[BoostCouse] NumPy

numpy의 ndarray 와 기본 python list 의 차이

NumPy란?

• Numerical Python의 약자로, 파이썬에서 수치 계산을 위해 사용되는 라이브러리.
• 다차원 배열을 효과적으로 처리할 수 있으며, 선형대수와 관련된 다양한 기능을 제공한다.
• NumPy는 다음과 같은 기능을 제공한다.
  • 다차원 배열을 효과적으로 처리할 수 있는 기능을 제공한다.
  • 선형대수와 관련된 다양한 기능을 제공한다.
  • C/C++ 및 포트란과 같은 저수준 언어로 작성된 코드를 연결할 수 있는 도구를 제공한다.
  • 데이터 처리에 유용한 다양한 기능을 제공한다.

사실상 Matrix, Vector 연산을 위한 array 연산의 표준이다.

NumPy의 특징

• 일반 List에 비해 빠르고 메모리를 효율적으로 사용한다.
• 반복문 없이 데이터 배열에 대한 처리를 지원한다.
  • 이를 배열 지향 프로그래밍이라고 한다.
• 배열 연산을 통해 선형 대수 연산을 수행할 수 있다.

배열지향 프로그래밍

배열 지향 프로그래밍은 배열 처리에 대한 연산을 반복문 없이 처리하는 방식을 말한다.
이를 통해 코드의 가독성이 높아지고, 코드 실행 속도가 빨라진다.

# 배열 지향 프로그래밍 예시
import numpy as np

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

result = a + b

print(result) # [3 5 7 9]

위 코드에서 a와 b는 각각 1차원 배열이다.
a와 b의 각 요소를 더한 결과를 result에 저장하고 있다.
이때, 반복문을 사용하지 않고 각 요소를 더한 결과를 얻을 수 있다.

NumPy 배열 생성하기

NumPy 배열은 np.array() 함수를 사용하여 생성할 수 있다.

import numpy as np

# 1차원 배열 생성
a = np.array([1, 2, 3, 4, 5])
print(a) # [1 2 3 4 5]

# 2차원 배열 생성
b = np.array([[1, 2, 3], [4, 5, 6]])
print(b)
# [[1 2 3]
#  [4 5 6]]

• np.array() 함수는 파이썬의 리스트를 입력받아 NumPy 배열로 변환한다.
• ndarray 클래스는 N-dimensional Array의 약자로, NumPy의 기본 자료구조이다.
  • 기존 List와 ndarray의 차이점은 ndarray는 같은 자료형만 저장할 수 있다는 점이다.
  • ndarray는 배열의 차원, 형태, 데이터 타입을 나타내는 shape, dtype 속성을 가진다.
    • shape 속성은 배열의 차원과 크기를 나타내는 튜플이다.
    • dtype 속성은 배열의 데이터 타입을 나타낸다.

내부적으로 C로 구현되어 있어 빠르고 메모리를 효율적으로 사용한다.

• List의 경우 각 메모리에 주소값을 저장하고 있어 메모리를 많이 차지하고, 연산이 느리다.
• ndarray는 연속된 메모리에 데이터를 곧바로 저장하므로 빠르고 메모리를 효율적으로 사용한다.
  • 메모리의 크기도 모두 동일하기 때문에 연산 속도가 빠르다.
  • List는 각 요소의 크기가 다르기 때문에 메모리를 효율적으로 사용하지 못한다.

Array Shape

• NumPy 배열의 차원과 크기를 나타내는 속성이다.
• 0차원 배열
  • 하나의 숫자로 이루어진 배열이다.
  • shape 속성은 () 형태로 표시된다.
  • 0차원 배열은 Scalar라고도 한다.
  • np.array(1)의 shape 속성은 ()이다.
• 1차원 배열
  • 배열의 크기만 나타낸다.
  • shape 속성은 (배열의 크기,) 형태로 표시된다.
  • 1차원 배열은 Vector라고도 한다.
  • np.array([1, 2, 3, 4, 5])의 shape 속성은 (5,)이다.
• 2차원 배열
  • Matrix라고도 한다.
  • shape 속성은 (행, 열) 형태로 표시된다.
  • np.array([[1, 2, 3], [4, 5, 6]])의 shape 속성은 (2, 3)이다.
• N차원 배열
  • shape 속성은 (차원1의 크기, 차원2의 크기, ..., 차원n의 크기) 형태로 표시된다.
  • np.array([[[1, 2], [3, 4]], [[5, 6], [7, 8]]])의 shape 속성은 (2, 2, 2)이다.
  • 3차원 배열은 Tensor라고도 한다.
    • Tensor는 딥러닝에서 많이 사용되는 자료구조이다.
  • N차원 배열은 다차원 배열이라고도 한다.

