안경잡이개발자

728x90
반응형

  파이썬(Python)의 넘파이(Numpy) 라이브러리에서는 다양한 기본 연산을 지원합니다. 기본적인 사칙연산을 지원하는데, 이러한 연산들은 배열 안에 포함되어 있는 원소에 대한 연산입니다. 예를 들어 배열의 모든 원소의 값에 10을 더하는 등의 작업을 수행할 수 있습니다. 저는 1부터 9까지의 숫자를 랜덤하게 3개만큼 생성하여 각 원소에 10씩 더하도록 프로그래밍을 해보았습니다.


import numpy as np array = np.random.randint(1, 10, size=3) result_array = array + 10 print(result_array[0], result_array[1], result_array[2])


  당연히 곱셈 또한 가능합니다.


import numpy as np array = np.random.randint(1, 10, size=3) result_array = array * 10 print(result_array[0], result_array[1], result_array[2])


  또한 이러한 Numpy의 연산은 Numpy 배열의 형태와 관계 없이 사용할 수 있습니다.


import numpy as np

array = np.random.randint(1, 10, size=4).reshape(2, 2)

result_array = array * 10

print(result_array[0][0], result_array[1][0], result_array[1][1])


※ 서로 다른 형태의 Numpy 연산 ※


  서로 다른 형태를 가진 Numpy 배열 끼리도 연산할 수 있습니다. 이 때는 기본적으로 행우선으로 연산이 이루어집니다.


import numpy as np

array1 = np.arange(4).reshape(2, 2)
array2 = np.arange(2)
array3 = array1 + array2

print(array3[0][0], array3[0][1], array3[1][0], array3[1][1])

  

  서로 다른 형태(Shape이 다를 때)의 Numpy를 연산할 때에는 브로드캐스트(Broadcast)가 적용됩니다. 다시 말해 브로드캐스트란 서로 모양이 다른 배열을 연산할 수 있도록 배열의 형태를 동적으로 변환하는 기법입니다.


  예를 들어


1 2 3

4 5 6

7 8 9



1 2 3을 더하면,


2 4 6

5 7 9

8 10 12


가 됩니다.


array1 = np.arange(1, 10)
array1 = array1.reshape(3, 3)

array2 = np.arange(1, 4)

print(array1 + array2)


  # 브로드캐스트는 최소한 하나의 배열의 차원의 크기가 1일 때 가능합니다.

  # 브로드캐스트는 차원에 대해서 축의 길이가 같을 때 사용이 가능합니다.


  그러므로 1 X 4인 배열과 4 X 1인 배열끼리도 덧셈이 가능한 것입니다. 이 때 자동으로 브로드캐스트가 적용되어 1 X 4는 4 X 4로 확장 되고, 4 X 1 또한 4 X 4로 확장 되어 연산이 이루어진다고 볼 수 있습니다.


import numpy as np

array1 = np.arange(4).reshape(4, 1)
array2 = np.arange(4)
array3 = array1 + array2

print(array3[0][0], array3[0][1], array3[0][2], array3[0][3])
print(array3[1][0], array3[1][1], array3[1][2], array3[1][3])
print(array3[2][0], array3[2][1], array3[2][2], array3[2][3])
print(array3[3][0], array3[3][1], array3[3][2], array3[3][3])


  또한 Numpy는 마스킹 연산도 수행이 가능합니다. 이는 각 원소가 특정한 조건을 만족하는지에 대한 결과가 배열 형태로 반환이 이루어집니다.


import numpy as np

# Numpy 원소의 값을 조건에 따라 바꿀 때는 다음과 같이 합니다.
# 반복문을 이용할 때보다 매우 빠르게 동작합니다.
# 대체로 이미지 처리(Image Processing)에서 자주 활용됩니다.
array1 = np.arange(16).reshape(4, 4)
print(array1)

array2 = array1 < 10
print(array2)

array1[array2] = 100
print(array1)


※ Numpy의 연산 함수 ※


  Numpy는 다양한 기본 함수들을 제공합니다.


import numpy as np

array = np.arange(16).reshape(4, 4)

print("최대값:", np.max(array))
print("최소값:", np.min(array))
print("합계:", np.sum(array))
print("평균값:", np.mean(array))


  가로 축에 대한 집계도 가능합니다.


import numpy as np

array = np.arange(16).reshape(4, 4)

print("합계:", np.sum(array, axis=0))



728x90
반응형

Comment +0

728x90
반응형

  파이썬(Python)에서는 Numpy라는 데이터 분석 전용 라이브러리가 많이 사용됩니다. Numpy는 다차원 배열을 효과적으로 처리할 수 있도록 해주는 다양한 기능을 제공하고 있습니다. 일반적으로 현실 세계에서 다양한 데이터배열 형태의 데이터로 표현할 수 있습니다. 720 X 480 크기의 이미지가 있다고 하면, 이를 720 X 480 배열로 나타낼 수도 있습니다.


