Python 함수와 모듈 그리고 Numpy

1. format 함수

weather = "rain"
temp = 30
a = "Weather tomorrow : {}, temp : {}".format(weather,temp)
print(a)

>>> Weather tomorrow : ra, temp : 30

2. lambda 함수

add = lambda x,y : x+y
add(3,5)

>>> 8

3.모듈 dir 함수

import math
dir(math)

>>> ['__doc__',
 '__file__',
 '__loader__',
 '__name__',,,,,,,,

4. 기본 모듈

import sys
import calendar
import request    # 크롤링할 때 필요한 모듈
import random

5. Numpy

Numpy 모듈은 다차원 배열(ndarray)을 처리하는데 필요한 기능을 제공하는 모듈이다.

• 모두 같은 자료형을 사용해야 한다.
• 배열의 차원을 rank라고 부르고, 전체 크기를 shape라고 부른다.
  • 예시) 행이 2이고 열이 3인 배열이면 rank =2, shape = (2,3)이다.

1. ndarray 생성하기

1.&nbspnp.array() 함수

np.array(배열) 함수는 주어진 배열을 ndarray로 변환하여 return해준다.

import numpy as np

x= np.array([[1,2,3,4],[5,6,7,8]])
print(x)
print(type(x),x.shape,x.dtype)

>>> [[1 2 3 4]
     [5 6 7 8]]
>>> <class 'numpy.ndarray'> (2, 4) int64

2.&nbspnp.arange() 함수

np.arange(range와 같은 방식으로 사용) 함수는 range함수를 이용하여 list를 생성하던 것과 동일한 방식으로 사용하도록 해준다.

y=np.arange(10)
print(y)

z=np.arange(1,10,2)
print(z)

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

3.&nbspnp.ones() 함수와 np.zeros() 함수

np.ones((size)) 함수와 np.zeros() 함수는 주어진 size만큼 1(또는 0)로만 이루어진 배열을 생성한다.

a=np.ones((4,5)) # 원소가 모두 1인 ndarray 생성
print(a)

>>> [[1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]
 [1. 1. 1. 1. 1.]]

b = np.zeros((3,4,5))
print(b)

>>> [[[0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]
  [0. 0. 0. 0. 0.]]

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

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

4.&nbspnp.empty() 함수

np.empty((size)) 함수는 주어진 size만큼 빈 배열을 생성한다.

c = np.empty((3,4)) # 빈 배열 생성
print(c)

>>> [[0.00000000e+000 7.41098469e-323 0.00000000e+000 0.00000000e+000]
 [0.00000000e+000 5.64233733e-067 5.20094690e-090 2.78857459e+179]
 [6.54513198e-043 2.63311837e-052 3.99910963e+252 1.46030983e-319]]

5.&nbspnp.full() 함수

np.full((size),값) 함수는 주어진 size만큼 특정 값으로 채워진 배열을 생성한다.

d = np.full((2,3),5) # 지정된 값으로 채워진 배열 생성
print(d)

>>> [[5 5 5]
 [5 5 5]]

6.&nbspnp.eyes() 함수와 np.identity() 함수

np.eyes(size) 함수와 np.identity(size) 함수는 주어진 size의 단위행렬을 생성한다.

np.eye(3) # 단위행렬 생성

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

7.&nbspnp.linspace() 함수

np.linespace(시작값,끝값,원소 개수 함수)는 처음과 끝까지 정해진 수만큼 같은 간격으로 넘어가며 배열 생성한다.

np.linspace(1,10,4) # 처음과 끝까지 정해진 수만큼 같은 간격으로 넘어가며 배열 생성

>>> array([ 1.,  4.,  7., 10.])

2. Numpy의 Random함수를 활용하여 ndarray 생성하기

1.&nbsprand() 함수

rand(size) 함수는 0~1사이의 수로 채워진 배열 생성한다.

np.random.rand(3,4)

>>> array([[0.86276167, 0.60177871, 0.6472568 , 0.64470337],
       [0.40840884, 0.73204089, 0.3245383 , 0.19081743],
       [0.30652447, 0.39284716, 0.3673263 , 0.40596438]])

2.&nbsprandint() 함수

randint(시작값,끝값,(size)) 함수는 특정 정수 사이의 수로 채워진 배열 생성한다.

np.random.randint(1,100,(3,4,5)) # 특정 정수 사이의 수로 채워진 배열 생성 

>>> array([[[ 3, 61,  2, 43, 82],
        [ 1,  5, 71, 74, 44],
        [25,  1, 22, 16, 33],
        [62, 77,  6, 76, 66]],

       [[21, 95, 92, 77, 70],
        [22, 17, 25, 34, 76],
        [51, 72, 62, 22,  6],
        [75, 81, 10, 57,  8]],

       [[11, 92, 55, 68, 58],
        [ 2, 47,  6, 21, 26],
        [87, 27, 15, 99, 58],
        [62, 11, 52,  7, 47]]])

2.&nbspseed() 함수

seed(시작값) 함수는 시드를 정해주어 같은 시드로 시작한 랜덤함수에서는 같은 결과가 나오도록 한다.

