003. Numpy_Study2

Broadcast¶

• 크기가 서로다른 Numpy array를 연산할 때, 자동으로 크기를 맞추어 연산해주는 기능이다.

In [1]:

import numpy as np

In [2]:

arr1 = np.array([[1,2,3],
                [4,5,6]])
arr1

Out[2]:

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

In [3]:

arr1.shape

Out[3]:

(2, 3)

In [4]:

arr2 = np.array([7,8,9])
arr2

Out[4]:

array([7, 8, 9])

In [5]:

arr2.shape

Out[5]:

(3,)

2개의 numpy array를 더하기¶

In [6]:

arr1 + arr2

Out[6]:

array([[ 8, 10, 12],
       [11, 13, 15]])

2개의 numpy array를 곱하기¶

In [7]:

arr1 * arr2

Out[7]:

array([[ 7, 16, 27],
       [28, 40, 54]])

numpy array에 10을 곱하기¶

In [8]:

arr1 * 10

Out[8]:

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

numpy array를 제곱¶

In [9]:

arr1 ** 2

Out[9]:

array([[ 1,  4,  9],
       [16, 25, 36]], dtype=int32)

Universal Functions¶

• Numpy array의 Universal Function이라는 기능은 하나의 함수를 모든 원소에 자동으로 적용하는 기능이다.
• Universal Functions는 모든 원소에 같은 함수를 적용할 때 High Performance를 보여준다.

In [15]:

arr1 = np.array([1, 2, 3])
print("arr1의 dtype :", arr1.dtype)
arr1 = arr1 / 1
print("Universal Function 후 arr1의 dtype: ", arr1.dtype)

arr1의 dtype : int32
Universal Function 후 arr1의 dtype:  float64

모든 원소에 역수 처리¶

In [16]:

1/ arr1

Out[16]:

array([1.        , 0.5       , 0.33333333])

모든 원소에 2 더하기¶

In [17]:

arr1 + 2

Out[17]:

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

Indexing¶

numpy array 생성¶

In [21]:

arr1 = np.arange(100)
arr1

Out[21]:

array([ 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, 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])

첫번째 원소 인덱싱¶

In [22]:

arr1[0]

Out[22]:

0

마지막 원소 인덱싱¶

In [23]:

arr1[-1]

Out[23]:

99

앞에서부터 원소 세개¶

In [24]:

arr1[:3]

Out[24]:

array([0, 1, 2])

3*4 array 생성¶

In [25]:

arr2 = np.array([[1, 2, 3, 4],
                [5, 6, 7, 8],
                [9, 10, 11, 12]])
arr2

Out[25]:

array([[ 1,  2,  3,  4],
       [ 5,  6,  7,  8],
       [ 9, 10, 11, 12]])

arr2의 (2,3)의 원소¶

In [26]:

arr2[1,2]

Out[26]:

7

arr2의 세번째 column¶

In [27]:

arr2[:,2]

Out[27]:

array([ 3,  7, 11])

arr2의 두번째 row¶

In [28]:

arr2[1,:]

Out[28]:

array([5, 6, 7, 8])

In [29]:

arr2[1]

Out[29]:

array([5, 6, 7, 8])

Masking¶

• Numpy array의 masking 기능은 사용자가 지정한 조건의 row나 column을 추출하는 기능이다.
• 원하는 column을 인덱싱할 수 있어서 데이터 전처리에 필수적인 기능이다.

masking을 위한 numpy array 생성¶

In [33]:

mask = np.array([1, 0, 1, 0, 1, 0, 0])
mask

Out[33]:

array([1, 0, 1, 0, 1, 0, 0])

전처리하기 위한 임의의 데이터 생성¶

In [34]:

data = np.random.randn(7,4)  # np.random.randn()은 임의의 value를 가진 numpy array를 만든다.
data

Out[34]:

array([[-0.90587352,  1.06786721,  0.10273511, -1.1576817 ],
       [ 0.40135706, -1.13207392, -0.40053767, -0.82053422],
       [-0.89400079, -1.08903283, -0.1719695 , -1.76308863],
       [-0.12574245, -1.21681551, -0.31619189, -1.25607439],
       [-1.21480809,  3.06321077, -0.50935558, -0.82724797],
       [ 0.46679713, -0.69429252,  1.71778126, -0.45013225],
       [-2.22489957,  1.06286897, -0.53558184, -1.86232714]])

numpy array의 사이즈 확인¶

In [35]:

data.shape

Out[35]:

(7, 4)

masking 하기 위해 boolean data type 필요하기 때문에 masked_data 만들기¶

In [36]:

masked_data = (mask == 1)
masked_data

Out[36]:

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

data에 마스크를 적용한다.¶

In [37]:

data[masked_data,:]

Out[37]:

array([[-0.90587352,  1.06786721,  0.10273511, -1.1576817 ],
       [-0.89400079, -1.08903283, -0.1719695 , -1.76308863],
       [-1.21480809,  3.06321077, -0.50935558, -0.82724797]])

• 마스킹 된 부분의 row만 출력된다.

data 인덱싱 내에서 마스크를 적용¶

In [38]:

data[mask == 0, :]

Out[38]:

array([[ 0.40135706, -1.13207392, -0.40053767, -0.82053422],
       [-0.12574245, -1.21681551, -0.31619189, -1.25607439],
       [ 0.46679713, -0.69429252,  1.71778126, -0.45013225],
       [-2.22489957,  1.06286897, -0.53558184, -1.86232714]])

• mask중 값이 0인 부분의 row가 출력

In [39]:

data[mask > 0, :]

Out[39]:

array([[-0.90587352,  1.06786721,  0.10273511, -1.1576817 ],
       [-0.89400079, -1.08903283, -0.1719695 , -1.76308863],
       [-1.21480809,  3.06321077, -0.50935558, -0.82724797]])

• mask의 원소중 0보다 큰 부분의 row가 출력

famcy indexing을 통한 masking¶

In [41]:

data[:,0] > 0

Out[41]:

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

• 첫번째 column중 0보다 큰 row를 표시

In [42]:

data[data[:,0] > 0, 0]

Out[42]:

array([0.40135706, 0.46679713])

• 첫번째 column중 0보다 큰 row에 해당하는 첫번째 column의 원소를 출력

In [43]:

data[data[:,0] >0] = 0
data

Out[43]:

array([[-0.90587352,  1.06786721,  0.10273511, -1.1576817 ],
       [ 0.        ,  0.        ,  0.        ,  0.        ],
       [-0.89400079, -1.08903283, -0.1719695 , -1.76308863],
       [-0.12574245, -1.21681551, -0.31619189, -1.25607439],
       [-1.21480809,  3.06321077, -0.50935558, -0.82724797],
       [ 0.        ,  0.        ,  0.        ,  0.        ],
       [-2.22489957,  1.06286897, -0.53558184, -1.86232714]])

• 첫번째 column의 원소중 0보다 큰 부분의 row의 값을 0으로 대입

In [ ]: