수색…
소개
N 차원 배열 또는 ndarrays 는 동일한 데이터 형식의 항목을 저장하는 데 사용되는 numpy의 핵심 개체입니다. 그것들은 일반적인 파이썬의 배열보다 우수한 효율적인 데이터 구조를 제공합니다.
비고
가능할 때마다 배열 및 벡터 연산 측면에서 데이터에 대한 연산을 표현합니다. 벡터 작업은 for 루프보다 훨씬 빠르게 실행됩니다.
배열 만들기
빈 배열
np.empty((2,3))
이 경우이 배열의 값은 설정되지 않습니다. 따라서 배열을 만드는이 방법은 코드가 나중에 배열로 채워지는 경우에만 유용합니다.
목록에서
np.array([0,1,2,3])
# Out: array([0, 1, 2, 3])
범위 만들기
np.arange(4)
# Out: array([0, 1, 2, 3])
0 생성
np.zeros((3,2))
# Out:
# array([[ 0., 0.],
# [ 0., 0.],
# [ 0., 0.]])
만들기
np.ones((3,2))
# Out:
# array([[ 1., 1.],
# [ 1., 1.],
# [ 1., 1.]])
선형으로 배열 된 배열 항목 만들기
np.linspace(0,1,21)
# Out:
# array([ 0. , 0.05, 0.1 , 0.15, 0.2 , 0.25, 0.3 , 0.35, 0.4 ,
# 0.45, 0.5 , 0.55, 0.6 , 0.65, 0.7 , 0.75, 0.8 , 0.85,
# 0.9 , 0.95, 1. ])
로그 간격 배열 항목 만들기
np.logspace(-2,2,5)
# Out:
# array([ 1.00000000e-02, 1.00000000e-01, 1.00000000e+00,
# 1.00000000e+01, 1.00000000e+02])
주어진 함수로부터 배열 만들기
np.fromfunction(lambda i: i**2, (5,))
# Out:
# array([ 0., 1., 4., 9., 16.])
np.fromfunction(lambda i,j: i**2, (3,3))
# Out:
# array([[ 0., 0., 0.],
# [ 1., 1., 1.],
# [ 4., 4., 4.]])
배열 연산자
x = np.arange(4)
x
#Out:array([0, 1, 2, 3])
스칼라 추가 요소 현명하다
x+10
#Out: array([10, 11, 12, 13])
스칼라 곱셈은 요소 현명하다.
x*2
#Out: array([0, 2, 4, 6])
배열 추가는 요소 현명하다.
x+x
#Out: array([0, 2, 4, 6])
배열 곱셈은 요소 현명하다.
x*x
#Out: array([0, 1, 4, 9])
내적 (또는 더 일반적으로 행렬 곱셈)은 함수
x.dot(x)
#Out: 14
파이썬 3.5에서 @ 연산자는 행렬 곱셈을위한 중위 연산자로 추가되었습니다.
x = np.diag(np.arange(4))
print(x)
'''
Out: array([[0, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 2, 0],
[0, 0, 0, 3]])
'''
print(x@x)
print(x)
'''
Out: array([[0, 0, 0, 0],
[0, 1, 0, 0],
[0, 0, 4, 0],
[0, 0, 0, 9]])
'''
추가 . 값이 추가 된 복사본을 반환합니다. 제자리에 있지 않습니다.
#np.append(array, values_to_append, axis=None)
x = np.array([0,1,2,3,4])
np.append(x, [5,6,7,8,9])
# Out: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
x
# Out: array([0, 1, 2, 3, 4])
y = np.append(x, [5,6,7,8,9])
y
# Out: array([0, 1, 2, 3, 4, 5, 6, 7, 8, 9])
hstack . 가로 스택입니다. (컬럼 스택)
vstack . 세로 스택. (행 스택)
# np.hstack(tup), np.vstack(tup)
x = np.array([0,0,0])
y = np.array([1,1,1])
z = np.array([2,2,2])
np.hstack(x,y,z)
# Out: array([0, 0, 0, 1, 1, 1, 2, 2, 2])
np.vstack(x,y,z)
# Out: array([[0, 0, 0],
# [1, 1, 1],
# [2, 2, 2]])
배열 액세스
슬라이스 구문은 i:j:k 이고 i 는 시작 색인 (포함)이고 j 는 중단 색인 (제외)이며 k 는 단계 크기입니다. 다른 파이썬 데이터 구조와 마찬가지로 첫 번째 요소의 인덱스는 0입니다.
