넘파이 numpy (2) - arange, reshape, indexing

 

ndarray를 편리하게 생성하기 - arange, zeros, ones

 

 

• arange는 range와 유사한 기능, array를 range로 표현하는 것

• 디폴트 인자는 stop값, 0부터 9까지 1차원 ndarray를 만듬, start값도 부여 가능

 

 

In [4]:

import numpy as np

sequence_array = np.arange(10)
print(sequence_array)
print(sequence_array.dtype, sequence_array.shape)

[0 1 2 3 4 5 6 7 8 9]
int32 (10,)

 

 

• zeros는 튜플로 shape값을 입력하면 모든 값을 0으로 채운 해당 shape을 반환

• ones는 튜플로 입력하면 모두 1로 반환, dtype을 정해주지 않으면 디폴트는 float값

 

 

In [5]:

zero_array = np.zeros((3, 2), dtype='int32')
print(zero_array)
print(zero_array.dtype, zero_array.shape)

[[0 0]
 [0 0]
 [0 0]]
int32 (3, 2)

 

 

 

In [7]:

ones_array = np.ones((3, 2))
print(ones_array)
print(ones_array.dtype, ones_array.shape)

[1. 1.]
 [1. 1.]
 [1. 1.]]
float64 (3, 2)

 

ndarray의 차원과 크기를 변경하는 reshape()

• reshape는 ndarray를 특정 차원 및 크기로 변환, 원하는 크기를 인자로 입력

• (!0,)데이터를 (4,3)으로 변환할 수 없음 >> 지정된 사이즈로 변경 불가하면 오류 뜸

 

 

In [8]:

array1 = np.arange(10)
print('array1: \n', array1)

array2 = array1.reshape(2, 5)
print('array2: \n', array2)

array3 = array1.reshape(5, 2)
print('array3: \n', array3)

 

array1: 
 [0 1 2 3 4 5 6 7 8 9]
array2: 
 [[0 1 2 3 4]
 [5 6 7 8 9]]
array3: 
 [[0 1]
 [2 3]
 [4 5]
 [6 7]
 [8 9]]

 

 

 

In [9]:

array1.reshape(4,3)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
~\AppData\Local\Temp\ipykernel_19452\1938297127.py in <module>
----> 1 array1.reshape(4,3)

ValueError: cannot reshape array of size 10 into shape (4,3)

 

 

• reshape을 실전에서 효율적으로 쓰는 경우는 인자에 -1 적용하는 경우, -1을 사용하면 원래 ndarray와 호환되는 새로운 shape로 변환해줌

 

 

In [10]:

array1 = np.arange(10)
print(array1)
array2 = array1.reshape(-1, 5)   #고정된 5개의 column에 맞는 row를 자동으로 새로 생성하라는 의미
print('array2 shape:', array2.shape)
array3 = array1.reshape(5, -1)   #고정된 5개의 row에 맞춰라
print('array3 shape:', array3.shape)

[0 1 2 3 4 5 6 7 8 9]
array2 shape: (2, 5)
array3 shape: (5, 2)

 

 

 

In [11]:

#10개의 1차원 데이터를 고정된 4개 column에 맞출 순 없음, 에러 발생 경우
array1 = np.arange(10)
array2 = array1.reshape(-1, 4)

---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
~\AppData\Local\Temp\ipykernel_19452\3765126453.py in <module>
      1 #10개의 1차원 데이터를 고정된 4개 column에 맞출 순 없음, 에러 발생 경우
      2 array1 = np.arange(10)
----> 3 array2 = array1.reshape(-1, 4)

ValueError: cannot reshape array of size 10 into shape (4)

 

 

• reshape(-1,1)과 같은 형태로 자주 사용, 반드시 1개의 column을 가진 ndarray로 변환함을 보장

• 여러개의 ndarray를 stack이나 concat으로 결합할 때 형태 통일해서 유용하게 사용

 

 

In [13]:

array1 = np.arange(8)
array3d = array1.reshape((2,2,2))
print('array3d: \n', array3d.tolist())

#3차원 ndarray를 2차원으로 변환
array5 = array3d.reshape(-1,1)
print('array5: \n', array5.tolist())
print('array5 shape:', array5.shape)

#1차원을 2차원으로 변환
array6 = array1.reshape(-1,1)
print('array6: \n', array6.tolist())
print('array6 shape', array6.shape)

array3d: 
 [[[0, 1], [2, 3]], [[4, 5], [6, 7]]]
array5: 
 [[0], [1], [2], [3], [4], [5], [6], [7]]
array5 shape: (8, 1)
array6: 
 [[0], [1], [2], [3], [4], [5], [6], [7]]
array6 shape (8, 1)

 

 

 

 

넘파이의 ndarray의 데이터 세트 선택하기 - 인덱싱(indexing)

 

 

1. 단일 값 추출

 