  흔히 대부분의 문제는 행렬을 이용해 해결할 수 있다고 말합니다. Numpy는 그러한 행렬을 매우 효과적으로 처리할 수 있도록 도와준다는 특징이 있습니다. 더불어 Numpy는 List와 다르게, 하나의 자료형이 데이터로 들어간다는 특징이 있습니다.


  물론 다차원 배열은 파이썬의 리스트(List) 자료형을 이용해도 어렵지 않게 만들 수 있습니다. 하지만 Numpy를 사용하면 보다 효율적으로 다차원 배열을 사용할 수 있으며, 메모리의 효율성도 리스트보다 앞서게 됩니다. Numpy는 일반적으로 리스트를 입력으로 받아서, Numpy 객체로 처리하여 사용할 수 있도록 해줍니다. 기본적인 Numpy 객체의 사용 방법은 다음과 같습니다.


※ 파이참에서 Numpy 사용하기 ※


  파이참에서 Numpy를 사용하려면 이를 프로젝트 설정에서 등록해주시면 됩니다.



  이후에 인터프리터 설정에서 추가(+) 버튼을 눌러서 라이브러리를 추가해주시면 됩니다.



  Numpy를 검색해서 설치를 진행합니다.



  결과적으로 Numpy를 사용할 수 있게 되었습니다.



※ Numpy 사용해보기 ※


  Numpy 라이브러리는 리스트를 입력으로 받아서 Numpy 객체를 만들 수 있도록 해줍니다.


import numpy as np array = np.array([1, 2, 3]) print(array.size) # 배열의 크기 print(array.dtype) # 배열 원소의 타입 print(array[2]) # 인덱스 2의 원소


※ Numpy로 배열 만들기 ※


  Numpy에서 배열을 순식간에 생성하기 위해서는 arange() 함수를 사용할 수 있습니다. arange() 함수를 이용하면 0부터 특정 인덱스까지의 배열을 생성할 수 있습니다.


import numpy as np

array1 = np.arange(4)
print(array1[3])


※ Numpy 배열 합치기 ※


  concatenate() 함수를 이용하면 여러 배열을 하나로 합칠 수 있습니다.


import numpy as np

array1 = np.array([1, 2, 3])
array2 = np.array([4, 5, 6])
array3 = np.concatenate([array1, array2])

print(array3.shape)


※ Numpy 다양한 형태의 배열 만들기 ※


import numpy as np

array1 = np.zeros((4, 4), dtype=float)
array2 = np.ones((3, 3), dtype=str)
array3 = np.random.randint(0, 10, (3, 3))
# 평균이 0이고 표준편차가 1인 표준 정규를 띄는 값
array4 = np.random.normal(0, 1, (3, 3))
print(array1)
print(array2)
print(array3)
print(array4)


※ Numpy 배열의 형태 바꾸기 ※


  reshape() 함수를 이용하면, 기존 배열의 형태를 바꿀 수 있습니다. 예를 들어서 1차원 배열을 2차원 배열로 바꿀 수 있습니다.


import numpy as np

array1 = np.array([1, 2, 3, 4])
array2 = array1.reshape((2, 2))

print(array2.shape)


※ Numpy 배열을 세로 축으로 합치기 ※


  Numpy 배열은 세로 축으로 합칠 수도 있습니다. 기본적으로 축 값(Axis)이 0이라면 세로 축이고, 1이라면 가로 축입니다.


import numpy as np

array1 = np.arange(4).reshape(1, 4)
array2 = np.arange(8).reshape(2, 4)

array3 = np.concatenate([array1, array2], axis=0)
print(array3.shape)


※ Numpy 배열을 나누기 ※


  Numpy 배열을 나눌 때에는 split() 함수를 사용하며 이는 concatenate() 함수와 흡사하게 동작합니다. 2 X 4 배열을 왼쪽과 오른쪽으로 이등분하는 소스코드는 다음과 같습니다.


import numpy as np

array = np.arange(8).reshape(2, 4)
left, right = np.split(array, [2], axis=1)
print(left.shape)
print(right.shape)
print(right[1][1])


728x90
반응형

Comment +0