numpy 배열 중요 특징 및 Indexing

 

 

 

 

numpy 특징¶

• Numerical Python의 약자
• 고성능 과학 계산용 패키지로 강력한 N차원 배열 객체
• 범용적 데이터 처리에 사용 가능한 다차원 컨테이너
• 정교한 브로드캐스팅(broadcasting) 기능
• 파이썬의 자료형 list와 비슷하지만, 더 빠르고 메모리를 효율적으로 관리
• 반복문 없이 데이터 배열에 대한 처리를 지원하여 빠르고 편리
• 데이터 과학 도구에 대한 생태계의 핵심을 이루고 있음

 

 

배열의 특징¶

• 배열은 같은 종류의 데이터만 담을 수 있다.
• 내부 연산은 C 언어로 작성됨.

 

 

1. Fancy Indexing : 배열 인덱스에 다른 배열을 전달해서 원하는 요소를 선택하는 방법

 

In [1]:

import numpy as np

a = np.arange(5)
a

 

Out[1]:

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

 

In [3]:

print(a[[1,3]])
print(a[[True, False, True, False, True]])

 

 

[1 3]
[0 2 4]

 

In [5]:

a = np.arange(10)
print(a)
b = a > 5
print(b)
print(a[b])

 

 

[0 1 2 3 4 5 6 7 8 9]
[False False False False False False  True  True  True  True]
[6 7 8 9]

 

In [6]:

a[a>5] = 1
print(a)

 

 

[0 1 2 3 4 5 1 1 1 1]

 

In [10]:

b = np.arange(12).reshape(3,4)
print(b)
print('b[[0,2]]>>>>\n',b[[0,2]])
print('b[[0,2],[2,3]]>>>>',b[[0,2],[2,3]])

 

 

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
b[[0,2]]>>>>
 [[ 0  1  2  3]
 [ 8  9 10 11]]
b[[0,2],[2,3]]>>>> [ 2 11]

 

In [11]:

b = np.arange(48).reshape(3,4,4)
print(b)

 

 

[[[ 0  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]
  [28 29 30 31]]

 [[32 33 34 35]
  [36 37 38 39]
  [40 41 42 43]
  [44 45 46 47]]]

 

In [17]:

b[[1,2],1:3,:][:,1,[2,3]]

 

Out[17]:

array([[20, 21, 22, 23],
       [44, 45, 46, 47]])

 

 

2. 배열 Indexing and Slicing

 

In [19]:

a = np.arange(12).reshape(3,4)
print(a)
print(a[:2,:])
print(a[:,:3])

 

 

[[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]
[[0 1 2 3]
 [4 5 6 7]]
[[ 0  1  2]
 [ 4  5  6]
 [ 8  9 10]]

 

In [20]:

# 증가치를 적용하여 요소 가져오기 
b = np.arange(12)
print(b)
print(b[::2])
# 역순으로 가져오기
print(b[::-1])
# 역순으로 -2 증가하면서 가져오기
print(b[::-2])

 

 

[ 0  1  2  3  4  5  6  7  8  9 10 11]
[ 0  2  4  6  8 10]
[11 10  9  8  7  6  5  4  3  2  1  0]
[11  9  7  5  3  1]

 

In [22]:

# 모든 차원에 ... , :: 
c = np.arange(24).reshape(4,3,2)
print(c)
print(c[2,...])         # c[2,::] , c[2,:], c[2,:,:]

 

 

[[[ 0  1]
  [ 2  3]
  [ 4  5]]

 [[ 6  7]
  [ 8  9]
  [10 11]]

 [[12 13]
  [14 15]
  [16 17]]

 [[18 19]
  [20 21]
  [22 23]]]
[[12 13]
 [14 15]
 [16 17]]

 

 

3.Broadcasting 연산

• 연산 제약 조건
  • 배열과 스칼라 연산인 경우
  • 배열 간 연산일 경우에는 shape 동일하거나 둘 중 하나가 1차원이면서 1차원 배열의 축의 길이가 같아야 함.
• numpy document
  General Broadcasting Rules When operating on two arrays, NumPy compares their shapes element-wise.
  It starts with the trailing (i.e. rightmost) dimension and works its way left. Two dimensions are compatible when

1. they are equal, or
2. one of them is 1.

• A (2d array): 5 x 4
• B (1d array): 1
• Result (2d array): 5 x 4
• A (2d array): 5 x 4
• B (1d array): 4
• Result (2d array): 5 x 4
• A (3d array): 15 x 3 x 5
• B (3d array): 15 x 1 x 5
• Result (3d array): 15 x 3 x 5
• A (3d array): 15 x 3 x 5
• B (2d array): 3 x 5
• Result (3d array): 15 x 3 x 5
• A (3d array): 15 x 3 x 5
• B (2d array): 3 x 1
• Result (3d array): 15 x 3 x 5 </p>

 

In [25]:

# scalar
a = np.arange(9).reshape(3,3)
a+2

 

Out[25]:

array([[ 2,  3,  4],
       [ 5,  6,  7],
       [ 8,  9, 10]])

 

In [28]:

#element-wise
a = np.arange(4).reshape(2,2)
b = np.arange(4,8).reshape(2,2)
a*b

 

Out[28]:

array([[ 0,  5],
       [12, 21]])

 

In [37]:

# 1 차원 포함
a = np.ones((2,3), dtype=np.int32)
print(a)
b = np.ones((1,2), dtype=np.int32)
print(b)
#a+b >>> error

b = np.ones((1,3), dtype=np.int32)
print(a+b)
b = np.ones((2,1), dtype=np.int32)
print(a+b)

 

 

[[1 1 1]
 [1 1 1]]
[[1 1]]
[[2 2 2]
 [2 2 2]]
[[2 2 2]
 [2 2 2]]

 

In [ ]: