Numpy에 대한 이해

Numpy의 자료형

• ndArray

1. ndArray

1-1. ndArray 란?

본 장에서는 numpy의 주요 자료형인 ndArray 의 특성을 파이썬의 기초 자료형인 리스트와 비교함으로써 이해해보도록 하겠습니다. 더 나아가, ndArray 를 생성하는 두 가지 방법을 자세히 학습하겠습니다.

1-2. ndArray의 연산

ndArray는 수학에서의 벡터와 매칭되는 자료형입니다. 본 장에서는 이러한 특성을 가진 ndArray의 산술 연산과 비교 연산을 중심으로 학습하겠습니다. 구체적으로 요소 기반의 연산을 가능하게 하는 유니버셜 함수, 유니버설 함수를 효율화하는 브로드 캐스팅, 그리고 특정 조건을 만족하는 요소만 가져오기 위한 비교 연산에 대해 학습하겠습니다.

1-3. ndArray 인덱싱과 슬라이싱

리스트와 비교하였을 때, ndArray는 다양한 종류의 인덱싱과 슬라이싱 방법을 지원합니다. 본 장에서는 기초 인덱싱, 슬라이싱, 팬시 인덱싱, 결합 인덱싱 등 다양한 인덱싱과 슬라이싱방법을 학습하겠습니다. 또한 sort함수를 사용하여 데이터를 효과적으로 정렬하는 방법에 대해 학습하겠습니다.

• 인덱싱
  • 기초 인덱싱
  • 팬시 인덱싱
  • 결합 인덱싱
• 슬라이싱
  • 슬라이싱
• 정렬
  • sort

2. List 와 ndArray

ndArray 는 numpy에서 사용하는 배열 자료형으로 파이썬의 배열 자료형인 리스트와 매우 유사합니다.

그러나 유연성과 효율성 측면에서 두 자료형은 크게 차이가 납니다.

ndArray는 서로 다른 타입의 요소를 담을 수 없다는 점에서 리스트보다 유연하지 못하지만,

배열간 산술 연산이 가능하고 C로 구현되었기에 리스트보다 훨씬 효율적입니다.

3. ndArray의 생성 (1/2)

리스트로부터의 생성

numpy의 array라는 함수를 사용하여 리스트를 ndArray로 형변환하는 방식으로 ndArray를 생성할 수 있습니다.

import numpy as np

A = np.array([1, 4, 2, 5, 3])
B = np.array([3.14, 4, 2, 3])

ndArray는 같은 타입의 자료형만 요소를 받기에, 어떠한 자료형으로 구성되었는지를 .dtype 을 사용하여 확인할 수 있습니다.

A.dtype # int32
B.dtype # float64

대표적인 타입으로는 bool, int8, int16, int32, int64, float16, float32, float64, object등이 있습니다.

숫자가 클수록 상위 자료형입니다. 만약, ndArray 를 만들기 위해 사용된 리스트에 다른 타입의 자료형이 포함되어 있다면 상위 자료형으로 통일됩니다.

array 함수를 사용했을 때 dtype키워드를 사용하면 ndArray의 데이터 타입을 정의할 수 있습니다.

import numpy as np

A = np.array([1, 4, 2, 5, 3], dtype = 'float32')
B = np.array([3,14, 4, 2, 3], dtype = 'int16')

3.1 실습

숫자 1, 2, 5, 0, 3, 0 이 순서대로 들어있는 리스트를 array함수를 이용하여 ndArray로 변환하고 자료형을 지정한 후 출력해 보겠습니다.

아래의 코드를 실행하여 ndArray를 생성할 때 float32 와 bool 자료형으로 지정한 후, ndArray가 각 각 어떻게 생성되었는 지 확인해 봅시다.

import numpy as np

A = [1, 2, 5, 0, 3, 0]

print(np.array(A)) # [1 2 5 0 3 0]
print(np.array(A, dtype = 'float32')) # [1. 2. 5. 0. 3. 0.]
print(np.array(A, dtype = 'bool')) # [ True True True False True False]

4. ndArray의 생성(2/2)

함수를 이용한 생성

• numpy에서 다양한 구조의 배열을 생성할 수 있는 함수가 있습니다.

• np.zeros(크기) / np.ones(크기) : 0혹은 1로만 구성된 ndArray를 생성하는 함수 입니다.

import numpy as np

np.zeros((3, 2)) # array( [ [0, 0], [0, 0], [0, 0] ] )
np.ones((1)) # array([1])

• np.arange(시작 숫자, 끝 숫자, 증가폭) : 시작 숫자부터 증가 폭만큼 더 해 가면서 끝 숫자까지 채운 ndArray를 생성합니다.

import numpy as np

np.arange(1, 10, 2) # array([1, 3, 5, 7, 9])

• np.linspace(시작 숫자, 끝 숫자, 개수) : 시작 숫자부터 끝 숫자까지 일정한 간격을 가진 개수개의 값으로 채워진 ndArray를 생성합니다.

import numpy as np

np.linspace(1, 10, 5) # [1., 3.25, 5.5, 7.75, 10.]

• np.random.random(크기) : 0과 1사이의 난수를 요소로 갖는 ndArray를 생성합니다.

import numpy as np

np.random.random((2, 2))
## array([[0.28153419, 0.74320413], [0.70067815, 0.2822612]])

5. 정리

ndArray 생성

• 리스트로부터 생성

  • import numpy as np
        
    A = [1, 2, 5, 0, 3, 0]
        
    print(np.array(A)) # [1 2 5 0 3 0]
    print(np.array(A, dtype = 'float32')) # [1. 2. 5. 0. 3. 0.]
    print(np.array(A, dtype = 'bool')) # [ True True True False True False]
    

• 함수로부터의 생성

  • zeors, ones, arange, linspace, random.random

  • import numpy as np
        
    np.zeros((3, 2)) # array( [ [0, 0], [0, 0], [0, 0] ] )
    np.ones((1)) # array([1])
        
    ######################################################
    import numpy as np
        
    np.arange(1, 10, 2) # array([1, 3, 5, 7, 9])
        
    ######################################################
    import numpy as np
        
    np.linspace(1, 10, 5) # [1., 3.25, 5.5, 7.75, 10.]
        
    ######################################################
    import numpy as np
        
    np.random.random((2, 2))
    # array([[0.28153419, 0.74320413], [0.70067815, 0.2822612]])