<div id="readability-page-1" class="page"><div><h2 id="numpy">Numpy</h2>
<h2 id="특징">특징</h2>
<ol>
<li>모든 값이 동일한 타입을 갖음(비교:리스트는 다른 타입도 가능)</li>
<li>인덱스는 튜플</li>
<li>차원은 행렬의 랭크가 됨</li>
<li>shape는 차원을 튜플로 표현함</li>
</ol>
<pre><code>a = np.array([[1, 2, 3], [4, 5, 6]])
print(a)
print(a.shape)
#[[1, 2, 3], 
 [4, 5, 6]]
#(2, 3)</code></pre>
<h2 id="arrange">arrange</h2>
range와 같은 기능 
np.arrange
<h2 id="npzeros2-2">np.zeros((2, 2))</h2>
<h2 id="npfull2-2-7">np.full((2, 2), 7)</h2>
<h2 id="npeye2">np.eye(2)</h2>
<pre><code>d = np.eye(2) # Create a 2x2 identity matrix
print(d)
#[[1. 0.]
# [0. 1.]]</code></pre>
<h2 id="random-각종-확률-관련-분포들">random (각종 확률 관련 분포들)</h2>
<ul>
<li>
np.random.random((2, 2)) 
=&gt; 2바이2 행렬에 0~1 사이의 랜덤한 값이 저장된다.
</li>
<li>
np.random.randn(2,2) 
=&gt; 2바이2인 행렬 표준정규분포 그러니까 mean값이 0, 표준편차가 1
</li>
<li>
np.random.normal(10, 2, [2,2]) 
=&gt; 가우시안 분포에서 샘플링을 하는데 
10인 mean 표준편차가 2 

</li>
</ul>
<h2 id="특정-row-column-뽑기">특정 row, column 뽑기</h2>
<pre><code>row_r1 = a[1, :] # Rank 1 view of the second row of a 
row_r2 = a[1:2, :] # Rank 2 view of the second row of a
row_r3 = a[[1], :] # Rank 2 view of the second row of a
print(row_r1, row_r1.shape)
print(row_r2, row_r2.shape)
print(row_r3, row_r3.shape)</code></pre>
=&gt; 로우만 뽑기
<pre><code># We can make the same distinction when accessing columns of an array:
col_r1 = a[:, 1]
col_r2 = a[:, 1:2]
print(col_r1, col_r1.shape)
print()
print(col_r2, col_r2.shape)</code></pre>
=&gt; 칼럼만 뽑기 
=&gt; 이렇게 세로로도 데이터를 관리하고 배우면 되는 부분인듯
<h2 id="array에-조건-넣기">array에 조건 넣기</h2>
<pre><code>import numpy as np

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

bool_idx = (a &gt; 2) # Find the elements of a that are bigger than 2;
 # this returns a numpy array of Booleans of the same
 # shape as a, where each slot of bool_idx tells
 # whether that element of a is &gt; 2.

print(bool_idx)</code></pre>
=&gt; 이 조건을 먹인 값의 value 값 뽑기
<pre><code># We use boolean array indexing to construct a rank 1 array
# consisting of the elements of a corresponding to the True values
# of bool_idx
print(a[bool_idx])

# We can do all of the above in a single concise statement:
print(a[a &gt; 2])</code></pre>
<h2 id="dot--두-백터의-내적-값">dot, @ 두 백터의 내적 값</h2>
<pre><code>x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])

v = np.array([9,10])
w = np.array([11, 12])

# Inner product of vectors; both produce 219
print(v.dot(w))
print(np.dot(v, w))</code></pre>
<pre><code>print(v @ w)</code></pre>
=&gt; (911) + (1012) = 219
<h2 id="t로-축-바꾸기">T로 축 바꾸기</h2>
<pre><code>x = np.array([[1,2],[3,4]])

print(np.sum(x)) # Compute sum of all elements; prints "10"
print(np.sum(x, axis=0)) # Compute sum of each column; prints "[4 6]"
print(np.sum(x, axis=1)) # Compute sum of each row; prints "[3 7]"</code></pre>
<pre><code>print(x)
print("transpose\n", x.T)</code></pre>
=&gt; T로 쉽게 요소들의 축을 바꿀 수 있다.
=&gt; 코테를 생각해보니 엄청 파괴적인 기능</div></div>

2taesung.log

Taesung Lee

Numpy
특징
모든 값이 동일한 타입을 갖음(비교:리스트는 다른 타입도 가능)
인덱스는 튜플
차원은 행렬의 랭크가 됨
shape는 차원을 튜플로 표현함
a = np.array([[1, 2, 3], [4, 5, 6]])
print(a)
print(a.shape)
#[[1, 2, 3], 
  [4, 5, 6]]
#(2, 3)
arrange
range와 같은 기능 
np.arrange
np.zeros((2, 2))
np.full((2, 2), 7)
np.eye(2)
d = np.eye(2)        # Create a 2x2 identity matrix
print(d)
#[[1. 0.]
# [0. 1.]]
random (각종 확률 관련 분포들)
np.random.random((2, 2))
=> 2바이2 행렬에 0~1 사이의 랜덤한 값이 저장된다.
np.random.randn(2,2)
=> 2바이2인 행렬 표준정규분포 그러니까 mean값이 0, 표준편차가 1
np.random.normal(10, 2, [2,2])
=> 가우시안 분포에서 샘플링을 하는데
10인 mean 표준편차가 2
특정 row, column 뽑기
row_r1 = a[1, :]    # Rank 1 view of the second row of a  
row_r2 = a[1:2, :]  # Rank 2 view of the second row of a
row_r3 = a[[1], :]  # Rank 2 view of the second row of a
print(row_r1, row_r1.shape)
print(row_r2, row_r2.shape)
print(row_r3, row_r3.shape)
=> 로우만 뽑기
# We can make the same distinction when accessing columns of an array:
col_r1 = a[:, 1]
col_r2 = a[:, 1:2]
print(col_r1, col_r1.shape)
print()
print(col_r2, col_r2.shape)
=> 칼럼만 뽑기 
=> 이렇게 세로로도 데이터를 관리하고 배우면 되는 부분인듯
array에 조건 넣기
import numpy as np
a = np.array([[1,2], [3, 4], [5, 6]])
bool_idx = (a > 2)  # Find the elements of a that are bigger than 2;
                    # this returns a numpy array of Booleans of the same
                    # shape as a, where each slot of bool_idx tells
                    # whether that element of a is > 2.
print(bool_idx)
=> 이 조건을 먹인 값의 value 값 뽑기
# We use boolean array indexing to construct a rank 1 array
# consisting of the elements of a corresponding to the True values
# of bool_idx
print(a[bool_idx])
# We can do all of the above in a single concise statement:
print(a[a > 2])
dot, @ 두 백터의 내적 값
x = np.array([[1,2],[3,4]])
y = np.array([[5,6],[7,8]])
v = np.array([9,10])
w = np.array([11, 12])
# Inner product of vectors; both produce 219
print(v.dot(w))
print(np.dot(v, w))
print(v @ w)
=> (911) + (1012) = 219
T로 축 바꾸기
x = np.array([[1,2],[3,4]])
print(np.sum(x))  # Compute sum of all elements; prints "10"
print(np.sum(x, axis=0))  # Compute sum of each column; prints "[4 6]"
print(np.sum(x, axis=1))  # Compute sum of each row; prints "[3 7]"
print(x)
print("transpose\n", x.T)
=> T로 쉽게 요소들의 축을 바꿀 수 있다.
=> 코테를 생각해보니 엄청 파괴적인 기능

Numpy

댓글