NumPy 배열의 데이터 타입 (dtype)

• NumPy 배열은 같은 데이터 타입만 저장할 수 있다.
• 배열 생성 시 dtype 속성을 사용하여 데이터 타입을 지정할 수 있다.
• dtype 속성을 사용하지 않으면 NumPy는 주어진 데이터를 저장할 수 있는 자료형을 스스로 선택한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a.dtype) # int64

b = np.array([1.1, 2.2, 3.3, 4.4, 5.5])
print(b.dtype) # float64

c = np.array([1, 2, 3, 4.1, 5.2])
print(c.dtype) # float64

• NumPy 배열의 데이터 타입은 dtype 속성을 통해 확인할 수 있다.
  • 파이썬의 기본 자료형과 달리 NumPy는 데이터 타입의 크기를 명확하게 지정한다.
  • int64는 64비트 정수형을 의미한다.
  • float64는 64비트 부동소수점형을 의미한다.
  • int32, float32, int16, float16 등 다양한 데이터 타입이 있다.
• 데이터 타입을 지정하려면 dtype 속성을 사용한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5], dtype='float32')
print(a.dtype) # float32

b = np.array([1.1, 2.2, 3.3, 4.4, 5.5], dtype='int32')
print(b.dtype) # int32

Shape Handling

• NumPy 배열의 shape 속성을 변경할 수 있다.
• reshape() 함수를 사용하여 배열의 shape 속성을 변경할 수 있다.

import numpy as np

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

b = a.reshape(2, 3)
print(b.shape) # (2, 3)
print(b)
# [[1 2 3]
#  [4 5 6]]

• reshape() 함수는 배열의 shape 속성을 변경한다.
• reshape(2, 3)은 2행 3열로 배열의 shape 속성을 변경한다.
• reshape() 함수는 원본 배열의 요소 개수와 변경하려는 배열의 요소 개수가 일치해야 한다.

Flattening

• 다차원 배열을 1차원 배열로 변환하는 것을 평탄화라고 한다.
• flatten() 함수를 사용하여 다차원 배열을 1차원 배열로 변환할 수 있다.

import numpy as np

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

b = a.flatten()
print(b.shape) # (6,)
print(b) # [1 2 3 4 5 6]

• flatten() 함수는 원본 배열의 복사본을 반환한다.

평탄화를 하는 이유는 데이터를 일렬로 나열하여 저장하고 처리하기 위함이다.

• 딥러닝에서는 평탄화된 데이터를 입력으로 사용한다.
• 이미지 데이터는 2차원 배열로 표현되지만, 딥러닝에서는 1차원 배열로 변환하여 사용한다.
• 평탄화된 데이터를 사용하면 데이터 처리 속도가 빨라지고, 메모리를 효율적으로 사용할 수 있다.

다른 방법으로는 reshape(-1)을 사용할 수 있다.

• reshape(-1)은 다차원 배열을 1차원 배열로 변환한다.
• reshape(-1, 1)은 1차원 배열을 열 벡터로 변환한다.
• reshape(1, -1)은 1차원 배열을 행 벡터로 변환한다.

import numpy as np

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

b = a.reshape(-1)
print(b.shape) # (6,)
print(b) # [1 2 3 4 5 6]

c = b.reshape(-1, 1)
print(c.shape) # (6, 1)
print(c)
# [[1]
#  [2]
#  [3]
#  [4]
#  [5]
#  [6]]

d = b.reshape(1, -1)
print(d.shape) # (1, 6)
print(d)
# [[1 2 3 4 5 6]]

Indexing

• NumPy 배열의 요소에 접근하는 방법을 인덱싱이라고 한다.
• NumPy 배열은 0부터 시작하는 인덱스를 사용한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a[0]) # 1
print(a[1]) # 2
print(a[-1]) # 5

기본적으로 파이썬의 리스트와 동일하게 인덱싱을 사용할 수 있다.

Slicing

• NumPy 배열의 일부를 추출하는 방법을 슬라이싱이라고 한다.
• 슬라이싱은 :을 사용하여 범위를 지정한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a[0:2]) # [1 2]
print(a[1:]) # [2 3 4 5]
print(a[:3]) # [1 2 3]

파이썬의 리스트와 동일하게 슬라이싱을 사용할 수 있다.
추가적으로 리스트와 달리 NumPy 배열은 다차원 배열이므로 다차원 슬라이싱도 가능하다.

import numpy as np

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

• a[0:2, 0:2]는 0행부터 1행, 0열부터 1열까지의 요소를 추출한다.

