[DeepLearning] 넘파이(NumPy)

넘파이 (NumPy , Numerical Python) 

: 파이썬에서 선형대수 기반의 프로그램을 쉽게 만들 수 있도록 지원하는 대표적 인 패키지로 대량 데이터의 배열 연산을 가능하게 하므로 빠른 배열 연산 속도를 보장합니다.  

 

넘파이 특징
- C/C++ 과 같은 저수준 언어 기반의 호환 API 를 제공합니다. 
- 파이썬 언어 자체가 가지는 수행 성능의 제약이 있으므로 수행 성능이 매우 중요한 부분은 C/C++ 기반의 코드로

  작성하고 이를 넘파이에서 호출하는 방식으로 쉽게 통합 가능합니다. 
- 다양한 데이터 핸들링 기능도 제공합니다. 
- 넘파이 array() 함수는 파이썬의 리스트와 같은 다양한 인자를 입력 받아서 ndarray 로 변환하는 기능을 수행합니다.

넘파이 모듈의 임포트 방법 
- import numpy as np 
- 넘파이 기반 데이터 타 입 : ndarray 

 

1. 배열 생성 

① 1차원 배열(Vector) 정의

arr = np.array([1,2,3])
print(arr) # [1 2 3]
print(type(arr)) # <class 'numpy.ndarray'>


출력값 
[1 2 3]

 

② 2차원 배열(Matrix) 정의

arr2 = np.array([[1,2,3],[4,5,6]]) # 2행 3열
print(arr2)

출력값 
[[1 2 3]
 [4 5 6]]
 

print(type(arr2)) 출력값 : <class 'numpy.ndarray'>
print("arr2.shape:{0}".format(arr2.shape)) 출력값 : (2, 3)

 

③ 3차원 배열(Array) 정의

 # 2면 2행 3열
arr3 = np.array([[[1,2,3],[4,5,6]],[[7,8,9],[10,11,12]]])
print(arr3)

출력값 

[[[ 1  2  3]
  [ 4  5  6]]

 [[ 7  8  9]
  [10 11 12]]]

print("arr3.shape:{0}".format(arr3.shape)) 출력값: (2, 2, 3) 2면 2행 3열 

 

2. 배열 생성 및 초기화 

① zeros((행, 열)): 0으로 채우는 함수

arr_zeros = np.zeros((3,4)) 3행 4열 
print(arr_zeros)

출력값 
[[0. 0. 0. 0.]
 [0. 0. 0. 0.]
 [0. 0. 0. 0.]]

 

② ones((행, 열)): 1로 채우는 함수

arr_ones = np.ones((2,2)) # 2행 2열
print(arr_ones)

출력값 
[[1. 1.]
 [1. 1.]]

 

③ full((행, 열), 값): 값으로 채우는 함수

arr_full = np.full((3, 4), 7) # 3행 4열
print(arr_full)

- 출력값 - 
[[7 7 7 7]
 [7 7 7 7]
 [7 7 7 7]]

 

④ eye(N): (N,N)의 단위 행렬 생성

arr_eye = np.eye(5)
print(arr_eye)

- 출력값 -
[[1. 0. 0. 0. 0.]
 [0. 1. 0. 0. 0.]
 [0. 0. 1. 0. 0.]
 [0. 0. 0. 1. 0.]
 [0. 0. 0. 0. 1.]]

 

⑤ empty((행, 열)): 초기화 없이 기존 메모리 값이 들어감

arr_empty = np.empty((3,3))
print(arr_empty)

- 출력값 -
[[0.00000000e+000 0.00000000e+000 0.00000000e+000]
 [0.00000000e+000 0.00000000e+000 5.92878775e-322]
 [4.45042952e-307 2.55896735e-307 9.79101081e-307]]

 

⑥ _like(배열) 지정한 배열과 동일한 shape의 행렬을 만듦

arr_sample = np.array([[1,2,3],[4,5,6]])
arr_like = np.ones_like(arr_sample)
print(arr_like)

- 출력값 -
[[1 1 1]
 [1 1 1]]

- 종류: np.zeros_like(), np.ones_like(), np.full_like(), np.empty_like()

 

 

⑦ 배열 데이터 생성 함수

- np.linspace(시작, 종료, 개수): 개수에 맞게끔 시작과 종료 사이에 균등하게 분배

arr_linspace = np.linspace(1,10,5)
print(arr_linspace) 출력값 : [ 1. 3.25 5.5 7.75 10.  ]

plt.plot(arr_linspace, 'o') # 그래프를 그려주는 함수 마커를 원('o')으로
plt.show()                  # 만든 그래프를 보여줌.

