Numpy

Numpy(Numerical python)
np.array 함수를 사용하여 배열 생성
리스트와는 다르게 하나의 데이터 type만 배열에 사용가능
=> dynamic typing not supported
리스트는 객체들의 레퍼런스의 모임이지만 배열은 한개의 객체임

import numpy as np

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

print(a)

#astype()메써드로 바꾸기가능

b=a.astype(np.int16)

print(b.dtype)

[1. 2. 3. 4.]

int16

 

 

shape 넘파이 배열 차원의 구성을 반환함 // 차원의 길이를 의미
dtype 넘파이 배열 데이터 타입 반환
ndim (number of dimension) 몇차원인지 의미
size  원소개수

 

import numpy as np

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

print(a.ndim,a.shape,a.size)

2 (3, 4) 12

 

array의 RANK에 따라 다음과 같이 불림
0 scalar
1 vector
2 matrix
3 3-tensor
n n-tensor

 

np.array([4.5,5,6],dtype=int)

array([4, 5, 6])

 

 

reshape
array의 shape크기를 변경함 원소 개수는 동일(=size만 같으면 가능)

a=[[1,2,3,4],[4,3,2,1]]

np.array(a).shape

(2, 4)

a.reshape(-1,2).shape    #-1:size를 기반으로 행(row) 개수 선정

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

a=a.flatten()    #다차원 array를 1차원 array로 변환

print(a.shape,a.ndim)

(4, 2)

 

 

인덱싱 & 슬라이싱
행과 열 부분 나눠서 슬라이싱 가능

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

a

array([[1, 2, 3],

       [4, 5, 6]])

 

a[0][1]# a[0]을 만든후에 다시 [1]인덱싱 하므로 느림

2

a[0,1]

2

 

a[:,2:]  #전체 2열이상

a[1,1:3] #1행, 1~2열

a[1:3]   #1행~2행 전체

array([[3],

       [6]])

 

배열 생성

a=np.arange(10) #0~10까지

print(a)

b=np.arange(0,5,0.5)

print(b)

c=np.ones((1,5),int)

print(c)

d=np.zeros((1,5),int)

print(d)

e=np.empty((1,5),int)#shape만 주어지고 비어있음

print(e)

f=np.eye(3)#대각선 1인 행렬

print(f)

g=np.eye(3,5,k=2)#k값의 시작 index변경가능

print(g)

h=np.random.random((2,2))

print(h)

i=np.identity(n=3) #단위행렬 생성

print(i)

j= np.full((3,3),1)

print(j)

k = np.arange(9).reshape(3,3)

k=np.diag(k)#대각 행렬의 값 추출

print(k)

l = np.linspace(0,10,num=5) #간격이 동일한 숫자들

print(l)

m = np.random.uniform(0,1,10).reshape(2,5)#균등분포

print(m)

o=np.random.normal(0,1,10).reshape(2,5)#정규분포

print(o)

[0 1 2 3 4 5 6 7 8 9]

[0.  0.5 1.  1.5 2.  2.5 3.  3.5 4.  4.5]

[[1 1 1 1 1]]

[[0 0 0 0 0]]

[[0 0 0 0 0]]

[[1. 0. 0.]

 [0. 1. 0.]

 [0. 0. 1.]]

[[0. 0. 1. 0. 0.]

 [0. 0. 0. 1. 0.]

 [0. 0. 0. 0. 1.]]

[[0.76893618 0.99737931]

 [0.59870531 0.45823205]]

[[1. 0. 0.]

 [0. 1. 0.]

 [0. 0. 1.]]

[[1 1 1]

 [1 1 1]

 [1 1 1]]

[0 4 8]

[ 0.   2.5  5.   7.5 10. ]

[[0.44718027 0.09638236 0.67958903 0.10397707 0.13779765]

 [0.10982099 0.92789691 0.70572563 0.27952112 0.80801699]]

[[-0.82595933 -1.10910898 -1.07887584 -1.1625917   0.37258493]

 [-1.27214653 -0.91132852  0.31568216  1.02814766  0.1145498 ]]

 

배열 연산

a= np.arange(9).reshape(3,3)

print(a)

print(a.sum())#모든축

print(a.sum(axis=0))#0번축

print(a.sum(axis=1))#1번축

[[0 1 2]

 [3 4 5]

 [6 7 8]]

36

[ 9 12 15]

[ 3 12 21]

b=np.arange(27).reshape(3,3,3)

print(b)

print(b.sum(axis=0))

print(b.sum(axis=1))

print(b.sum(axis=2))

[[[ 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 30 33]

 [36 39 42]

 [45 48 51]]

[[ 9 12 15]

 [36 39 42]

 [63 66 69]]

[[ 3 12 21]

 [30 39 48]

 [57 66 75]]

print(a.mean(),a.mean(axis=0),a.std()) #평균, 표준편차

4.0 [3. 4. 5.] 2.581988897471611

 

#vstack, hstack, concatenate

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

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

c=np.vstack((a,b))

print(c)

d=np.hstack((a,b))

print(d)

e=np.concatenate((a,b),axis=0)

#f=np.concatenate((a,b),axis=1)  //원래 직선이라 방향이 axis=0뿐임

#print(f)

print(a+b)

print(a-b)

print(a*b)

[[1 2 3]

 [2 3 4]]

[1 2 3 2 3 4]

[3 5 7]

[-1 -1 -1]

[ 2  6 12]

 

#dot 행렬 연산

a = np.arange(1,7).reshape(2,3)

b = np.arange(7,13).reshape(3,2)

print(a.dot(b))

[[ 58  64]

 [139 154]]

#transpose

a=np.arange(1,7).reshape(2,3)

print(a.transpose())

print(a.T)

[[1 4]

 [2 5]

 [3 6]]

[[1 4]

 [2 5]

 [3 6]]

#broadcating =>shape이 다른 배열간 연산을 지원하는 기능

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

scalar=3

print(a+scalar)

#뺄셈, 곱셈, 나눗셈, 몫, 제곱 가능

[[4 5 6]

 [7 8 9]]

 

 

비교 

a=np.arange(10)

print(np.any(a>5)) #하나라도 조건 만족하면 true

print(np.all(a>5)) #모두 만족해야 true

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

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

print(a>b)

True

False

[False False False]

a=np.array([1,2,4,5,8,78,23,3])

print(np.argmax(a),np.argmin(a))

b=np.array([[1,2,4,7],[9,88,4,12],[1,2,3,4]])

print(np.argmax(b,axis=1),np.argmin(b,axis=0))

5 0

[3 1 3] [0 0 2 2]

a=np.array([2,4,6,8])

b=np.array([0,0,1,3,2,1])

print(a[b])

print(a.take(b))

[2 2 4 8 6 4]

[2 2 4 8 6 4]

 

a= np.arange(8)

print(a>3)

print(a[a>3])

[False False False False  True  True  True  True]

[4 5 6 7]

 

 

numpy.clip(array,min,max)

array내의 요소들에 대해 min 값보다 작은 값들을 min값으로 바꿔주고
max 값 보다 큰값들은 max로 바꿔줌

 

 

 

#pillow

#array to image

import numpy as np
from PIL import Image

image = Image.open("lena.png")
np_array = np.array(image)

pil_image=Image.fromarray(np_array)
pil_image.show()

 

#image to array

from PIL import Image
import numpy as np

img = Image.open("이미지 경로")
check_img = np.array(img)
check_img.shape

 

 

 

 

 

reference: 네이버 커넥트, etc