Boolean Indexing

• NumPy 배열에서 조건을 사용하여 요소를 추출하는 방법을 Boolean Indexing이라고 한다.
• 조건을 사용하여 True, False 값을 반환하고, True에 해당하는 요소만 추출한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a[a > 2]) # [3 4 5]

• a > 2는 배열 a의 요소가 2보다 큰지 확인하여 True, False 값을 반환한다.
• a[a > 2]는 True에 해당하는 요소만 추출한다.
• Boolean Indexing은 조건을 사용하여 요소를 추출할 때 유용하다.
• 조건을 사용하여 요소를 추출할 때는 반드시 괄호를 사용해야 한다.
• 괄호를 사용하지 않으면 에러가 발생한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a[(a > 2) & (a < 5)]) # [3 4]

Creation Functions

• NumPy 배열을 생성하는 다양한 함수가 있다.

np.zeros()

• 지정한 shape의 배열을 생성하고, 모든 요소를 0으로 초기화한다.

import numpy as np

a = np.zeros((2, 3))
print(a)
# [[0. 0. 0.]
#  [0. 0. 0.]]

np.ones()

• 지정한 shape의 배열을 생성하고, 모든 요소를 1로 초기화한다.

import numpy as np

a = np.ones((2, 3))
print(a)
# [[1. 1. 1.]
#  [1. 1. 1.]]

np.empty()

• 지정한 shape의 배열을 생성하고, 모든 요소를 초기화하지 않는다.

import numpy as np

a = np.empty((2, 3))
print(a)
# [[1. 1. 1.]
#  [1. 1. 1.]]

• np.empty() 함수는 배열을 생성할 때 메모리를 할당하지만, 초기화하지 않는다.
  • 초기화하지 않기 때문에 배열의 요소는 이전에 메모리에 저장된 값이다.

np.full()

• 지정한 shape의 배열을 생성하고, 모든 요소를 지정한 값으로 초기화한다.

import numpy as np

a = np.full((2, 3), 7)
print(a)
# [[7 7 7]
#  [7 7 7]]

np.eye()

• 지정한 크기의 단위 행렬을 생성한다.
• 단위 행렬은 주대각선의 요소가 1이고, 나머지 요소가 0인 행렬이다.

import numpy as np

a = np.eye(3)
print(a)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

대각선의 시작점을 변경하려면 k 인자를 사용한다.

import numpy as np

a = np.eye(3, k=1)

print(a)
# [[0. 1. 0.]
#  [0. 0. 1.]
#  [0. 0. 0.]]

np.identity()

• 지정한 크기의 단위 행렬을 생성한다.
• np.eye() 함수와 비슷하지만, 시작점을 변경할 수 없다.

import numpy as np

a = np.identity(3)
print(a)
# [[1. 0. 0.]
#  [0. 1. 0.]
#  [0. 0. 1.]]

np.diagonal()

• 주어진 배열의 대각선 요소를 추출한다.

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.diagonal(a)) # [1 5 9]

• np.diagonal() 함수는 주어진 배열의 대각선 요소를 추출한다.
• np.diagonal() 함수는 대각선의 시작점을 변경할 수 있다.

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])
print(np.diagonal(a, offset=1)) # [2 6]

np.random.random()

• 지정한 shape의 배열을 생성하고, 모든 요소를 랜덤한 값으로 초기화한다.

import numpy as np

a = np.random.random((2, 3))
print(a)
# [[0.5488135  0.71518937 0.60276338]
#  [0.54488318 0.4236548  0.64589411]]

• np.random.random() 함수는 0과 1 사이의 랜덤한 값으로 배열을 초기화한다.

np.random.uniform()

• 균등 분포에서 랜덤한 값으로 배열을 생성한다.

import numpy as np

a = np.random.uniform(0, 1, (2, 3))
print(a)
# [[0.96366276 0.38344152 0.79172504]
#  [0.52889492 0.56804456 0.92559664]]

np.arange()

• 지정한 범위의 배열을 생성한다.

import numpy as np

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

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

• np.arange(10)은 0부터 9까지의 배열을 생성한다.
• np.arange(1, 10, 2)는 1부터 9까지 2씩 증가하는 배열을 생성한다.

np.linspace()

• 지정한 범위의 배열을 생성한다.

import numpy as np

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

• np.linspace(1, 10, 5)는 1부터 10까지 5개의 요소를 가진 배열을 생성한다.
• np.linspace() 함수는 시작값, 끝값, 요소 개수를 인자로 받는다.
• np.linspace() 함수는 시작값과 끝값을 포함하여 요소 개수만큼 균등하게 나눈 배열을 생성한다.
• np.linspace() 함수는 범위를 나누는 간격을 자동으로 계산한다.

