numpy 정리(1)

numpy 연습¶

1. dimension, type¶

• 부호가 있는 정수(i) : int(8, 16, 32, 64)
• 부호가 없는 정수(u) : unit(8, 16, 32, 64)
• 실수(f) : float(16, 32, 64, 128)
• 복소수(c) : complex(64, 128, 256)
• 불리언(b) : bool
• 문자열(S) : string
• 오브젝트(O) : object
• 유니코드(U) : unicode ### 2. sahpe, dtype, astype
• sahpe : 차원 확인
• dtype : 자료 형태 확인
• astype : 자료 형태 변환 ### 3. isinf, isnan

4. np.sign, np.ceil, np.floor¶

• sign : 양수는 1 음수는 -1 0은 0을 반환
• ceil : 올림
• floor : 버림 ### 5. np.multply(arr1,arr2), np.maximum(arr1,arr2)
• multply : 원소곱
• maximum : 원소 최대값 ### 6. min, mean, sum, std, argmin, argamx, cumsum, cumprod
• axis 옵션을 통해 행, 열, 전체에 적용 가능 ### 7. np.hstack(arr1(n,m1),arr2(n,m2)), np.vstack(arr1(n1,m),arr2(n2,m)) ### np.dstack(arr1(n,m),arr2(n,m)), np.stack(arr1(n,m),arr2(n,m))
• hstack : 행 병합 arr(n,m1+m2)
• vstack : 열 병합 arr(n1+n2,m)
• dstack : 원소 병합 arr(n,m,2)
• stack : axis=0(arr(2,n,m)), axis=1(arr(n,2,m)), axis=2(arr(n,m,2))

In [46]:

import numpy as np

In [47]:

data1 = [1,2,3,4,5]
data2 = [1,2,3,3.5,4]

In [48]:

arr1 = np.array(data1)
arr2 = np.array([1,2,3,4,5])
arr3 = np.array(data2)
arr4 = np.array([[1,2,3],[4,5,6],[7,8,9],[10,11,12]])

shape를 통해 차원을 확인 가능¶

In [49]:

arr1.shape

Out[49]:

(5,)

dtype을 통해 자료 형태 확인 가능

In [50]:

arr2.dtype

Out[50]:

dtype('int64')

In [51]:

arr2 = np.array([1,2,3,4,5],dtype='b')
arr2

Out[51]:

array([1, 2, 3, 4, 5], dtype=int8)

astype을 통해 자료 형태 변환 가능¶

In [52]:

arr2.astype('f')

Out[52]:

array([1., 2., 3., 4., 5.], dtype=float32)

inf과 nan 이 존재¶

• np.isinf(), np.isnan()으로 불리언화 할 수 있음

In [60]:

np.array([1])/np.array([0])

/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: divide by zero encountered in true_divide
  """Entry point for launching an IPython kernel.
/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: invalid value encountered in true_divide
  """Entry point for launching an IPython kernel.

Out[60]:

array([  0.,  inf, -inf,  nan])

In [61]:

np.log(0)

/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: divide by zero encountered in log
  """Entry point for launching an IPython kernel.

Out[61]:

-inf

In [62]:

np.array([0])/np.array([0])

/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:1: RuntimeWarning: invalid value encountered in true_divide
  """Entry point for launching an IPython kernel.

Out[62]:

array([nan])

• np.sign : 양수는 1 음수는 -1 0은 0 을 반환
• np.ceil : 올림
• np.floor : 버림

In [69]:

np.sign(arr1)

Out[69]:

array([1, 1, 1, 1, 1])

두 개의 array에 대해 동일한 위치의 성분끼리 연산 값을 계산하기(add, subtract, multiply, divide)¶

In [72]:

arr1

Out[72]:

array([1, 2, 3, 4, 5])

In [82]:

np.random.seed(1)
arr1=np.ceil(np.random.randn(5,3)*10)
print(arr1)
np.random.seed(2)
arr2=np.ceil(np.random.randn(5,3)*10)
print(arr2)

[[ 17.  -6.  -5.]
 [-10.   9. -23.]
 [ 18.  -7.   4.]
 [ -2.  15. -20.]
 [ -3.  -3.  12.]]
[[ -4.  -0. -21.]
 [ 17. -17.  -8.]
 [  6. -12. -10.]
 [ -9.   6.  23.]
 [  1. -11.   6.]]

