레이블이 numpy인 게시물을 표시합니다. 모든 게시물 표시
레이블이 numpy인 게시물을 표시합니다. 모든 게시물 표시

2023년 9월 8일 금요일

NumPy Array 생성 함수

 NumPy에서는 다양한 방법으로 배열을 생성할 수 있는 함수들을 제공합니다. 이러한 함수들에 대해서 정리해보았슨비다.

NumPy Array 생성 함수

함수설명예제결과
np.array주어진 데이터로부터 배열을 생성np.array([1, 2, 3])[1, 2, 3]
np.zeros모든 원소가 0인 배열 생성np.zeros((2, 3))[[0., 0., 0.], [0., 0., 0.]]
np.ones모든 원소가 1인 배열 생성np.ones((3, 2))[[1., 1.], [1., 1.], [1., 1.]]
np.empty초기화되지 않은 배열 생성np.empty((2, 2))랜덤 값
np.arange주어진 범위와 간격의 배열 생성np.arange(0, 10, 2)[0, 2, 4, 6, 8]
np.linspace선형 간격의 배열 생성np.linspace(0, 1, 5)[0., 0.25, 0.5, 0.75, 1.]
np.logspace로그 간격의 배열 생성np.logspace(0, 3, 4)[1., 10., 100., 1000.]
np.eye단위 행렬 생성np.eye(3)[[1., 0., 0.], [0., 1., 0.], [0., 0., 1.]]
np.random.rand랜덤한 원소를 가진 배열 생성np.random.rand(2, 2)랜덤 값 (0~1 사이)

예제 코드

import numpy as np

# np.array 예제
a = np.array([1, 2, 3])
print("np.array:", a)

# np.zeros 예제
b = np.zeros((2, 3))
print("np.zeros:", b)

# np.ones 예제
c = np.ones((3, 2))
print("np.ones:", c)

# np.empty 예제
d = np.empty((2, 2))
print("np.empty:", d)

# np.arange 예제
e = np.arange(0, 10, 2)
print("np.arange:", e)

# np.linspace 예제
f = np.linspace(0, 1, 5)
print("np.linspace:", f)

# np.logspace 예제
g = np.logspace(0, 3, 4)
print("np.logspace:", g)

# np.eye 예제
h = np.eye(3)
print("np.eye:", h)

# np.random.rand 예제
i = np.random.rand(2, 2)
print("np.random.rand:", i)

이러한 NumPy 함수들을 사용하여 다양한 형태와 속성을 가진 배열을 쉽게 생성할 수 있습니다. 각 함수가 어떤 상황에 유용한지를 이해하면, 이부분 사용하는데 문제없을 듯 합니다.

2023년 9월 6일 수요일

NumPy Broadcasting


Broadcasting은 NumPy 라이브러리에서 다른 형태(shape)의 배열 간에도 산술 연산이 가능하게 해주는 기능입니다. 일반적으로, NumPy에서 배열 간 연산은 배열의 형태가 동일해야 하는데, Broadcasting은 이러한 제약을 완화해줍니다.

기본 규칙

Broadcasting은 다음과 같은 규칙을 따릅니다:

  1. 두 배열의 차원 수가 다르면, 더 작은 차원을 가진 배열의 형태(shape) 앞에 1을 추가합니다.
  2. 두 배열이 어떤 차원에서도 크기가 동일하거나, 한쪽이 1이라면 호환되는 것으로 간주됩니다.
  3. 어느 한 차원에서도 크기가 일치하지 않고 1도 아니라면 오류가 발생합니다.

이것 말은 어려운데 실제 동작하는것보면 쉽게 이해할 수 있습니다.

예제

예제 1: 벡터와 스칼라 덧셈

import numpy as np

a = np.array([1, 2, 3])
b = 2

result = a + b
# result: array([3, 4, 5])

예제 2: 2차원 배열과 1차원 배열 덧셈

A = np.array([[1, 2], [3, 4], [5, 6]])
B = np.array([1, 2])

result = A + B
# result: array([[2, 4], [4, 6], [6, 8]])

장점과 단점

장점

  • 간결성: 더 적은 메모리와 코드로 같은 연산을 수행할 수 있습니다.
  • 성능: Broadcasting을 이용한 연산은 내부적으로 최적화되어 있어 빠른 연산 속도를 제공합니다.