 

- np.arange(시작, 종료, 스텝): 시작과 종료 사이에 스텝 간격으로 생성

arr_arange = np.arange(1,20,2)
print(arr_arange)
출력값 : [ 1  3  5  7  9 11 13 15 17 19]

 

3. list vs ndarray(1차원 배열(Vector))

# list
x1 = [1,2,3]
y1 = [4,5,6]
print(x1+y1) 출력값 :  [1, 2, 3, 4, 5, 6]

# ndarray(1차원 배열)
x2 = np.array([1,2,3])
y2 = np.array([4,5,6])
print(x2+y2) 출력값 : [5 7 9]

print(type(x1)) 출력값 : <class 'list'>
print(type(x2)) 출력값 :  <class 'numpy.ndarray'>


print(x2[2]) 출력값 :  요소의 참조: 3

x2[2] = 10   -  요소의 수정
print(x2)  출력값 :  [ 1  2 10]

 

- 연속된 정수 벡터의 생성

print(np.arange(10))  출력값 : [0 1 2 3 4 5 6 7 8 9]
print(np.arange(5,10)) 출력값 : [5 6 7 8 9]

x = np.array([10,11,12])
for i in np.arange(1,4): # 1~3 
    print(i) # 1~3
    print(i+x) # 1 + (([10,11,12])) , 2 + ([10,11,12]) , 3 + ([10,11,12])
    
- 출력값 -
1
[11 12 13]
2
[12 13 14]
3
[13 14 15]

 

- ndarray형의 주의점

a = np.array([1,1])
b = a  # 주소값 복사

print('a = '+ str(a)) 출력값 :  [1 1]
print('b = '+ str(b)) 출력값 : [1 1]

b[0] = 100
print('a = '+ str(a)) 출력값 : [100 1]
print('b = '+ str(b)) 출력값 : [100 1]

-------------------------------------------------------------------------------------

a = np.array([1,1])
b = a.copy()

print('a = '+ str(a)) 출력값 : [1 1]
print('b = '+ str(b)) 출력값 : [1 1]

b[0] = 100
print('a = '+ str(a)) 출력값 :  [1 1]
print('b = '+ str(b)) 출력값 :  [100 1]

 

- 행렬(2차원)

x = np.array([[1,2,3],[4,5,6]]) # 2행 3열
print(x)

- 출력값 - 
[[1 2 3]
 [4 5 6]]

print(type(x)) 출력값 : <class 'numpy.ndarray'>
print(x.shape) 출력값 : (2, 3) - 튜플

w, h = x.shape
print(w) 출력값 :  2
print(h) 출력값 : 3
print(x[1,2]) 출력값 : 6

x[1,2] = 10 # 요소의 수정
print(x)

- 출력값 -
[[ 1  2  3]
 [ 4  5 10]]

 

- 행렬의 크기 변경

a = np.arange(10)
print(a)
출력값 : [0 1 2 3 4 5 6 7 8 9]

a_arange = a.reshape(2,5) # 행렬의 크기를 변형 : reshape
print(a_arange)

- 출력값 - 
[[0 1 2 3 4]
 [5 6 7 8 9]]

print(type(a_arange)) 출력값 : <class 'numpy.ndarray'>
print(a_arange.shape) 출력값 :  (2, 5)

 

- 스칼라 x 행렬

스칼라 : 값이 한개인 변수 

x = np.array([[4,4,4],[8,8,8]])
scar_arr = 10 * x
print(scar_arr)