Operations Functions

• NumPy 배열을 다루는 다양한 함수가 있다.
• NumPy 배열은 요소별 연산을 지원한다.
  • 요소별 연산은 배열의 크기가 동일해야 한다.
  • 요소별 연산은 배열의 형태가 동일해야 한다.
  • 요소별 연산은 배열의 데이터 타입이 동일해야 한다.

기본 연산

• np.add(): 덧셈
• np.subtract(): 뺄셈
• np.multiply(): 곱셈
• np.divide(): 나눗셈
• np.power(): 제곱

import numpy as np

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

print(np.add(a, b)) # [ 3  5  7  9 11]
print(np.subtract(a, b)) # [-1 -1 -1 -1 -1]
print(np.multiply(a, b)) # [ 2  6 12 20 30]
print(np.divide(a, b)) # [0.5  0.66666667  0.75  0.8   0.83333333]
print(np.power(a, b)) # [1  8  81  1024 15625]

Axis 기반 연산

• NumPy 배열은 다차원 배열이므로 축(axis) 기반 연산을 지원한다.
• 축(axis) 기반 연산은 특정 축을 기준으로 연산을 수행한다.

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(np.sum(a)) # 21
print(np.sum(a, axis=0)) # [5 7 9]
print(np.sum(a, axis=1)) # [ 6 15]

• np.sum(a)은 배열 a의 모든 요소의 합을 반환한다.
• np.sum(a, axis=0)은 배열 a의 열을 기준으로 합을 반환한다.
• np.sum(a, axis=1)은 배열 a의 행을 기준으로 합을 반환한다.
• axis=0은 열을 기준으로 연산을 수행한다.
• axis=1은 행을 기준으로 연산을 수행한다.
• axis=None은 모든 요소를 기준으로 연산을 수행한다.

import numpy as np

a = np.array([[1, 2, 3], [4, 5, 6]])
print(np.mean(a)) # 3.5
print(np.mean(a, axis=0)) # [2.5 3.5 4.5]
print(np.mean(a, axis=1)) # [2. 5.]

• np.mean(a)은 배열 a의 모든 요소의 평균을 반환한다.
• np.mean(a, axis=0)은 배열 a의 열을 기준으로 평균을 반환한다.
• np.mean(a, axis=1)은 배열 a의 행을 기준으로 평균을 반환한다.

exponentials and logarithms

• np.exp(): 지수 함수
• np.log(): 자연 로그 함수

import numpy as np

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

print(np.exp(a)) # [  2.71828183   7.3890561   20.08553692  54.59815003 148.4131591 ]
print(np.log(a)) # [0.         0.69314718 1.09861229 1.38629436 1.60943791]

• np.exp(a)는 배열 a의 요소에 대한 지수 함수를 계산한다.
• np.log(a)는 배열 a의 요소에 대한 자연 로그 함수를 계산한다.

Concatenation

• np.concatenate(): 배열을 연결한다.

import numpy as np

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

print(np.concatenate([a, b])) # [1 2 3 4 5 6]

• np.concatenate([a, b])는 배열 a와 b를 연결한다.
• np.concatenate() 함수는 axis 인자를 사용하여 축을 지정할 수 있다.

import numpy as np

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

print(np.concatenate([a, a], axis=0))
# [[1 2]
#  [3 4]
#  [1 2]
#  [3 4]]

print(np.concatenate([a, a], axis=1))
# [[1 2 1 2]
#  [3 4 3 4]]

• np.hstack(): 수평으로 배열을 연결한다.
• np.vstack(): 수직으로 배열을 연결한다.