단점

  • 복잡성: Broadcasting 규칙을 이해하지 못하면 예상치 못한 결과를 얻을 수 있습니다.
  • 디버깅: 문제가 발생했을 때, 디버깅이 상대적으로 어렵습니다.

결론

NumPy의 Broadcasting 기능은 배열 연산을 더 간편하고 빠르게 해주지만, 사용에 앞서 해당 메커니즘을 잘 이해하는 것이 중요합니다. 잘 활용하면 다양한 수학적 문제와 데이터 분석 작업에서 큰 이점을 볼 수 있습니다.

2022년 12월 4일 일요일

Numpy Array Join (hstack , vstack)

이번에는 Array Join은 Array를 붙이는 방법을 설명합니다. NumPy에서는 스택 개념을 사용하여 이와 관련하여 여러 기능을 제공합니다. vstack과 hstack이 사용됩니다 아럐 예제를 보면 간단합니다. vstack은 위아래로 쌓습니다. hstack의 경우는 좌우로 확장을 해갑니다.

import numpy as np

A = np.ones((3, 3))
B = np.zeros((3, 3))
print (np.vstack((A,B)))
print (np.hstack((A,B)))
'''
# vstack
[[1. 1. 1.]
 [1. 1. 1.]
 [1. 1. 1.]
 [0. 0. 0.]
 [0. 0. 0.]
 [0. 0. 0.]]

# hstack
[[1. 1. 1. 0. 0. 0.]
 [1. 1. 1. 0. 0. 0.]
 [1. 1. 1. 0. 0. 0.]]
'''

여러 배열 사이에서 쌓기를 수행하는 두 가지 다른 함수는 column_stack() 및 row_stack()입니다. 이러한 기능은 이전의 두 기능과 다르게 작동합니다. 1차원 배열을 column으로 쌓을지 row방향으로 쌓을지를 정합니다.

import numpy as np

a = np.array([0, 1, 2])
b = np.array([3, 4, 5])
c = np.array([6, 7, 8])
print( np.column_stack((a, b, c)) )
print( np.row_stack((a, b, c)) )
'''
# column_stack
[[0 3 6]
 [1 4 7]
 [2 5 8]]

#row_stack
[[0 1 2]
 [3 4 5]
 [6 7 8]]
'''

이상으로 Numpy array join에 대해서 알아보았습니다. 


2022년 10월 12일 수요일

Numpy Slicing

 

슬라이싱을 사용하면 배열의 일부를 추출하여 새 배열을 생성할 수 있습니다. Python list를 사용하여 배열을 슬라이스 할 때 결과 배열은 copy이지만 NumPy에서 배열은 동일한 기본 버퍼의 참조입니다.

슬라이싱이 numpy와 python이 약간 차이가 있습니다. 기본 파이썬의 경우는 slice를 할 경우 copy를 합니다. 즉, copy된 부분을 고쳐도 원본이 변경되지 않습니다. 그러나 numpy slice는 참조로 배열을 가져옵니다. 그 얘기는 slice된것을 수정할 경우, 원본도 같이 수정이 됩니다.

a = [1,2,3,4,5] # python기본 리스트로 생성합니다. 
b = a[2:4] # deep copy

print(a) 
print(b)
# [1, 2, 3, 4, 5]
# [3, 4]

b[1] = 7
print(a)
print(b)

# [1, 2, 3, 4, 5]
# [3, 7]

아래는 numpy case입니다.

import numpy as np
A = np.arange(1,6)  # numpy method로 생성되어야합니다. 

B = A[2:4] # shallow copy 
print (A)
print (B)
# [1, 2, 3, 4, 5]
# [3, 4]

B[1] = 7
print (A)
print (B)
# [1, 2, 3, 7, 5]
# [3, 7]

또, numpy slice는 step을 지원합니다. 배열의 일부만 추출할 수 있습니다. 아래와 같이 a[1:5:2]와 같은식으로 지정하면, for문 비슷하게 1부터 5까지 step 2만큼씩해서 리스트를 생성합니다.

