Day_3 01. numpy

numpy

1. numpy over view

• Numerical Python
• 파이썬의 고성능 과학 계산용 패키지
• Matrix와 Vector와 같은 Array 연산의 사실상의 표준
• 한글로 넘파이로 주로 통칭
• 누군가는 넘피/늄파이라고 부르기도 함

1.1 numpy의 특징

• 일반 List에 비해 빠르고, 메모리 효율적
• 반복문 없이 데이터 배열에 대한 처리르 지원함 -> 엄청 중요한 특징
• 선형대수와 관련된 다양한 기능을 제공함
• C, C++, 포트란 등의 언어와 통합 가능

1.2 numpy install

conda install numpy

1.3 numpy 호출 방법

import numpy as np

• 일반적으로 numpy는 np라는 alias(별칭) 이용해서 호출함
• 특별한 이유는 없음, 세계적인 약속 같은 것

2. ndarray

2.1 array creation

• numpy는 np.array 함수를 활용해 배열을 생성
  • ndarray
• numpy는 하나의 데이터 type만 배열에 넣을 수 있음
• List와 가장 큰 차이점 -> dynamic typing not supported
• C의 Array를 사용하여 배열을 생성

test_array = np.array([1, 2, 3, 4], dtype=float)

• shape : numpy array의 dimension 구성을 반환
  • array의 크기, 형태 등에 대한 정보
• dtype : numpy array의 데이터 type을 반환
  • ndarray의 single element가 가지는 data type
  • 각 element가 차지하는 memory의 크기가 결정됨
• array의 RANK에 따라 불리는 이름이 다름
  • Rank 0 : scalar
  • Rank 1 : vector
  • Rank 2 : matrix
  • Rank 3 : 3-tensor
  • Rank n : n-tensor
• nbytes
  • ndarray object의 메모리 크기를 반환함
  • 32bits -> 4bytes
  • 64bits -> 8bytes

3. Handling shape

3.1 reshape

• Array의 shape의 크기를 변경함, element의 갯수는 동일
• -1 : size를 기반으로 row/column 개수 선정

3.2 flatten

• 다차원 array를 1차원 array로 변환

3.3 indexing

• list와 달리 이차원 배열에서 [0, 0] 표기법을 제공
• matrix 일 경우 앞은 row 뒤는 column을 의미

3.4 slicing

• list와 달리 행과 열 부분을 나눠서 slicing이 가능
• matrix의 부분 집합을 추출할 때 유용

4. creation function

4.1 arange

• array의 범위를 지정하여, 값의 list를 생성하는 명령어
• np.arange(시작, 끝, step)
  • step 에 float 값도 가능

4.2 ones

• 0으로 가득찬 ndarray 생성
• np.zeros(shape, dtype, order)

4.3 zeros

• 1로 가득찬 ndarray 생성
• np.ones(shape, dtype, order)

4.4 empty

• shape만 주어지고 비어있는 ndarray 생성
• memory initialization이 되지 않음
• np.empty(shape, dtype)

4.5 something_like

• 기존 ndarray의 shape 크기 만큼 1, 0 또는 empty array를 반환
• zeros_like
• ones_like
• empty_like

4.6 identity

• 단위 행렬(i 행렬)을 생성

4.7 됻

• 대각선이 1인 행렬, k 값의 시작 index의 변경이 가능
• 단위행렬과 다름

4.8 diag

• 대각 행렬의 값을 추출

4.9 random sampling

• 데이터 분포에 따른 sampling으로 array를 생성

5. operation functions

• axis
  • 모든 operation function을 실행할 때 기준이 되는 dimension 축
• sum
  • ndarray의 element들 간의 합을 구함, list의 sum 기능과 동일
• mean
• std
• var
• 등

6. mathematical functions

• 다양한 수학 연산자를 제공
• exp
• log
• sin
• cos
• sinh
• tanh
• 등

7. concatenate

• numpy array를 합치는(붙이는) 함수
• vstack
• hstack
• concatenate
• newaxis : 축 하나 추가

8. array operation

• numpy는 array간의 기본적인 사칙 연산을 지원

8.1 element-wise operation

• array간 shape이 같을 때 일어나는 연산

8.2 Dot product

• Matrix의 기본 연산,
• array간 shape이 같을 때 일어나는 연산, dot 함수 사용

8.3 trnaspose

• transpose 또는 T attribute 사용

8.4 broadcasting

• shape이 다른 배열 간 연산을 지원하는 기능
• scalar - vector 외에도 vector - matrix 간의 연산도 지원

9. numpy performance

• timeit
  • jupyter 환경에서 코드의 퍼포먼스를 체크하는 함수
• 일반적으로 속도는 아래 순
  • for loop < list comprehension < numpy
• 100,000,000 번의 looop이 돌 때, 약 4배 이상의 성능 차이를 보임
• Numpy는 C로 구현되어 있어, 성능을 확보하는 대신 파이썬의 가장 큰 특징인 dynamic typing을 포기
• 대용량 계산에서 가장 흔히 사용
• Concatenate처럼 계산이 아닌, 할당에서는 연산 속도의 이점이 없음

10. comparison

10.1 All & Any

• array의 데이터 전부(and) 또는 일부(or)가 조건에 만족 여부 반환
• any : 하나라도 조건에 만족하면 True
• all : 모두가 조건에 만족하면 True

10.2 배열의 비교

• numpy는 배열의 크기가 동일 할 때 element간 비교의 결과를 Boolean type으로 반환

10.3 np.where

• np.where(조건, 참일 때 값, 거짓일 때 값)
• np.where(조건) : index값 반환

10.4 np.isnan

• boolean 값
• Not a Number : NaN, Inf 판단

10.5 np.isfinite

• boolean 값
• 유한한 수 인지 판단

10.6 argmax & argmin

• array내 최대값 또는 최소값의 index를 반환
• axis 기반해 반환

11. boolean & fancy index

11.1 boolean index

• 특정 조건에 따른 값을 배열 형태로 추출
• Comparison opeartion 함수들도 모두 사용가능
• shape이 같아야함
• Comparison opeartion 함수들도 모두 사용가능

11.2 fancy index

• numpy는 array를 index value로 사용해서 값 추출
• take() : 같은 효과
• 반드시 integer로 선언
• shape이 같을 필요 없음
• matrix 형태의 데이터도 가능

12. numpy data i/o

12.1 loadtxt & savetxt

• text type의 데이터를 읽고, 저장하는 기능
• save : pickle