x = np.arange(10)
x[0]
# Out: 0
x[0:4]
# Out: array([0, 1, 2, 3])
x[0:4:2]
# Out:array([0, 2])
음수 값은 배열의 끝에서부터 계산됩니다. 따라서 -1 은 배열의 마지막 요소에 액세스합니다.
x[-1]
# Out: 9
x[-1:0:-1]
# Out: array([9, 8, 7, 6, 5, 4, 3, 2, 1])
다차원 배열은 각 차원을 쉼표로 구분하여 지정하여 액세스 할 수 있습니다. 이전의 모든 규칙이 적용됩니다.
x = np.arange(16).reshape((4,4))
x
# Out:
# array([[ 0, 1, 2, 3],
# [ 4, 5, 6, 7],
# [ 8, 9, 10, 11],
# [12, 13, 14, 15]])
x[1,1]
# Out: 5
x[0:3,0]
# Out: array([0, 4, 8])
x[0:3, 0:3]
# Out:
# array([[ 0, 1, 2],
# [ 4, 5, 6],
# [ 8, 9, 10]])
x[0:3:2, 0:3:2]
# Out:
# array([[ 0, 2],
# [ 8, 10]])
배열 전치
arr = np.arange(10).reshape(2, 5)
.transpose 메소드 사용 :
arr.transpose()
# Out:
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
.T 방법 :
arr.T
# Out:
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
또는 np.transpose :
np.transpose(arr)
# Out:
# array([[0, 5],
# [1, 6],
# [2, 7],
# [3, 8],
# [4, 9]])
2 차원 배열의 경우 이것은 표준 행렬 전치와 같습니다 (위 그림 참조). n 차원의 경우 배열 축의 순열을 지정할 수 있습니다. 기본적 array.shape 되돌 array.shape .
a = np.arange(12).reshape((3,2,2))
a.transpose() # equivalent to a.transpose(2,1,0)
# Out:
# array([[[ 0, 4, 8],
# [ 2, 6, 10]],
#
# [[ 1, 5, 9],
# [ 3, 7, 11]]])
그러나 축 인덱스의 모든 순열이 가능합니다.
a.transpose(2,0,1)
# Out:
# array([[[ 0, 2],
# [ 4, 6],
# [ 8, 10]],
#
# [[ 1, 3],
# [ 5, 7],
# [ 9, 11]]])
a = np.arange(24).reshape((2,3,4)) # shape (2,3,4)
a.transpose(2,0,1).shape
# Out:
# (4, 2, 3)
부울 색인 생성
arr = np.arange(7)
print(arr)
# Out: array([0, 1, 2, 3, 4, 5, 6])
스칼라와 비교하면 부울 배열이 반환됩니다.
arr > 4
# Out: array([False, False, False, False, False, True, True], dtype=bool)
이 배열은 4보다 큰 숫자 만 선택하기 위해 색인 생성에 사용할 수 있습니다.
arr[arr>4]
# Out: array([5, 6])
부울 색인 생성은 여러 배열 (예 : 관련 병렬 배열)간에 사용할 수 있습니다.