In [90]:

np.abs(arr1)
np.sqrt(arr1)
np.square(arr1)
np.exp(arr1)
np.log(arr1)

/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:2: RuntimeWarning: invalid value encountered in sqrt
  
/root/anaconda3/envs/jupyter/lib/python3.6/site-packages/ipykernel_launcher.py:5: RuntimeWarning: invalid value encountered in log
  """

Out[90]:

array([[2.83321334,        nan,        nan],
       [       nan, 2.19722458,        nan],
       [2.89037176,        nan, 1.38629436],
       [       nan, 2.7080502 ,        nan],
       [       nan,        nan, 2.48490665]])

In [93]:

print(arr1)
print(arr2)

[[ 17.  -6.  -5.]
 [-10.   9. -23.]
 [ 18.  -7.   4.]
 [ -2.  15. -20.]
 [ -3.  -3.  12.]]
[[ -4.  -0. -21.]
 [ 17. -17.  -8.]
 [  6. -12. -10.]
 [ -9.   6.  23.]
 [  1. -11.   6.]]

In [91]:

np.multiply(arr1,arr2)

Out[91]:

array([[ -68.,    0.,  105.],
       [-170., -153.,  184.],
       [ 108.,   84.,  -40.],
       [  18.,   90., -460.],
       [  -3.,   33.,   72.]])

In [94]:

np.maximum(arr1,arr2)

Out[94]:

array([[17., -0., -5.],
       [17.,  9., -8.],
       [18., -7.,  4.],
       [-2., 15., 23.],
       [ 1., -3., 12.]])

min, mean, sum, std, argmin, argamx, cumsum,cumprod

In [106]:

arr1

Out[106]:

array([[ 17.,  -6.,  -5.],
       [-10.,   9., -23.],
       [ 18.,  -7.,   4.],
       [ -2.,  15., -20.],
       [ -3.,  -3.,  12.]])

In [107]:

np.min(arr1,axis=0)

Out[107]:

array([-10.,  -7., -23.])

In [108]:

np.mean(arr1, axis=0)

Out[108]:

array([ 4. ,  1.6, -6.4])

In [109]:

np.mean(arr1)

Out[109]:

-0.26666666666666666

In [110]:

np.argmin(arr1,axis=0)

Out[110]:

array([1, 2, 1])

In [111]:

np.argmin(arr1,axis=1)

Out[111]:

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

In [116]:

np.cumprod(arr1,axis=0)

Out[116]:

array([[ 1.700e+01, -6.000e+00, -5.000e+00],
       [-1.700e+02, -5.400e+01,  1.150e+02],
       [-3.060e+03,  3.780e+02,  4.600e+02],
       [ 6.120e+03,  5.670e+03, -9.200e+03],
       [-1.836e+04, -1.701e+04, -1.104e+05]])

In [118]:

arr1

Out[118]:

array([[ 17.,  -6.,  -5.],
       [-10.,   9., -23.],
       [ 18.,  -7.,   4.],
       [ -2.,  15., -20.],
       [ -3.,  -3.,  12.]])

In [117]:

np.sort(arr1,axis=0)

Out[117]:

array([[-10.,  -7., -23.],
       [ -3.,  -6., -20.],
       [ -2.,  -3.,  -5.],
       [ 17.,   9.,   4.],
       [ 18.,  15.,  12.]])

In [119]:

np.sort(arr1,axis=0)[::-1]

Out[119]:

array([[ 18.,  15.,  12.],
       [ 17.,   9.,   4.],
       [ -2.,  -3.,  -5.],
       [ -3.,  -6., -20.],
       [-10.,  -7., -23.]])

In [120]:

a = np.arange(12)

In [121]:

a

Out[121]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

In [123]:

b = a.reshape(3, 4)
b

Out[123]:

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [184]:

a.reshape(6, -1)

Out[184]:

array([[ 0,  1],
       [ 2,  3],
       [ 4,  5],
       [ 6,  7],
       [ 8,  9],
       [10, 11]])

In [133]:

a.reshape(2, -1, 3)

Out[133]:

array([[[ 0,  1,  2],
        [ 3,  4,  5]],

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

In [136]:

a.reshape(2,-1,3).flatten()

Out[136]:

array([ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11])

In [141]:

a.reshape(12,1)

Out[141]:

array([[ 0],
       [ 1],
       [ 2],
       [ 3],
       [ 4],
       [ 5],
       [ 6],
       [ 7],
       [ 8],
       [ 9],
       [10],
       [11]])

In [144]:

a[np.newaxis]

Out[144]:

array([[ 0,  1,  2,  3,  4,  5,  6,  7,  8,  9, 10, 11]])

In [147]:

a[:,np.newaxis]