>>> a = np.arange(10, 16)
>>> a
array([10, 11, 12, 13, 14, 15])
>>> a[1:5]
array([11, 12, 13, 14])


>>> a[1:5:2]
array([11, 13])

이것에 대한 응용으로 아래와 같이도 사용할 수 있습니다.

>>> a[::2]
array([10, 12, 14])
>>> a[:5:2]
array([10, 12, 14])
>>> a[:5:]
array([10, 11, 12, 13, 14])

다음은 2차원 array관련입니다. 아래 구문은 0번 row만 취합니다.

>>> A = np.arange(10, 19).reshape((3, 3))
>>> A
array([[10, 11, 12],
 [13, 14, 15],
 [16, 17, 18]])
>>> A[0,:]
array([10, 11, 12])

아래와 같이 하면 첫번째 column만 취합니다.

>>> A[:,0]
array([10, 13, 16])

아래와 같이 할 경우 (3,3) matrix에서 (2,2) matrix를 취합니다.

>>> A[0:2, 0:2]
array([[10, 11],
 [13, 14]])

아래는 row를 0행, 2행만 선택적으로 취합니다. column은 0:2로 취하고요

>>> A[[0,2], 0:2]
array([[10, 11],
 [16, 17]])

위 방법들은 다 이해하기도 어렵고 이런 류의 식들은 사실 머리로 이해하기보다는, 자주 쓰면서 손에 익는 류라고 보면 될 거 같습니다. 이 NumPy가 비슷하면서도 기존 파이썬과의 차이점들이 존재하니 이런 부분들을 이해하고 차이를 구분해서 쓰는게 중요해 보이네요

2022년 9월 28일 수요일

Numpy Indexing 인덱싱

 

Indexing

배열 인덱싱은 항상 대괄호([ ])를 사용하여 배열의 요소를 인덱싱하므로 값 추출, 항목 선택 또는 새 값 할당과 같은 다양한 용도로 요소를 개별적으로 참조할 수 있습니다. 새 배열을 생성하면 적절한 스케일 인덱스도 자동으로 생성됩니다.

4번째 element를 선택하는 예제입니다. 여기는 파이썬이랑 별반 다를 게 없죠.

>>> a = np.arange(10, 16)
>>> a
array([10, 11, 12, 13, 14, 15])
>>> a[4]
14

negative indexing입니다 이부분도 파이썬과 비슷합니다.

>>> a[–1]
15
>>> a[–6]
10

멀티로 indexing을 선택합니다. 이 부분은 표준 파이썬과 좀 다릅니다. 복수로 선택이 됩니다.

>>> a[[1, 3, 4]]
array([11, 13, 14])

2차원의 경우, 즉 행렬로 이동하면 행과 열로 구성된 직사각형 배열로 표시되며 두 축으로 정의됩니다. 여기서 축 0은 행으로 표시되고 축 1은 열로 표시됩니다. 따라서 이 경우의 인덱싱은 한 쌍의 값으로 표시됩니다. 첫 번째 값은 행의 인덱스이고 두 번째 값은 열의 인덱스입니다. 따라서 행렬의 값에 액세스하거나 요소를 선택하려는 경우 여전히 대괄호를 사용하지만 이번에는 두 개의 값[행 색인, 열 색인]이 있습니다(그림 3-4 참조).

>>> A = np.arange(10, 19).reshape((3, 3))
>>> A
array([[10, 11, 12],
 [13, 14, 15],
 [16, 17, 18]])

[1, 2]로 지정하면, row , column 순으로 지정 가능합니다. 이 방법은 numpy만 동작합니다. python은 아래와 같이 A[1][2]만 동작을 합니다

>>> A[1, 2]
15
>>> A[1][2]
15
이상으로 Numpy Indexing에 대해서  확인해보았습니다. indexing자체는 파이썬 list를 가지고 handling하는 것과 비슷해 보이지만, numpy 와 python이 조작이 미세하지만 약간은 다른 것들이 있으니 이 차이를 알아 두면 요긴 할 때가 있습니다.