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(np.hstack([a, b]))
# [[1 2 5 6]
#  [3 4 7 8]]

print(np.vstack([a, b]))
# [[1 2]
#  [3 4]
#  [5 6]
#  [7 8]]

np.newaxis()

• 배열에 새로운 축을 추가한다.

import numpy as np

a = np.array([1, 2, 3, 4, 5])
print(a.shape) # (5,)
print(a[np.newaxis, :].shape) # (1, 5)
print(a[:, np.newaxis].shape) # (5, 1)

• a[np.newaxis, :]는 배열 a에 새로운 행을 추가한다.
• a[:, np.newaxis]는 배열 a에 새로운 열을 추가한다.
• np.newaxis는 축을 추가하는 역할을 한다.
• np.newaxis는 차원을 증가시키는 역할을 한다.

Broadcasting

import numpy as np

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

print(a + b)
# [[2 4 6]
#  [5 7 9]]

• a + b는 배열 a의 각 행에 배열 b를 더한다.
• Broadcasting은 배열의 형태가 다른 경우에도 요소별 연산을 수행할 수 있다.

transpose

전치 행렬을 구하는 방법은 배열의 T 속성을 사용하거나 transpose() 함수를 사용한다.

import numpy as np

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

print(a.T)
# [[1 4]
#  [2 5]
#  [3 6]]

print(a.transpose())
# [[1 4]
#  [2 5]
#  [3 6]]

dot product

행렬 곱셈을 구하는 방법은 dot() 함수를 사용한다.

import numpy as np

a = np.array([[1, 2], [3, 4]])
b = np.array([[5, 6], [7, 8]])

print(np.dot(a, b))
# [[19 22]
#  [43 50]]

• np.dot(a, b)는 행렬 a와 b의 행렬 곱셈을 수행한다.
• 행렬 곱셈은 행렬 a의 열과 행렬 b의 행이 같아야 한다.

inverse

역행렬을 구하는 방법은 inv() 함수를 사용한다.

import numpy as np

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

print(np.linalg.inv(a))
# [[-2.   1. ]
#  [ 1.5 -0.5]]

• np.linalg.inv(a)는 행렬 a의 역행렬을 구한다.
  • 역행렬은 원래 행렬과 곱했을 때 단위 행렬이 되는 행렬이다.
  • 역행렬은 정방 행렬에만 존재한다.
  • 역행렬은 행렬식(determinant)이 0이 아닌 경우에만 존재한다.
  • 역행렬은 행렬의 곱셈을 나눗셈으로 계산할 때 사용한다.
  • 역행렬은 행렬의 크기가 커질수록 계산 비용이 많이 든다.
  • 역행렬은 행렬의 크기가 커질수록 정확도가 떨어진다.

determinant

행렬식을 구하는 방법은 det() 함수를 사용한다.

import numpy as np

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

print(np.linalg.det(a))
# -2.0000000000000004

행렬식이란 정방 행렬에 대해 스칼라 값을 반환하는 함수이다.

Performance Comparison

• NumPy 배열은 반복문 없이 배열에 대한 처리를 지원한다.
• 반복문 없이 배열에 대한 처리를 하면 코드 실행 속도가 빨라진다.

import numpy as np
import time

a = np.random.rand(1000000)
b = np.random.rand(1000000)

start = time.time()
c = np.dot(a, b)
end = time.time()

print(c)
print(end - start)

• np.random.rand(1000000)은 100만 개의 랜덤한 값을 가진 배열을 생성한다.
• np.dot(a, b)는 두 배열의 행렬 곱셈을 수행한다.
• 반복문 없이 배열에 대한 처리를 하면 코드 실행 속도가 빨라진다.

Comparison

• NumPy 배열은 요소별 비교를 지원한다.
• 요소별 비교는 배열의 크기가 동일해야 한다.

import numpy as np

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

print(a == b) # [False False False False False]
print(a > b) # [False False False False False]
print(a < b) # [ True  True  True  True  True]

all & any

• np.all(): 모든 요소가 True인지 확인한다.
• np.any(): 하나 이상의 요소가 True인지 확인한다.

import numpy as np

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

print(np.all(a == b)) # False
print(np.any(a == b)) # True

• np.all(a == b)는 배열 a와 b의 모든 요소가 같은지 확인한다.
• np.any(a == b)는 배열 a와 b의 요소 중 하나라도 같은지 확인한다.

logical_and & logical_or

• np.logical_and(): 논리 AND 연산을 수행한다.
• np.logical_or(): 논리 OR 연산을 수행한다.

import numpy as np

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

print(np.logical_and(a > 2, a < 5)) # [False False  True  True False]
print(np.logical_or(a > 2, a < 5)) # [ True  True  True  True  True]

logical_not

• np.logical_not(): 논리 NOT 연산을 수행한다.

where, isfinite, isinf, isnan ...

