 출력한다.
import numpy as np
print(np.__version__)

1.21.5

배열로 변환

• 1부터 10까지의 리스트를 만든다.
• Numpy 배열로 변환해서 저장한다.

temp = [1, 2, 3, 4, 5, 6, 7, 8, 9, 10]
arr = np.array(temp)
print(arr)
print(temp)

[ 1  2  3  4  5  6  7  8  9 10]
[1, 2, 3, 4, 5, 6, 7, 8, 9, 10]

print(type(arr))
print(type(temp))

<class 'numpy.ndarray'>
<class 'list'>

• Numpy를 사용하여 기초 통계 함수를 사용한다.

print(np.mean(arr))
print(np.sum(arr))
print(np.median(arr))
print(np.std(arr))

5.5
55
5.5
2.8722813232690143

사칙연산

math_scores = [90,80, 88]
english_scores = [80, 70, 90]

total_scores = math_scores + english_scores
total_scores

[90, 80, 88, 80, 70, 90]

math_scores = [90,80, 88]
english_scores = [80, 70, 90]

math_arr = np.array(math_scores)
english_arr = np.array(english_scores)

total_scores = math_arr + english_arr
total_scores

array([170, 150, 178])

np.min(total_scores)

150

np.max(total_scores)

178

math_scores = [2, 3, 4]
english_scores = [1, 2, 3]

math_arr = np.array(math_scores)
english_arr = np.array(english_scores)

#사칙연산
print("덧셈 : ", np.add(math_arr, english_arr))
print("뺄셈 : ", np.subtract(math_arr, english_arr))
print("곱셈 : ", np.multiply(math_arr, english_arr))
print("나눗셈 : ", np.divide(math_arr, english_arr))
print("거듭제곱 : ", np.power(math_arr, english_arr))

덧셈 :  [3 5 7]
뺄셈 :  [1 1 1]
곱셈 :  [ 2  6 12]
나눗셈 :  [2.         1.5        1.33333333]
거듭제곱 :  [ 2  9 64]

배열의 생성

• 0차원부터 3차원까지 생성하는 방법

temp_arr = np.array(20)
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)

20
<class 'numpy.ndarray'>
()

# 1차원 배열
temp_arr = np.array([1,2,3])
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape) # 배열의 형태 확인용
print(temp_arr.ndim)  # ndim은 차원 확인용

[1 2 3]
<class 'numpy.ndarray'>
(3,)
1

# 2차원 배열
temp_arr = np.array([[1,2,3], [4, 5, 6]])
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)
print(temp_arr.ndim)  # ndim 은 차원 확인

[[1 2 3]
 [4 5 6]]
<class 'numpy.ndarray'>
(2, 3)
2

# 3차원 배열
temp_arr = np.array([[[1,2,3], [4, 5, 6]], [[1,2,3], [4, 5, 6]]])
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)
print(temp_arr.ndim)  # ndim 은 차원 확인

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

 [[1 2 3]
  [4 5 6]]]
<class 'numpy.ndarray'>
(2, 2, 3)
3

temp_arr = np.array([1, 2, 3, 4], ndmin = 2) # 차원을 변경 가능
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)
print(temp_arr.ndim)

[[1 2 3 4]]
<class 'numpy.ndarray'>
(1, 4)
2

소수점 정렬

temp_arr = np.trunc([-1.23, 1.23])
temp_arr

array([-1.,  1.])

temp_arr = np.fix([-1.23, 1.23])
temp_arr

array([-1.,  1.])

# 반올림
temp_arr = np.around([-1.63789, 1.23784], 4)  # 소수점 아래 4번째자리로 반올림 한다는 표현
temp_arr

array([-1.6379,  1.2378])

# 올림
temp_arr = np.floor([-1.63789, 1.23784])
temp_arr

array([-2.,  1.])

# 내림
temp_arr = np.ceil([-1.63789, 1.23784])
temp_arr

array([-1.,  2.])