Out[147]:

array([[ 0],
       [ 1],
       [ 2],
       [ 3],
       [ 4],
       [ 5],
       [ 6],
       [ 7],
       [ 8],
       [ 9],
       [10],
       [11]])

In [152]:

a.reshape(3,-1)

Out[152]:

array([[ 0,  1,  2,  3],
       [ 4,  5,  6,  7],
       [ 8,  9, 10, 11]])

In [159]:

np.array(range(9)).reshape(3,-1)

Out[159]:

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

In [163]:

b=np.hstack((a.reshape(3,-1),np.array(range(9)).reshape(3,-1)))
b

Out[163]:

array([[ 0,  1,  2,  3,  0,  1,  2],
       [ 4,  5,  6,  7,  3,  4,  5],
       [ 8,  9, 10, 11,  6,  7,  8]])

In [164]:

b.shape

Out[164]:

(3, 7)

In [167]:

a.reshape(4,-1)

Out[167]:

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11]])

In [168]:

np.array(range(9)).reshape(3,-1)

Out[168]:

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

In [169]:

np.vstack((a.reshape(4,-1),np.array(range(9)).reshape(3,-1)))

Out[169]:

array([[ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8],
       [ 9, 10, 11],
       [ 0,  1,  2],
       [ 3,  4,  5],
       [ 6,  7,  8]])

In [170]:

arr1

Out[170]:

array([[ 17.,  -6.,  -5.],
       [-10.,   9., -23.],
       [ 18.,  -7.,   4.],
       [ -2.,  15., -20.],
       [ -3.,  -3.,  12.]])

In [171]:

arr2

Out[171]:

array([[ -4.,  -0., -21.],
       [ 17., -17.,  -8.],
       [  6., -12., -10.],
       [ -9.,   6.,  23.],
       [  1., -11.,   6.]])

In [173]:

np.dstack((arr1,arr2))

Out[173]:

array([[[ 17.,  -4.],
        [ -6.,  -0.],
        [ -5., -21.]],

       [[-10.,  17.],
        [  9., -17.],
        [-23.,  -8.]],

       [[ 18.,   6.],
        [ -7., -12.],
        [  4., -10.]],

       [[ -2.,  -9.],
        [ 15.,   6.],
        [-20.,  23.]],

       [[ -3.,   1.],
        [ -3., -11.],
        [ 12.,   6.]]])

In [174]:

np.dstack((arr1,arr2)).shape

Out[174]:

(5, 3, 2)

In [176]:

np.stack((arr1,arr2))

Out[176]:

array([[[ 17.,  -6.,  -5.],
        [-10.,   9., -23.],
        [ 18.,  -7.,   4.],
        [ -2.,  15., -20.],
        [ -3.,  -3.,  12.]],

       [[ -4.,  -0., -21.],
        [ 17., -17.,  -8.],
        [  6., -12., -10.],
        [ -9.,   6.,  23.],
        [  1., -11.,   6.]]])

In [179]:

np.stack((arr1,arr2)).shape

Out[179]:

(2, 5, 3)

In [177]:

np.stack((arr1,arr2),axis=1)

Out[177]:

array([[[ 17.,  -6.,  -5.],
        [ -4.,  -0., -21.]],

       [[-10.,   9., -23.],
        [ 17., -17.,  -8.]],

       [[ 18.,  -7.,   4.],
        [  6., -12., -10.]],

       [[ -2.,  15., -20.],
        [ -9.,   6.,  23.]],

       [[ -3.,  -3.,  12.],
        [  1., -11.,   6.]]])

In [178]:

np.stack((arr1,arr2),axis=1).shape

Out[178]:

(5, 2, 3)

In [183]:

np.stack((arr1,arr2),axis=2)

Out[183]:

array([[[ 17.,  -4.],
        [ -6.,  -0.],
        [ -5., -21.]],

       [[-10.,  17.],
        [  9., -17.],
        [-23.,  -8.]],

       [[ 18.,   6.],
        [ -7., -12.],
        [  4., -10.]],

       [[ -2.,  -9.],
        [ 15.,   6.],
        [-20.,  23.]],

       [[ -3.,   1.],
        [ -3., -11.],
        [ 12.,   6.]]])

In [185]:

x = np.arange(3)
y = np.arange(5)
X, Y = np.meshgrid(x, y)
X

Out[185]:

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

In [186]:

Y

Out[186]:

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

In [187]:

[list(zip(x, y)) for x, y in zip(X, Y)]

Out[187]:

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

In [ ]: