002.Numpy_Study 1

 

 

 

 

 

 

 

 

Numpy는 무엇인가요?¶

• Numpy는 "Numerical poython"에서 비롯된 이름이다. 기존의 파이썬은 C언어와 Java에 비해 "Numerical Computing" 에 취약하기 때문에 Numpy로 보완한다.
• Numpy는 다양한 머신러닝 라이브러리들에 적용할 수 있기 때문에, 일반 파이썬 리스트[]에 비해 강력한 성능을 보여준다.
• Numpy에서는 Python list와 비슷하게 Numpy array를 사용해 데이터를 조작한다.

Numpy의 특징 다섯가지¶

1) Numpy array는 모든 원소의 자료형이 동일해야한다.

위의 이미지는 Numpy가 지원하는 data types다.

• Numpy가 지원하는 데이터 타입은 int, uint, intp, uintp, float, complex 등이 있고 몇 비트의 메모리를 사용하는지에 따라 뒤에 숫자가 더 붙는다.

 

2) Numpy array는 선언할 때 크기를 지정하면, 그 뒤로 크기를 변경할 수 없다. Python list는 list.append(), pop() 등을 통해 자유롭게 원소 변경과 크기 변경이 가능하지만, Numpy array는 만들어지면 update는 가능하지만, array의 크기를 변경할 수 없다.

 

 

3) Numpy array는 내부적으로 C, C++과 같은 C언어로 구현되어 있다. 이는 Python이 Numerical Computing에 취약한 점을 보안해 Numerical Computing에서 High Performance를 내기 위해서 그렇다.

 

 

4) Numpy Array가 Python list 보다 빠른 이유 중에 하나는 원소의 Type checking을 할 필요가 없기 때문이다.

• Python list의 경우 list의 모든 element들의 Data Type을 일일이 확인 후 연산하기 때문에 Numpy array보다 큰 규모의 연산 속도가 느리다.

 

5) Numpy array는 universal function(through broadcast)를 제공해서 같은 연산 반복에 대해 훨씬 빠르다.

• 같은 데이터를 가지고 universal function을 사용해 역수를 구하는 연산과 for문을 돌면서 역수를 구하는 연산의 연산 시간을 측정하면 1000000개의 원소의 경우 1000배 가까이 차이나고 데이터의 크기가 커질수록 이 차이는 더 커진다.

In [4]:

import numpy as np

In [5]:

# Numpy array의 각 원소의 역수를 취하는 함수.
def reverse_num(values):
    output = np.empty(len(values))
    
    for i in range(len(values)):
        output[i] = 1.0 / values[i]
    
    return output

In [6]:

# 1부터 100까지 범위에서 1000000개를 랜덤으로 뽑아서 array를 만듭니다.
big_array = np.random.randint(1, 100, size=1000000)

In [7]:

%timeit reverse_num(big_array)

 

2.41 s ± 52.9 ms per loop (mean ± std. dev. of 7 runs, 1 loop each)

In [8]:

%timeit 1.0 / big_array

 

3.58 ms ± 160 µs per loop (mean ± std. dev. of 7 runs, 100 loops each)

 

Numpy Basic¶

 

Numpy array creation¶

 

• python list의 선언

In [9]:

data = [1, 2, 3, 4, 5]
data, type(data) # type(data)는 data 변수의 data type을 구하는 함수다.

Out[9]:

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

 

• Python 2차원 list 선언

In [10]:

data2 = [
    [1, 2, 3],
    [4, 5, 6],
    [7, 8, 9]
]
data2

Out[10]:

[[1, 2, 3], [4, 5, 6], [7, 8, 9]]

 

• Python list를 Numpy array로 변환
• np.array()

In [12]:

arr1 = np.array(data)
arr1, type(arr1), arr1.shape # arr1.shape은 arr1의 크기를 알려준다.

