Python Numpy 기본 기능

최근 알고리즘이 나를 이끌었다 이러면서 AI가 시대를 휩쓰는 느낌이다. 그러면서 machine learning, deep learning이 주목받는데 보통사람에겐 영 그 의미를 받아들이기 힘들기도 하다. 방대한 양의 숫자를 다루는 컴퓨터 연산이 이 machine learning, deep learning의 핵심인데 이 방대한 연산을 가능하게 해준는 것들 중 하나가 바로 python에서는 Numpy라는 package이다.

다차원array(배열, 때문에 차원개념이 중요하다. )를 효과적으로 처리가 가능한 python package이다. 현실 세계의 다양한 data는 array 형태로 표현이 가능한데, numpy는 python에서 많이 사용하는 list에 비해 빠르고 강력하다.

Numpy의 dimension(차원)

1d axis(row): axis 0 –> vector
2d axis(column): axis 1 –> matrix
3d axis(channel): axis 2 –> tensor (3d 이상)

다 필요없고 그냥 python code로 이해해보록 하자. 불친절하고 무책임하게 보이는 설명 방법같지만 이런 설명 또한 도움이 되는 사람이 있으리라. 가장 기본이 되는 기능만 요약했다.

import numpy as np

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

print(array.size)
print(array.dtype)
print(array[2])	#slicing이 가능

# array 만들기
Ary1 = np.arange(4)
print("Ary1 is like: ", Ary1)
Ary2 = np.zeros((4,4), dtype = float)
print("Ary2 is like: ", Ary2)
Ary3 = np.ones((3,3), dtype = str)
print('Ary3 is like: ', Ary3)

# 4. 0부터 9까지 랜덤하게 초기화 된 array 만들기
Ary4 = np.random.randint(0,10,(3,3))
print("Ary4 is like: ", Ary4)
# 5. 평균이 0이고, 표준편차가 1인 표준 정규를 띄는 array 만들기
Ary5 = np.random.normal(0,1,(3,3))
print("Ary5 is like: ", Ary5)
# 6. array 합치기: concatenate
Ary_1 = np.array([1,2,3])
Ary_2 = np.array([4,5,6])
Ary_3 = np.concatenate([Ary_1, Ary_2])
print("Ary_3's shape is like: ", Ary_3.shape)
print("Ary_3 is like: ", Ary_3)
# 7. array reshape
bong1 = np.array([1,2,3,4])
bong2 = bong1.reshape((2,2))
print("reshaped array is like: ", bong2)
# 8. array 세로 축으로 합치기 (가로 축은 concatenate 썼었다)
bong3 = np.arange(4).reshape(1,4)
bong4 = np.arange(8).reshape(2,4)
print("bong3 is like: ", bong3)
print("bong4 is like: ", bong4)
bong5 = np.concatenate([bong3, bong4], axis = 0)    # 세로축기준은 axis = 0, 가로축기준은 axis =1
print("bong5 is like: ", bong5)
print("bong5's shape is like: ", bong5.shape)
# 9. array split
bong_ary = np.arange(8).reshape(2,4)
a, b = np.split(bong_ary, [2], axis = 1)    # index2를 기준으로, column2를 기준으로 나눈다.
print("bong_ary is like: ", bong_ary)
print(a, a.shape)
print(b, b.shape)