파이썬: NumPy 기본2 - 배열 생성/처리

NumPy의 기능

3. 배열요소 접근: 인덱싱/슬라이싱

• 인덱싱: 배열의 요소에 접근하는 방식

# 1차원 배열 인덱싱(요소값 접근)
a = np.array([1,2,3,4,5])
a[3] # 4

# 2차원 배열 인덱싱
b = np.array([[1,2,3], [4,5,6]])
b[0, 1]  # 0행의 1열: 2
b[0]     # 0행: [1,2,3]
b[1, 1:] # 1행의 1~끝열: [5,6]
b[:, 0]  # 모든 행의 0열: [1,4]

# 새 축 추가(np.newaxis)
b[:. 0][np.newaxis, :] # [[1,4]] - 행 방향으로 []을 씌워줌
b[:, 0][:, np.newaxis] #[[1],[4]] - 열 방향으로 []을 씌워줌

• 슬라이싱

# 배열 슬라이싱 
# a = np.array([1,2,3,4,5])
a[1:3] # 1번방부터 2(=3-1)번방까지 슬라이싱

array([2, 3])

# 요소 조건으로 슬라이싱
a[a>3]
a[a%2==0]

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

# boolean 배열을 통한 슬라이싱

a = np.array([1,2,3,4,5,6])
b = np.array([True, False, True, False, True, False])
c = a[b] # 배열 b를 인덱스로 사용 -> a에서 b값이 true인 요소만 추출
c

array([1, 3, 5])

# 위치를 지정하는 배열을 통한 슬라이싱
a = np.array([1,2,3,4,5,6])
b = np.array([0,1,1,3,3,5]) 
c = a[b] # 배열 b를 인덱스로 사용, b의 요소가 가리키는 a의 요소를 담아 배열 생성(선택추출이 가능!)
c # a의 0, 1, 1, 3, 3, 5번째 요소를 순서대로 인덱스에 담음 

array([1, 2, 2, 4, 4, 6])

4. 배열 연산

• 사칙연산: 배열의 동일한 위치의 요소끼리 연산이 된다.

a=np.array([[1,2,3],[4,5,6]])
b=np.array([[11,12,13],[14,15,16]])
a+b

array([[12, 14, 16],
       [18, 20, 22]])

• 배열의 크기가 일치하지 않을 경우: 브로드캐스팅

a=np.array([[1,2,3],[4,5,6]])
c=np.array([10,11,12])  # 크기가 일치하지 않는 경우
a+c
#c가 [[10,11,12],[10,11,12]]으로 자동으로 확장되어 계산. -> 브로드 캐스팅

array([[11, 13, 15],
       [14, 16, 18]])

• 2차원 행렬곱 @ / 내적 .dot

# 행렬곱: @
d = np.array([[1,0],[0,1],[1,0]])  #a:[[1,2,3],[4,5,6]]ㅔ
a@d

array([[ 4,  2],
       [10,  5]])

# 내적: dot
# 주의: 2차원 배열일 경우에만 위의 @과 결과가 같다. (3차원부턴 결과가 다르다.)
a.dot(d)

array([[ 4,  2],
       [10,  5]])

5. 배열-숫자 연산

• 배열 각 요소들과 숫자와의 연산

# 사칙연산
a*10 # a= [[1,2,3], [4,5,6]]

array([[10, 20, 30],
       [40, 50, 60]])

#배열 각 요소와 비교 연산한 결과 bool 값을 요소로 하는 배열 반환
a<5

array([[ True,  True,  True],
       [ True, False, False]])

#조건을 만족하는 배열 요소만 추출하여 배열로 반환 
a[a<5] # a<5는 bool값으로 이루어진 배열

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

6. 논리 연산

• 두 개의 ndarray들의 요소끼리 논리연산하여 그 결과들을 배열로 반환

a=np.array([1,2,3,4])
b=np.array([4,2,2,4])
a==b

array([False,  True, False,  True])

a>=b

array([False,  True,  True,  True])

np.all(a==b)  #모든 요소가 조건을 만족해야 True, 아니면 False (하나의 bool값만 반환)

False

sum(a<3)  #조건을 만족하는 요소의 개수를 counting

2

a<3

array([ True,  True, False, False])

• AND 연산함수: np.logical_and()
• OR 연산함수: np.logical_or()

# AND
np.logical_and(True, False)

False

np.logical_and([True, False],[True, False]) # 같은 위치끼리 and논리연산

array([ True, False])

a = np.arange(5)
a

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

np.logical_and(a>1, a<4)

array([False, False,  True,  True, False])

# OR
np.logical_or(True, False)

True

np.logical_or([True, False],[False, False])

array([ True, False])

np.logical_or(a<1, a>3)

array([ True, False, False, False,  True])

• np.where(조건, 참일때실행, 거짓일때실행)

a = np.arange(10)
a

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

np.where(a<5, a, a*10)

array([ 0,  1,  2,  3,  4, 50, 60, 70, 80, 90])

a = np.array([[0,1,2],[0,2,4],[0,3,6]])
a

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

np.where(a<4, a, -1)

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

a=np.array([1,2,3,4,5])
b=np.array([11,12,13,14,15])
np.where([True, False, True, True, False], a, b)

array([ 1, 12,  3,  4, 15])

np.where([[True,False],[True, True]],[[1,2],[3,4]],[[5,6],[7,8]])

array([[1, 6],
       [3, 4]]) # True 위치에는 참일때 값, False 위치에는 거짓일때 값이 나옴

7. 차원 변경

• mxn 크기로 배열 변경: np.reshape(m,n)

a=np.arange(12)
a

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

b = a.reshape(3,4)
b

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

• 1차원 배열 변경: np.ravel(), np.flatten()

b.ravel() # b = [[ 0,  1,  2,  3],[ 4,  5,  6,  7], [ 8,  9, 10, 11]]

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

b

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

b.flatten()

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

• 새 축 추가(차원 증가): np.newaxis

# 각 요소마다 [] 추가
c = a[:, np.newaxis] #  a = [0,1,2,3,4,5,6,7,8,9,10,11]
c

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

c = b[:, np.newaxis] # b는 3x4 배열
c

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

       [[ 4,  5,  6,  7]],

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

8. 차원 연관 함수

• axis=0 => x축 . 열방향 연산
• axis=1 => y축 . 행방향 연산
• axis=2 => z축
• axis=-1 => 마지막 축(2차원:y축, 3차원:z축)

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

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

a.sum() # 모든 요소의 합
a.sum(axis=0) # 열방향 합
a.sum(axis=1) # 행방향 합

21
array([5, 7, 9])
array([ 6, 15])

a.max() #a 배열 모든 요소에서 최대값
a.max(axis=0) #열방향 최대값
a.max(axis=1)# 행방향 최대값

6
array([4, 5, 6])
array([3, 6])

• 최대, 최소값의 위치값 반환: argmax(), argmin()

# a = np.array([[1,2,3],[4,5,6]])
a.argmax()
a.argmax(axis=0) # 열방향 최대값의 위치값
a.argmax(axis=1) # 행방향 최대값의 위치값

5
array([1, 1, 1], dtype=int64)
array([2, 2], dtype=int64)