# Two related arrays of same length, i.e. parallel arrays
idxs = np.arange(10)
sqrs = idxs**2
# Retrieve elements from one array using a condition on the other
my_sqrs = sqrs[idxs % 2 == 0]
print(my_sqrs)
# Out: array([0, 4, 16, 36, 64])
배열 모양 변경하기
numpy.reshape (동일 numpy.ndarray.reshape ) 방법은 동일한 전체 크기의 배열을 반환하지만, 새로운 형상 :
print(np.arange(10).reshape((2, 5)))
# [[0 1 2 3 4]
# [5 6 7 8 9]]
새 배열을 반환하고 제 위치에서 작동하지 않습니다.
a = np.arange(12)
a.reshape((3, 4))
print(a)
# [ 0 1 2 3 4 5 6 7 8 9 10 11]
그러나, 덮어 쓰기 할 수있다 shape 의 AN 속성 ndarray :
a = np.arange(12)
a.shape = (3, 4)
print(a)
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
이 동작은 처음에는 놀라운 일이지만 ndarray 는 연속적인 메모리 블록에 저장되며 그 shape 은이 데이터 스트림을 다차원 객체로 해석해야하는 방법 만 지정합니다.
shape 튜플의 한 축까지는 -1 값을 가질 수 있습니다. 그러면 numpy 가이 축의 길이를 추측합니다.
a = np.arange(12)
print(a.reshape((3, -1)))
# [[ 0 1 2 3]
# [ 4 5 6 7]
# [ 8 9 10 11]]
또는:
a = np.arange(12)
print(a.reshape((3, 2, -1)))
# [[[ 0 1]
# [ 2 3]]
# [[ 4 5]
# [ 6 7]]
# [[ 8 9]
# [10 11]]]
a.reshape((3, -1, -1)) 와 같은 여러 개의 지정되지 않은 차원은 허용되지 않으며 ValueError 시킵니다.
브로드 캐스팅 배열 작업
산술 연산은 Numpy 배열에서 요소 단위로 수행됩니다. 동일한 모양의 배열의 경우, 이는 해당 색인의 요소간에 연산이 수행됨을 의미합니다.
# Create two arrays of the same size
a = np.arange(6).reshape(2, 3)
b = np.ones(6).reshape(2, 3)
a
# array([0, 1, 2],
# [3, 4, 5])
b
# array([1, 1, 1],
# [1, 1, 1])
# a + b: a and b are added elementwise
a + b
# array([1, 2, 3],
# [4, 5, 6])
산술 연산은 Numpy 방송 을 통해 다른 모양의 배열에서도 실행될 수 있습니다. 일반적으로 하나의 배열은 다른 요소 위에 "브로드 캐스팅"되므로 요소 모양 작업은 일치하는 모양의 하위 배열에서 수행됩니다.
# Create arrays of shapes (1, 5) and (13, 1) respectively
a = np.arange(5).reshape(1, 5)
a
# array([[0, 1, 2, 3, 4]])
b = np.arange(4).reshape(4, 1)
b
# array([0],
# [1],
# [2],
# [3])
# When multiplying a * b, slices with the same dimensions are multiplied
# elementwise. In the case of a * b, the one and only row of a is multiplied
# with each scalar down the one and only column of b.
a*b
# array([[ 0, 0, 0, 0, 0],
# [ 0, 1, 2, 3, 4],
# [ 0, 2, 4, 6, 8],
# [ 0, 3, 6, 9, 12]])
이를 더 설명하기 위해, 2D 및 3D 배열과 부합하는 하위 차원의 곱셈을 고려하십시오.
# Create arrays of shapes (2, 2, 3) and (2, 3) respectively
a = np.arange(12).reshape(2, 2, 3)
a
# array([[[ 0 1 2]
# [ 3 4 5]]
#
# [[ 6 7 8]
# [ 9 10 11]]])
b = np.arange(6).reshape(2, 3)
# array([[0, 1, 2],
# [3, 4, 5]])
# Executing a*b broadcasts b to each (2, 3) slice of a,
# multiplying elementwise.
a*b
# array([[[ 0, 1, 4],
# [ 9, 16, 25]],
#
# [[ 0, 7, 16],
# [27, 40, 55]]])
# Executing b*a gives the same result, i.e. the smaller
# array is broadcast over the other.
배열 방송은 언제 적용됩니까?