- 출력값 -  
[[40 40 40]
 [80 80 80]]

 

 

산술함술 : np.exp(x) - 지수 함수 , np.sqrt() - 루트 씌운 값, np.log() - 로그 함수 , np.round() - 반올림,
              np.mean() - 평균,        np.std() - 표준편차,       np.max() - 최대 ,      mp.min() - 최소

x = np.array([[4,4,4],[8,8,8]])
print(np.exp(x)) # 지수 함수 : y = e(x제곱)

- 출력값 -
[[  54.59815003   54.59815003   54.59815003]
 [2980.95798704 2980.95798704 2980.95798704]]

 

- 내적의 곱 

x = np.array([[1,2,3],[4,5,6]])
y = np.array([[7],[7],[7]])
print(x.dot(y))

- 출력값 -

 (2x1) 
[[ 42]    - > (1*7)+(2*7)+(3*7)
 [105]]   - > (4*7)+(5*7)+(6*7)


x = np.array([[1,2,3],[4,5,6]])
y = np.array([[7,2],[7,2],[7,2]])
print(x.dot(y))

- 출력값 - 

 (2x2)
[[ 42  12]     - > (1*7)+(2*7)+(3*7) (1*2)+(2*2)+(3*2)
 [105  30]]    - > (4*7)+(5*7)+(6*7) (4*2)+(5*2)+(6*2)

 

- 원소 접근 

data = np.array([[51,55],[14,19],[0,4]])
print(data)
print(data.shape) # (3, 2)
print(data[0][1]) # 55 행렬의 인덱스로 접근

for row in data:
    print(row)

- 출력값 - 
[51 55]
[14 19]
[0 4]


y = data.flatten() --> data를 1차원 배열로 변환(평탄화)
print(y) 출력값 :  [51 55 14 19  0  4] // ( 3 , 2 ) -> 1차원 배열

 

- 슬라이싱 

x = np.arange(10)
print(x[:5]) 출력값 : [0 1 2 3 4]
print(x[5:]) 출력값 : [5 6 7 8 9]
print(x[3:8]) 출력값 : [3 4 5 6 7]
print(x[3:8:2]) 출력값 : [3 5 7]
print(x[::-1]) 출력값 : [9 8 7 6 5 4 3 2 1 0]

y = np.array([[1,2,3],[4,5,6],[7,8,9]]) # 3행 3열
print(y[:2,1:2])  출력값 : (0,1),(1,1)

- 출력값 - 
[[2]
 [5]]

 

- 조건을 만족하는 데이터 수정

- bool 배열 사용

x = np.array([1,1,2,3,4,5,8,15]) # list -> array
print(x > 3) # array 와 비교 연산사를 사용하면 boolean 값이 출력 
출력값 : [False False False False  True  True  True  True]

y = x[x > 3] # true인 데이터만 선택된다.
print(y) 출력값 : [ 4  5  8 15]

x[x > 3] = 555 # 조건이 일치하면 555 담겨진다.
print(x) 출력값 :  [  1   1   2   3 555 555 555 555]

# - Numpy에서 np.sum 한수의 axis 이해
arr = np.arange(0,4*2*4) # start = 0, end = 31
print(len(arr)) # 32(0~31)

v = arr.reshape([4,2,4]) # 차원의 변경(depth(z축), row(x축), colum(y축)) - (4면, 2행, 4열)
print(v)

- 출력값 -
[[[ 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]]]


print(v.shape) 출력값 : (4, 2, 4) : 4 면 2행 4열

print(v.ndim) 출력값 : v의 차원 : 3차원

print(v.sum()) 출력값 : 496 : 모든 요소의 합 : (0 ~ 31) 까지 더한 값

 