2022년 9월 15일 목요일

Numpy Array 생성 (zeros, ones)

 

Numpy Array 생성 (zeros,ones,…)

NumPy 라이브러리는 함수에 따라 다른 값으로 생성된 초기 콘텐츠로 ndarray를 생성하는 함수들을 제공합니다. Numpy를 사용하다보면 이러한 기능이 매우 유용하다는 느낄수 있습니다. 단지, 한 줄의 코드로 많은 양의 데이터를 생성할 수 있습니다.

zeros, ones

예를 들어 zeros() 함수는 모양 인수로 정의된 차원을 가진 0의 전체 배열을 만들고, 2차원 배열 3x3을 생성하려면, 아래과 같이 사용합니다.

>>> np.zeros((3, 3))
array([[ 0., 0., 0.],
 [ 0., 0., 0.],
 [ 0., 0., 0.]])

비슷하게 ones() function은 유사하게 전부 1로 채워진 배열을 생성합니다

>>> np.ones((3, 3))
array([[ 1., 1., 1.],
 [ 1., 1., 1.],
 [ 1., 1., 1.]])

기본적으로 두 함수는 float64 datatype으로 배열을 생성합니다.

arange

여기에 유용한 기능은 arange()입니다. 함수형태도 기본함수인 range와 비슷하게 생겼습니다 이 함수는 전달된 파라미터에 따라 특정 규칙에 응답하는 숫자 시퀀스로 NumPy 배열을 생성합니다. 예를 들어, 0과 10 사이의 값 시퀀스를 생성하려는 경우 함수에 하나의 인수만 전달됩니다.

>>> np.arange(0, 10)
array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])

>>> np.arange(4, 10) # 4부터 10까지 생성
array([4, 5, 6, 7, 8, 9])

>>> np.arange(0, 12, 3) # 0부터 12까지 step 3으로 생성
array([0, 3, 6, 9])

>>> np.arange(0, 6, 0.6) # 0 부터 6까지 step 0.6 (float)으로 생성
array([ 0. , 0.6, 1.2, 1.8, 2.4, 3. , 3.6, 4.2, 4.8, 5.4])

지금까지 1차원 배열만 만들었습니다. 2차원 배열을 생성하려면 arange() 함수를 계속 사용할 수 있지만 reshape() 함수와 결합됩니다. 이 함수는 모양 인수로 지정된 방식으로 선형 배열을 여러 부분으로 나눕니다.

>>> np.arange(0, 12).reshape(3, 4)  # (row, colum)
array([[ 0, 1, 2, 3],
 [ 4, 5, 6, 7],
 [ 8, 9, 10, 11]])

linespace

range()와 매우 유사한 또 다른 함수는 linspace()입니다. 이 함수는 여전히 첫 번째 두 인수로 시퀀스의 초기 값과 끝 값을 취하지만 세 번째 인수는 한 요소와 다음 요소 사이의 거리를 지정하는 대신 간격을 분할하려는 요소의 수를 정의합니다.

>>> np.linspace(0,10,5) # 0 부터 10까지 5개 포인트를 생성
array([ 0. , 2.5, 5. , 7.5, 10. ])

random

마지막으로, 이미 값을 포함하는 배열을 얻는 또 다른 방법은 배열을 random값으로 생성하는 것입니다. 이것은 numpy.random 모듈의 random() 함수를 사용하여 가능합니다. 이 함수는 인수에 지정된 대로 많은 요소가 있는 배열을 생성합니다. 이 값들은 실행 때마다 다르게 나옵니다. . N-차원 배열을 만들려면 배열의 크기를 인자로 전달하면 됩니다.

>>> np.random.random(3)
array([ 0.78610272, 0.90630642, 0.80007102])

>>> np.random.random((3,3))  # 3x3 으로 random값 생성
array([[ 0.07878569, 0.7176506 , 0.05662501],
 [ 0.82919021, 0.80349121, 0.30254079],
 [ 0.93347404, 0.65868278, 0.37379618]])