In [14]:

array1 = np.arange(start=1, stop=10)
print('array1:', array1)

value = array1[2]  #3번째 index위치의 데이터
print('value:', value)
print(type(value))  #이제 ndarray가 아니라 ndarray내의 데이터값임을 의미

array1: [1 2 3 4 5 6 7 8 9]
value: 3
<class 'numpy.int32'>

 

 

 

In [16]:

#데이터값 수정하기
array1[0] = 9
array1[8] = 0
print('array1:', array1)

array1: [9 2 3 4 5 6 7 8 0]

 

 

 

In [17]:

#다차원 ndarray에서 단일 값 추출
array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print(array2d)

print('(row=0, col=0) index 가리키는 값:', array2d[0, 0])
print('(row=0, col=1) index 가리키는 값:', array2d[0, 1])
print('(row=1, col=0) index 가리키는 값:', array2d[1, 0])
print('(row=2, col=2) index 가리키는 값:', array2d[2, 2])

[[1 2 3]
 [4 5 6]
 [7 8 9]]
(row=0, col=0) index 가리키는 값: 1
(row=0, col=1) index 가리키는 값: 2
(row=1, col=0) index 가리키는 값: 4
(row=2, col=2) index 가리키는 값: 9

 

 

• 정확한 표현은 row, column보다는 axis0, axis1 이 맞음

 

 

 

2. 슬라이싱 slicing

 

 

In [18]:

array1 = np.arange(start=1, stop=10)
array3 = array1[0:3]
print(array3)
print(type(array3))

[1 2 3]
<class 'numpy.ndarray'>

 

 

 

In [19]:

#2차원 ndarray에서 슬라이싱하기
array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)
print('array2d:\n', array2d)

print('array2d[0:2, 0:2] \n', array2d[0:2, 0:2])
print('array2d[1:3, 0:3] \n', array2d[1:3, 0:3])
print('array2d[1:3, :] \n', array2d[1:3, :])
print('array2d[:, :] \n', array2d[:, :])
print('array2d[:2, 1:] \n', array2d[:2, 1:])
print('array2d[:2, 0] \n', array2d[:2, 0])

array2d:
 [[1 2 3]
 [4 5 6]
 [7 8 9]]
array2d[0:2, 0:2] 
 [[1 2]
 [4 5]]
array2d[1:3, 0:3] 
 [[4 5 6]
 [7 8 9]]
array2d[1:3, :] 
 [[4 5 6]
 [7 8 9]]
array2d[:, :] 
 [[1 2 3]
 [4 5 6]
 [7 8 9]]
array2d[:2, 1:] 
 [[2 3]
 [5 6]]
array2d[:2, 0] 
 [1 4]

 

 

 

In [21]:

print(array2d[0])
print(array2d[1])
print('array2d[0] shape:', array2d[0].shape, 'array2d[1] shape:', array2d[1].shape)

[1 2 3]
[4 5 6]
array2d[0] shape: (3,) array2d[1] shape: (3,)

 

 

 

 

3. 팬시 인덱싱 fancy indexing

 

In [22]:

array1d = np.arange(start=1, stop=10)
array2d = array1d.reshape(3,3)

array3 = array2d[[0, 1], 2]
print('array2d[[0, 1], 2] => ', array3.tolist())

array4 = array2d[[0, 1], 0:2]
print('array2d[[0, 1], 0:2] => ', array4.tolist())

array5 = array2d[[0, 1]]
print('array2d[[0, 1]] => ', array5.tolist())

array2d[[0, 1], 2] =>  [3, 6]
array2d[[0, 1], 0:2] =>  [[1, 2], [4, 5]]
array2d[[0, 1]] =>  [[1, 2, 3], [4, 5, 6]]

 

 

 

 

4. 불린 인덱싱 boolean indexing

 

 

• 조건 필터링과 검색을 동시에 할 수 있음

• 인덱스를 지정하는 []내에 조건문을 그대로 쓰면됌

 

 

In [23]:

array1d = np.arange(start=1, stop=10)
#[]안에 array1d > 5 Boolean indexing을 적용
array3 = array1d[array1d > 5]
print('array1d > 5 불린 인덱싱 값:', array3)

array1d > 5 불린 인덱싱 값: [6 7 8 9]

 

 

 

In [25]:

array1d > 5
#5보다 큰 데이터있는 위치에는 True 반환, 이 조건 자체를 []안에 입력하면 False값은 무시하고 True만 자동 변환해서 반환

 

Out[25]:

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

 

 

 

In [26]:

boolean_indexes = np.array([False, False, False, False, False,  True,  True,  True,  True])
array3 = array1d[boolean_indexes]
print('불린 인덱스로 필터링 결과:', array3)

불린 인덱스로 필터링 결과: [6 7 8 9]

 

 

 

In [27]:

#직접 인덱스 집합을 만들어 대입한 것과 동일
indexes = np.array([5, 6, 7, 8])
array4 = array1d[indexes]
print('일반 인덱스로 필터링 결과:', array4)

일반 인덱스로 필터링 결과: [6 7 8 9]