- axis 

print(v.sum(axis=0))  # axis=0 : row 축(단위)로 계산 / 면단 위로

- 출력값 -
[[48 52 56 60]    ->  (0+8+16+24) (1+9+17+25) (2+10+18+26) (3+11+19+27)
 [64 68 72 76]]   ->  (4+12+20+28) (5+13+21+29) (6+14+22+30) (7+15+23+31)


print(v.sum(axis=1)) # axis=1 : colum 축(단위)로 계산 / 행 당위

- 출력값 - 
[[ 4  6  8 10]    ->  (0+4) (1+5) (2+6) (3+7)
 [20 22 24 26]    ->  (8+12) (9+13) (10+14) (11+15)
 [36 38 40 42]    ->  (16+20) (17+21) (18+22) (19+23)
 [52 54 56 58]]   ->  (24+28) (25+29) (26+30) (27+31)


print(v.sum(axis=2)) # axis=2 : depth 축(단위)로 계산 / 열 단위

- 출력값 -
[[  6  22]   ->  (0+1+2+3) (4+5+6+7)
 [ 38  54]   ->  (8+9+10+11) (12+13+14+15)
 [ 70  86]   ->  (16+17+18+19) (20+21+22+23)
 [102 118]]  ->  (24+25+26+27) (28+29+30+31) 

 

4. 그래프 그리기 

- 데이터 준비

x = np.arange(0,6,0.1) # start 0 ~ last 5 , step = 0.1 (0.1~5.9)
y1 = np.sin(x) # 사인함수 를 이용하여 0.1단위로 계산해서 y1에 저장
y2 = np.cos(x) # 코사인함수 를 이용하여 0.1단위로 계산해서 y2에 저장

 

- 그래프 그리기

plt.plot(x, y1, label = "sin")
plt.plot(x, y2, linestyle = "--", label = "cos") # cos 함수는 점선으로 그리기
plt.xlabel("x") # x축 이름
plt.ylabel("y") # y축 이름
plt.title("sin & cos") # 제목
plt.legend() # 범례
plt.show() # 출력

 

- 꺽은선 그래프

x = np.arange(10)
y = np.random.rand(10)
plt.plot(x,y) # 꺽은선 그래프를 등록 / 10개의 난수를 plot 함수를 이용하여 꺽은석 그래프로 피드백.
plt.show() # 그래프 그리기

 

- 3차 함수 f(x) = (x-2) x (x+2)

def f(x):
    return (x-2) * x * (x+2) # 3차 함수 정의

print(f(0)) 출력값 :  0
print(f(2)) 출력값 : 0
print(f(-2)) 출력값 : 0

# x값에 대해 ndarray  배열이며 각각에 대한 f를 한꺼번에 ndarray로 돌려줍니다.
print(f(np.array([1,2,3]))) 출력값 : [-3  0 15]
print(type(f(np.array([1,2,3])))) 출력값 : <class 'numpy.ndarray'>

#  그래프를 그리는 x의 범위를 -3 ~ 3까지로 하고 , 간격 0.5
x = np.arange(-3,3.5,0.5)
plt.plot(x,f(x))
plt.show()

 

- 그래프를 장식

x = np.linspace(-3,3,100) # x를 100 분할하기

# 차트 묘사
plt.plot(x, f2(x,2), color = "black")
plt.plot(x, f2(x,1), color = "blue")
plt.legend(loc="upper left") # 범례의 위치도 정해줄 수 있다.
plt.ylim(-15,15) # y축 범위
plt.title("f2(x, w) 함수")
plt.xlabel("x축")
plt.ylabel("y축")
plt.grid(True) # 그리드(눈금)
plt.show()

 

- 그래프를 여러 개 보여주기

plt.figure(figsize=(10,3)) # 전체 영역의 크기를 지정
plt.subplots_adjust(wspace=0.5, hspace=0.5) # 그래프의 간격을 지정

for i in range(6):  # 0 ~ 5
    plt.subplot(2, 3, i+1) # 그래프 위치를 지정 # 2행 3열
    plt.title(i+1)
    plt.plot(x,f2(x,i))
    plt.ylim(-20,20)
    plt.grid(True)

plt.show()

 

- 이미지 표시하기

from matplotlib.image import imread

img = imread('image/2.png') # 이미지 읽어오기

plt.imshow(img)
plt.show()