방송은 두 배열이 호환 가능한 모양을 가질 때 발생합니다.
도형은 구성 요소별로 후행 구성 요소와 비교됩니다. 두 치수가 동일하거나 둘 중 하나가 1 경우 두 치수가 호환됩니다. 한 모양의 치수가 다른 모양보다 높으면 초과되는 구성 요소는 비교되지 않습니다.
호환되는 모양의 몇 가지 예 :
(7, 5, 3) # compatible because dimensions are the same
(7, 5, 3)
(7, 5, 3) # compatible because second dimension is 1
(7, 1, 3)
(7, 5, 3, 5) # compatible because exceeding dimensions are not compared
(3, 5)
(3, 4, 5) # incompatible
(5, 5)
(3, 4, 5) # compatible
(1, 5)
배열 방송 에 대한 공식 문서는 다음과 같습니다.
배열에 CSV 파일의 내용 채우기
filePath = "file.csv"
data = np.genfromtxt(filePath)
많은 옵션이 지원됩니다. 전체 목록은 공식 문서 를 참조하십시오.
data = np.genfromtxt(filePath, dtype='float', delimiter=';', skip_header=1, usecols=(0,1,3) )
Numpy n 차원 배열 : ndarray
numpy의 핵심 데이터 구조는 ndarray ( n- 차원 배열의 약자)입니다. ndarray 은 다음과 같습니다.
- 균질 (즉, 동일한 데이터 유형의 항목을 포함합니다)
- 고정 된 크기의 항목을 포함합니다 ( 모양 , 각 차원의 크기를 지정하는 n 개의 양의 정수로 구성된 튜플로 나타남)
1 차원 배열 :
x = np.arange(15)
# array([ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14])
x.shape
# (15,)
2 차원 배열 :
x = np.asarray([[0, 1, 2, 3, 4], [5, 6, 7, 8, 9], [10, 11, 12, 13, 14]])
x
# array([[ 0, 1, 2, 3, 4],
# [ 5, 6, 7, 8, 9],
# [10, 11, 12, 13, 14]])
x.shape
# (3, 5)
3 차원 :
np.arange(12).reshape([2,3,2])
내용을 지정하지 않고 배열을 초기화하려면 다음을 사용하십시오.
x = np.empty([2, 2])
# array([[ 0., 0.],
# [ 0., 0.]])
데이터 유형 추측 및 자동 캐스팅
데이터 유형은 기본적으로 부동으로 설정됩니다.
x = np.empty([2, 2])
# array([[ 0., 0.],
# [ 0., 0.]])
x.dtype
# dtype('float64')
일부 데이터가 제공되면 numpy는 데이터 유형을 추측합니다.
x = np.asarray([[1, 2], [3, 4]])
x.dtype
# dtype('int32')
할당을 할 때 numpy는 ndarray 의 데이터 유형에 맞게 값을 자동으로 캐스팅하려고 시도합니다
x[1, 1] = 1.5 # assign a float value
x[1, 1]
# 1
# value has been casted to int
x[1, 1] = 'z' # value cannot be casted, resulting in a ValueError
배열 방송
브로드 캐스팅 배열 작업을 참조하십시오.
x = np.asarray([[1, 2], [3, 4]])
# array([[1, 2],
[3, 4]])
y = np.asarray([[5, 6]])
# array([[5, 6]])
행렬 용어로는 2x2 행렬과 1x2 행 벡터가 있습니다. 여전히 우리는 합계를 할 수 있습니다.
# x + y
array([[ 6, 8],
[ 8, 10]])
이는 배열 y 가 다음과 같이 " 확장 "되기 때문입니다.
array([[5, 6],
[5, 6]])
x 의 모양에 맞게.
자원:
- 공식 문서에서 ndarray 소개 : N 차원 배열 (ndarray)
- 클래스 참조 : ndarray .