Out[12]:

(array([1, 2, 3, 4, 5]), numpy.ndarray, (5,))

 

• 2차원 list를 np.array로 변환

In [13]:

arr2 = np.array(data2)
arr2, type(arr2), arr2.shape

Out[13]:

(array([[1, 2, 3],
        [4, 5, 6],
        [7, 8, 9]]),
 numpy.ndarray,
 (3, 3))

 

• arr2의 차원
• arr2의 크기
• arr2의 행*열
• arr2의 원소의 타입
• arr2의 원소의 사이즈(byte)
• arr2의 차지하는 메모리 공간(itemsize * size)

In [14]:

print("arr2의 차원:", arr2.ndim)
print("arr2의 크기:", arr2.shape)
print("arr2의 사이즈:", arr2.size)
print("arr2의 타입:", arr2.dtype)
print("arr2의 원소사이즈:", arr2.itemsize)
print("arr2의 메모리공간:", arr2.nbytes)

 

arr2의 차원: 2
arr2의 크기: (3, 3)
arr2의 사이즈: 9
arr2의 타입: int32
arr2의 원소사이즈: 4
arr2의 메모리공간: 36

 

Array Initialization¶

 

Numpy array를 초기값과 함꼐 생성¶

 

• 원소가 0인 array를 생성하는 np.zeros()

In [29]:

np.zeros(5)

Out[29]:

array([0., 0., 0., 0., 0.])

In [30]:

np.zeros((3,3))

Out[30]:

array([[0., 0., 0.],
       [0., 0., 0.],
       [0., 0., 0.]])

 

• 원소가 1인 array를 생성하는 np.ones()

In [32]:

np.ones(3)

Out[32]:

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

In [33]:

np.ones((3,3))

Out[33]:

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

 

• 0부터 9까지의 수를 자동으로 생성하는 array

In [34]:

np.arange(10)

Out[34]:

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

 

• 10부터 100까지의 수를 자동으로 생성하는 array

In [35]:

np.arange(10,101)

Out[35]:

array([ 10,  11,  12,  13,  14,  15,  16,  17,  18,  19,  20,  21,  22,
        23,  24,  25,  26,  27,  28,  29,  30,  31,  32,  33,  34,  35,
        36,  37,  38,  39,  40,  41,  42,  43,  44,  45,  46,  47,  48,
        49,  50,  51,  52,  53,  54,  55,  56,  57,  58,  59,  60,  61,
        62,  63,  64,  65,  66,  67,  68,  69,  70,  71,  72,  73,  74,
        75,  76,  77,  78,  79,  80,  81,  82,  83,  84,  85,  86,  87,
        88,  89,  90,  91,  92,  93,  94,  95,  96,  97,  98,  99, 100])

 

Array Operation or universal Function¶

 

• Numpy array를 쓰는 가장 큰 이유는 vector처럼 사용할 수 있어서다.
• vector처럼 사용 가능하면 선형대수학적 접근이 가능하다.
• 이런 이점 때문에 matplotlib, pandas, tensorflow, pytorch 등의 데이터 분석 라이브러리들이 Numpy array를 사용한다.
• 그래서 필수적으로 Numpy array 혹은 vector 데이터를 다룰 수 있어야 한다.

 

• Python list와 Numpy array에서 연산이 어떻게 다른지 비교

In [37]:

L1 = [1, 2, 3]
L2 = [4, 5, 6]

L1 + L2

Out[37]:

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

In [38]:

V1 = np.array((1, 2, 3))
V2 = np.array((4, 5, 6))
V1 + V2

Out[38]:

array([5, 7, 9])

In [41]:

L1 - L2

 

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-41-42c866d5c011> in <module>
----> 1 L1 - L2

TypeError: unsupported operand type(s) for -: 'list' and 'list'

In [42]:

V1 - V2

Out[42]:

array([-3, -3, -3])

In [43]:

L1 * L2

 

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-43-b131a48f1322> in <module>
----> 1 L1 * L2

TypeError: can't multiply sequence by non-int of type 'list'

In [44]:

V1 * V2

Out[44]:

array([ 4, 10, 18])

In [45]:

L1 / L2

 

---------------------------------------------------------------------------
TypeError                                 Traceback (most recent call last)
<ipython-input-45-5839bfd14b9c> in <module>
----> 1 L1 / L2

TypeError: unsupported operand type(s) for /: 'list' and 'list'

In [46]:

V1 / V2

Out[46]:

array([0.25, 0.4 , 0.5 ])

 

• Numpy array는 벡터로 표현하여 연산하기 때문에 원소들의 순서대로 연산한다.
• Python list는 '+' 연산의 경우 원소를 추가하지만 나머지 연산은 오류가 발생한다.