np.random.seed(23)
print(np.random.randn(3,4))

np.random.seed(23) # seed가 같은 경우 같은 결과를 출력
print(np.random.randn(3,4))

print(np.random.randn(3,4)) #seed가 없는경우 다른 결과가 출력됨

>>> [[ 0.66698806  0.02581308 -0.77761941  0.94863382]
 [ 0.70167179 -1.05108156 -0.36754812 -1.13745969]
 [-1.32214752  1.77225828 -0.34745899  0.67014016]]
>>> [[ 0.66698806  0.02581308 -0.77761941  0.94863382]
 [ 0.70167179 -1.05108156 -0.36754812 -1.13745969]
 [-1.32214752  1.77225828 -0.34745899  0.67014016]]
>>> [[ 0.32227152  0.06034293 -1.04345    -1.00994188]
 [ 0.44173637  1.12887685 -1.83806777 -0.93876863]
 [-0.20184052  1.04537128  0.53816197  0.81211867]]

3.&nbspchoice() 함수

choice(배열,(size)) 함수는 주어진 배열에서 무작위로 고른 값들로 size만큼 채워진 배열을 생성한다.

print(np.random.choice(100,(2,3))) # 1~100까지의 정수로 채워진 배열에서 무작위로 채워진 배열 생성

x=[1,2,3,4,5,6]
np.random.choice(x,(2,3),replace = False) # 주어진 1차원 배열에서 무작위로 채워진 배열 생성(중복허용 X )

>>> [[66 74 35]
 [96 56 13]]
>>> array([[5, 1, 6],
       [1, 3, 5]])

3. ndarray indexing

1.&nbsp2차원 배열

x= np.arange(6).reshape(2,3)
print(x)
print(x[0])
print(x[1,:2])

>>> [[0 1 2]
 [3 4 5]]

>>> [0 1 2]
>>> [3 4]

2.&nbsp3차원 배열

x= np.arange(24).reshape(2,3,4)
print(x)
print(x[0])
print(x[1,:2])
print(x[:1,:2,:3])

>>> [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]

>>> [[ 0  1  2  3]
 [ 4  5  6  7]
 [ 8  9 10 11]]

>>> [[12 13 14 15]
 [16 17 18 19]]

>>> [[[0 1 2]
  [4 5 6]]]

3.&nbsp논리값을 이용한 indexing

np.random.seed(103)
x=np.random.randint(1,100,size=10)
print(x)

even_num = x%2==0
print(even_num)

print(x[even_num])
print(x[x%2==0])

>>> [ 8 74 20 92 58 71 29 22 24 56]
>>> [ True  True  True  True  True False False  True  True  True]
>>> [ 8 74 20 92 58 22 24 56]
>>> [ 8 74 20 92 58 22 24 56]

4. ndarray 형태 변형

1.&nbspreshape() 함수

reshape(size)함수는 함수의 형태를 변형하는 함수로, 변경 전,후의 원소의 개수가 같아야 한다.

x=np.arange(10)
print(x)
print(x.ndim)

y=x.reshape(2,5)
print(x)
print(y,y.ndim)

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

2.&nbsp다차원 배열을 1차원 배열로 변형해주는 함수

ravel함수와 flatten함수는 다차원 배열을 1차원 배열로 변형해주는 함수다. 차이점은 flatten함수는 복사본을 반환해준다는 점이다.

print(np.ravel(y,order='c')) #같은 행에 있는 원소를 우선
print(np.ravel(y,order='f')) #같은 열에 있는 원소를 우선
y.ravel() # 이런식으로도 사용 가능하다  

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

5. ndarray 연산

1. 범용함수(universial function)

*범용함수란? *
ufunc라고 부르며 ndarray의 데이터 원소별로 연산을 수행하는 함수를 말한다.

https://codetorial.net/numpy/functions/index.html

6. ndarray axis

1. axis(축)

*axis란? *
축이라고 부르며 ndarray의 데이터 원소들 중 원하는 축을 지정하여 연산을 수행할 수 있다.

2. 1차원 배열을 때

x=np.arange(10)
print(x)
print(np.sum(x,axis=0))

>>> [0 1 2 3 4 5 6 7 8 9]
>>> 45

3. 2차원 배열을 때

y=x.reshape(2,5)
print(y)
print(np.sum(y,axis=0)) #열별로 연산이 수행된 결과가 출력된다.
print(np.sum(y,axis=1)) #행별로 연산이 수행된 결과가 출력된다.

>>> [[0 1 2 3 4]
 [5 6 7 8 9]]
>>> [ 5  7  9 11 13]
>>> [10 35]

4. 3차원 배열을 때

z= np.arange(24).reshape(2,3,4)
print(z)
print(np.sum(z,axis=0)) 
print(np.sum(z,axis=1)) 
print(np.sum(z,axis=2))
print(np.sum(z,axis=(0,2)))

>>> [[[ 0  1  2  3]
  [ 4  5  6  7]
  [ 8  9 10 11]]

 [[12 13 14 15]
  [16 17 18 19]
  [20 21 22 23]]]
>>> [12 14 16 18]
 [20 22 24 26]
 [28 30 32 34]]
>>> [[12 15 18 21]
 [48 51 54 57]]
>>> [[ 6 22 38]
 [54 70 86]]
 >>> [ 60  92 124] #axis가 0일 때를 수행한 결과를 가지고 axis가 2인 경우의 연산을 한번 더 실행시킨 결과