• np.where(): 조건에 따라 요소를 선택한다.
• np.isfinite(): 유한한 수인지 확인한다.
• np.isinf(): 무한한 수인지 확인한다.
• np.isnan(): NaN인지 확인한다.

import numpy as np

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

print(np.where(a > 2)) # (array([2, 3, 4]),)
print(np.isfinite(a)) # [ True  True  True  True  True]
print(np.isinf(a)) # [False False False False False]
print(np.isnan(a)) # [False False False False False]

• np.where(a > 2)는 배열 a에서 조건 a > 2를 만족하는 요소의 인덱스를 반환한다.
• np.isfinite(a)는 배열 a의 요소가 유한한 수인지 확인한다.
• np.isinf(a)는 배열 a의 요소가 무한한 수인지 확인한다.
• np.isnan(a)는 배열 a의 요소가 NaN인지 확인한다.
• NaN은 Not a Number의 약자로 숫자가 아닌 값을 나타낸다.

Statistics

• NumPy 배열은 통계 함수를 지원한다.
• 통계 함수는 배열의 요소에 대한 통계량을 계산한다.

mean, median, std, var

• np.mean(): 평균을 계산한다.
• np.median(): 중앙값을 계산한다.
• np.std(): 표준편차를 계산한다.
• np.var(): 분산을 계산한다.

import numpy as np

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

print(np.mean(a)) # 3.0
print(np.median(a)) # 3.0
print(np.std(a)) # 1.4142135623730951
print(np.var(a)) # 2.0

• np.mean(a)은 배열 a의 평균을 계산한다.
• np.median(a)은 배열 a의 중앙값을 계산한다.
• np.std(a)은 배열 a의 표준편차를 계산한다.
• np.var(a)은 배열 a의 분산을 계산한다.

• 평균은 모든 요소의 합을 요소 개수로 나눈 값이다.
• 중앙값은 요소를 크기 순서대로 나열했을 때 중앙에 위치한 값이다.
• 표준편차는 평균으로부터 얼마나 떨어져 있는지를 나타내는 값이다.
• 분산은 평균으로부터 얼마나 떨어져 있는지를 나타내는 값이다.

Sorting

• NumPy 배열은 정렬을 지원한다.
• 정렬은 배열의 요소를 크기 순서대로 나열하는 것이다.

np.sort()

import numpy as np

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

print(np.sort(a)) # [1 2 3 4 5]

• np.sort(a)는 배열 a의 요소를 크기 순서대로 정렬한다.
• 정렬은 기본적으로 오름차순으로 정렬한다.

np.argsort()

import numpy as np

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

print(np.argsort(a)) # [1 2 0 3 4]

• np.argsort(a)는 배열 a의 요소를 정렬한 후의 인덱스를 반환한다.
• 정렬한 후의 인덱스는 원래 배열의 요소를 정렬한 순서를 나타낸다.

np.argmax() & np.argmin()

import numpy as np

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

print(np.argmax(a)) # 4
print(np.argmin(a)) # 1

• np.argmax(a)는 배열 a의 최댓값의 인덱스를 반환한다.
• np.argmin(a)는 배열 a의 최솟값의 인덱스를 반환한다.

Filtering

• NumPy 배열은 필터링을 지원한다.
• 필터링은 조건을 사용하여 요소를 추출하는 것이다.

import numpy as np

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

print(a[a > 2]) # [3 4 5]

• a[a > 2]는 배열 a에서 조건 a > 2를 만족하는 요소만 추출한다.
• 필터링은 조건을 사용하여 요소를 추출할 때 유용하다.

Save & Load

• NumPy 배열은 파일로 저장하고 불러올 수 있다.
• 파일로 저장하면 나중에 사용할 수 있다.

np.save() & np.load()

import numpy as np

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

np.save('a.npy', a)

b = np.load('a.npy')

print(b) # [1 2 3 4 5]

• np.save('a.npy', a)는 배열 a를 a.npy 파일로 저장한다.
• np.load('a.npy')는 a.npy 파일을 불러와 배열 b에 저장한다.

np.savez() & np.load()

import numpy as np

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

np.savez('a.npz', a=a)

b = np.load('a.npz')

print(b['a']) # [1 2 3 4 5]

• np.savez('a.npz', a=a)는 배열 a를 a.npz 파일로 저장한다.
• np.load('a.npz')는 a.npz 파일을 불러와 배열 b에 저장한다.

npy 파일은 하나의 배열을 저장하고, npz 파일은 여러 배열을 저장한다.