• shape 높이 * 세로 * 가로 순인건가요?
• axis 축 설정

배열을 사용하는 다양한 방법들

# np.arange(5) -> 0 부터 시작하는 5개의 배열 생성
temp_arr = np.arange(5)
temp_arr

array([0, 1, 2, 3, 4])

# np.arange(1, 11, 3) -> 1 부터 11까지 3만큼 차이나게 배열 생성
temp_arr = np.arange(1, 11, 3)
temp_arr

array([ 1,  4,  7, 10])

# np.zeros -> 0으로 채운 배열 만들기
zero_arr = np.zeros((2,3))
print(zero_arr)
print(type(zero_arr))
print(zero_arr.shape)
print(zero_arr.ndim)
print(zero_arr.dtype) # dype = data type

[[0. 0. 0.]
 [0. 0. 0.]]
<class 'numpy.ndarray'>
(2, 3)
2
float64

# np.ones -> 1로 채운 배열 만들기
temp_arr = np.ones((4,5), dtype="int32")  
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)
print(temp_arr.ndim)
print(temp_arr.dtype)

[[1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]
 [1 1 1 1 1]]
<class 'numpy.ndarray'>
(4, 5)
2
int32

temp_arr = np.ones((2,6), dtype="int32")  
print(temp_arr)
print(type(temp_arr))
print(temp_arr.shape)
print(temp_arr.ndim)
print(temp_arr.dtype)

[[1 1 1 1 1 1]
 [1 1 1 1 1 1]]
<class 'numpy.ndarray'>
(2, 6)
2
int32

# reshape() 사용하여 배열 변환하기 
temp_arr = np.ones((12,12), dtype="int32")  
temp_res_arr = temp_arr.reshape(4, -1)    # -1 은 자동정령
print(temp_res_arr)
print(type(temp_res_arr))
print(temp_res_arr.shape)
print(temp_res_arr.ndim)
print(temp_res_arr.dtype)

[[1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]
 [1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1]]
<class 'numpy.ndarray'>
(4, 36)
2
int32

numpy 조건식

• where(a, b, c) 사용법
  • a조건 True면 b로 변환, False이면 c로 변환

temp_arr = np.arange(10)
temp_arr

array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

# 5보다 작은 값은 원래값으로 변환
# 5보다 큰 값은 원래 값 * 10
np.where(temp_arr <5, temp_arr, temp_arr * 10)

#  where(a, b, c) a조건 True면 b로 변환, False이면 c로 변환

array([ 0,  1,  2,  3,  4, 50, 60, 70, 80, 90])

# 0~100 까지의 배열 만들고, 50보다 작은 값은 곱하기 10, 나머지는 그냥 원래 값으로 반환
temp_arr = np.arange(101)
temp_arr

np.where(temp_arr <50, temp_arr * 10, temp_arr)

array([  0,  10,  20,  30,  40,  50,  60,  70,  80,  90, 100, 110, 120,
       130, 140, 150, 160, 170, 180, 190, 200, 210, 220, 230, 240, 250,
       260, 270, 280, 290, 300, 310, 320, 330, 340, 350, 360, 370, 380,
       390, 400, 410, 420, 430, 440, 450, 460, 470, 480, 490,  50,  51,
        52,  53,  54,  55,  56,  57,  58,  59,  60,  61,  62,  63,  64,
        65,  66,  67,  68,  69,  70,  71,  72,  73,  74,  75,  76,  77,
        78,  79,  80,  81,  82,  83,  84,  85,  86,  87,  88,  89,  90,
        91,  92,  93,  94,  95,  96,  97,  98,  99, 100])

두가지 조건식을 사용해야 할 경우

• np.select
• 사용법은 다음 코드를 참고

temp_arr = np.arange(10)
temp_arr

# 5보다 큰 값은 곱하기 2, 2보다 작은 값은 더하기 100
condlist = [temp_arr > 5, temp_arr <2]    # 조건식
choielist = [temp_arr *2, temp_arr + 100] # 같은 위치의 조건 만족 시, 설정한 대로 변환
np.select(condlist, choielist, default = temp_arr)

array([100, 101,   2,   3,   4,   5,  12,  14,  16,  18])

브로드캐스팅

• 서로 다른 크기의 배열을 계산할 때 참고해야하는 내용이다.